Distribuire la conoscenza aziendale agli agenti vocali

Man mano che le organizzazioni adottano Voice Agents per supportare dipendenti e clienti, la qualità delle informazioni su cui questi agenti si basano diventa un fattore critico per le loro prestazioni. Gli agenti sanno ragionare bene in autonomia, ma quando devono rispecchiare policy aziendali specifiche, dettagli dei prodotti o procedure interne, hanno bisogno di accedere a conoscenze affidabili e ben strutturate.

Le knowledge base degli agenti forniscono questa base e specializzazione. Raccolgono documentazione, policy, riferimenti tecnici, specifiche dei prodotti, materiali di supporto e altre risorse interne. Per un utilizzo efficace, i contenuti devono essere selezionati, organizzati e strutturati affinché gli agenti possano produrre risposte accurate e fondate, anziché basarsi sulla conoscenza generale del modello, che potrebbe essere incompleta o non aggiornata.

Questa guida presenta strategie pratiche per gestire knowledge base aziendali nelle implementazioni degli agenti, permettendo ai Voice Agents di offrire prestazioni coerenti anche con raccolte di documenti ampie e diversificate.

Come i Voice Agents accedono alla tua knowledge base

Puoi configurare una knowledge base direttamente sulla piattaforma ElevenLabs Agents. Questi contenuti diventano disponibili al tuo agente durante le conversazioni.

La piattaforma offre due modalità di utilizzo di questi contenuti:

• Inclusione diretta nel contesto: Per le knowledge base più piccole, i contenuti vengono inseriti direttamente nella finestra di contesto del modello. Questo offre accesso immediato con latenza minima e funziona al meglio per knowledge base più piccole.
• Retrieval-Augmented Generation (RAG): Quando una knowledge base è troppo grande per rientrare nel contesto, il sistema la cerca e recupera soltanto le sezioni più pertinenti in base alla query dell'utente.

Quando il RAG è efficace e quando non lo è

La scelta tra inserimento diretto e RAG dipende principalmente dalle dimensioni della knowledge base.

Considera una "Libreria di manuali dei prodotti" con 1000 documenti per un totale di circa 2 milioni di parole (~2,6 milioni di token). In questo caso, l'inserimento diretto supera i limiti di contesto della maggior parte degli LLM veloci e il RAG viene attivato. Vengono quindi recuperati soltanto gli estratti pertinenti, mantenendo il contesto gestibile indipendentemente dalle dimensioni totali della knowledge base.

Al contrario, per un documento di policy di 4 pagine (~3.000 token), l'inserimento diretto è più rapido e semplice. Il RAG aggiungerebbe una latenza non necessaria. 

La piattaforma ElevenLabs gestisce tutto automaticamente: l'opzione per attivare il RAG diventa disponibile soltanto quando la tua knowledge base raggiunge dimensioni per cui il recupero è più efficiente dell'inclusione diretta.

Le knowledge base efficaci iniziano dalla preparazione dei documenti

Se un'azienda dispone di una base di documenti interni ampia e varia, il primo passo non è l'implementazione, ma la selezione dei contenuti. Fonti eccellenti producono risposte eccellenti, mentre fonti di scarsa qualità introducono errori e allucinazioni.

Seleziona i contenuti prima di implementare. Archivia o rimuovi bozze obsolete, versioni sostituite e materiali non pertinenti. Se un documento non dovrebbe essere usato per rispondere alle domande dei clienti, non dovrebbe essere nella tua knowledge base. Questa selezione garantisce che la fonte di informazioni rimanga affidabile e riduce il rumore durante il recupero.

Organizza per dominio. Struttura i documenti rimanenti in categorie distinte e logiche, come policy HR, documentazione dei prodotti, accordi legali, manuali tecnici o procedure di assistenza clienti. Questa organizzazione per dominio diventa fondamentale quando implementi workflow multi-agente sulla piattaforma ElevenLabs, dove agenti specializzati gestiscono aree di conoscenza specifiche.

