Tworzenie agenta ElevenLabs do wywiadów z klientami
Tworzenie agenta ElevenLabs do wywiadów z klientami
Dowiedz się, jak przeprowadziliśmy 230 wywiadów z użytkownikami w 24 godziny dzięki ElevenLabs Agents
Przegląd
Stworzyliśmy ankietera AI przy użyciu ElevenLabs Agents, aby na dużą skalę zbierać jakościowe opinie użytkowników aplikacji ElevenReader. Ten dokument opisuje projekt systemu, konfigurację agenta, proces zbierania danych i ramy oceny, których użyliśmy do przeprowadzenia ponad 230 wywiadów w mniej niż 24 godziny.
Celem było odtworzenie głębi i niuansów rozmów z klientami na żywo bez ograniczeń związanych z harmonogramem, językiem i organizacją sesji prowadzonych przez ludzi.

Architektura systemu
Ankieter AI został w całości wdrożony w ElevenAgents i składał się z następujących głównych elementów:
- Konwersacyjny agent głosowy do wywiadów w czasie rzeczywistym
- Duży model językowy do planowania dialogu i rozumowania
- Ustrukturyzowane wyodrębnianie danych do analizy po rozmowie
- Automatyczne kończenie połączeń i kontrola sesji
Projekt agenta

Cele badawcze
Agent miał zbadać cztery główne obszary:
- Prośby o funkcje i ulepszenia produktu
- Główne wzorce użycia
- Porównania z konkurencją
- Postrzeganie cen i wartość marki
Cele te umieściliśmy bezpośrednio w prompcie systemowym, aby zachować spójność między wywiadami.
Wybór głosu
Dla ankietera wybraliśmy głos Hope - The podcaster. Wybraliśmy go ze względu na neutralne tempo, ciepło i konwersacyjny ton, które zmniejszały odczuwalną barierę i pomagały użytkownikom swobodnie rozmawiać podczas dłuższych sesji.
Wybór modelu
Model rozumowania: Gemini 2.5 Flash
Gemini 2.5 Flash wybraliśmy, aby połączyć niskie opóźnienie z wystarczającą głębią rozumowania do dostosowywania pytań dodatkowych podczas rozmów na żywo.
Struktura promptu systemowego
Prompt systemowy instruował agenta, aby:
- Zadawał pytania otwarte zgodne z celami badawczymi
- Tworzył pytania dodatkowe, gdy odpowiedzi były niejasne lub zdawkowe
- Unikał sugerującego lub stronniczego języka
- Trzymał się tematu i określonych ram czasowych
Zgodnie z naszym przewodnikiem po promptach, oto pełny prompt systemowy, którego użyliśmy:
Zabezpieczenia i obsługa nietypowych przypadków
Przed wdrożeniem produkcyjnym przeprowadziliśmy symulowane rozmowy za pomocą narzędzi testowych ElevenLabs, aby sprawdzić zachowanie w przypadku:
- Jednowyrazowych lub nieinformatywnych odpowiedzi
- Wypowiedzi nie na temat
- Nieodpowiedniego języka
- Ciszy lub długich przerw
Testy te pomogły nam dodać do promptu kolejne zabezpieczenia, które utrzymują jakość wywiadów.
Kontrola czasu trwania sesji
Każdy wywiad był ograniczony do dziesięciu minut. Agent używał narzędzia end_call, aby:
- Sprawnie zakończyć sesję
- Podziękować użytkownikowi za czas
- Zapobiegać nadmiernie długim lub zapętlonym rozmowom
Zbieranie i analiza danych

Przetwarzanie transkrypcji
Wszystkie rozmowy transkrybowaliśmy i przekazywaliśmy przez funkcję analizy ElevenLabs Agents, aby wyodrębnić ustrukturyzowane dane z otwartego dialogu.
Śledziliśmy odpowiedzi na pytania takie jak:
- „Jak głównie korzystasz dziś z ElevenReader?”
- „Jakie dwie zmiany najbardziej ulepszyłyby aplikację?”
Ustrukturyzowane wyniki
Wyodrębniane pola obejmowały:
- Główny przypadek użycia
- Proponowane funkcje
- Zgłoszone błędy
- Wskaźniki nastawienia
Dzięki temu mogliśmy agregować jakościowe opinie bez ręcznego sprawdzania każdej transkrypcji.
Ograniczenia i wnioski
- Wywiady AI wymagają starannego projektu promptu, by uniknąć powierzchownych odpowiedzi
- Ograniczenie czasu jest kluczowe dla kontroli kosztów i utrzymania skupienia
- Ustrukturyzowane wyodrębnianie jest niezbędne — same transkrypcje nie skalują się w analizie
Dalsze prace
Planujemy rozbudować ten system o:
- Adaptacyjne ścieżki wywiadów zależne od segmentu użytkownika
- Ocenę nastawienia w czasie rzeczywistym
- Szerszą obsługę wywiadów w wielu językach
- Bezpośrednie połączenie wyodrębnionych wniosków z systemami śledzenia produktu
Zacznij tworzyć swojego agenta już dziś lub skontaktuj się z naszym zespołem, aby dowiedzieć się więcej.