La qualità prima della quantità. Una raccolta ben selezionata di pochi documenti di alta qualità supera un gran numero di file di qualità mista. Concentrati su completezza, accuratezza e pertinenza all'interno di ogni dominio. Partire da dati puliti e organizzati non è soltanto una buona pratica: è ciò che distingue un agente che soddisfa gli utenti da uno che li frustra con risposte irrilevanti o contraddittorie.

Strategie per implementare la knowledge base

Una volta definite le conoscenze e le modalità di accesso, la domanda successiva è come configurare l'architettura dei tuoi agenti per accedere efficacemente alla knowledge base. Le organizzazioni possono scegliere tra cinque approcci architetturali implementabili direttamente sulla piattaforma ElevenLabs Agents, passando da configurazioni semplici a configurazioni più complesse in base alla scala delle conoscenze e ai requisiti.

1. Knowledge base per un singolo agente

L'implementazione più semplice collega una knowledge base direttamente a un singolo agente. Carica i documenti selezionati sulla piattaforma ElevenLabs Agents per creare una knowledge base e assegnala al tuo agente nelle impostazioni di configurazione. Non sono necessari workflow, routing o strumenti esterni. Questo approccio offre il valore più rapidamente: è ideale per casi d'uso mirati, come policy HR soltanto, documentazione di un prodotto soltanto o assistenza clienti per una singola linea di prodotti.

I limiti emergono su larga scala. Le prestazioni possono peggiorare con knowledge base molto grandi o altamente diversificate. Senza specializzazione, l'agente cerca in tutti i documenti e potrebbe recuperare risultati meno pertinenti quando le conoscenze coprono argomenti molto diversi. Quando noti che l'accuratezza diminuisce a causa della diversità della knowledge base, è il momento di passare ai workflow multi-agente.

2. Separazione delle conoscenze tra più agenti

Per raccolte di documenti ampie e varie, un'architettura di workflow multi-agente offre una scalabilità efficiente. Un agente di orchestrazione analizza le domande in arrivo e le inoltra ad agenti specializzati, ciascuno con una knowledge base mirata al proprio dominio. Quando un utente chiede "Qual è la policy sul congedo parentale in California?", il sistema riconosce che si tratta di una richiesta relativa alle HR e la inoltra a un agente specializzato in HR, con accesso soltanto ai documenti HR.

L'implementazione prevede la creazione di knowledge base separate per ogni dominio, la creazione di un workflow con nodi specializzati e la configurazione delle condizioni di routing. Contesti più piccoli e mirati migliorano l'accuratezza e riducono la latenza, mentre la separazione per dominio semplifica la manutenzione, poiché ogni area si aggiorna in modo indipendente. Questo approccio è adatto alle aziende che implementano agenti in più aree tematiche.

3. Approccio ibrido: knowledge base per la ricerca, strumenti per i dati

Questo modello separa la comprensione dalla ricerca dei dati. La knowledge base identifica la terminologia e la associa agli identificatori di sistema, aggiunti come documento alla knowledge base, mentre gli strumenti webhook recuperano i dati aggiornati da fonti autorevoli. 

Ad esempio, alla domanda "Quali sono i dettagli del mio piano Premium Plus?", l'agente usa la sua knowledge base per identificare l'ID del piano PLAN_001, quindi richiama uno strumento che interroga il tuo database live per prezzi e funzionalità aggiornati.

Questo garantisce l'accuratezza perché i fatti provengono dai database anziché dalla generazione dell'LLM, fornisce dati in tempo reale che riflettono lo stato attuale e crea tracce di audit tramite le chiamate agli strumenti registrate nei log. È adatto ai casi che richiedono sia la comprensione della documentazione sia il recupero di dati strutturati, comuni nell'assistenza clienti, nella gestione degli account e nell'e-commerce, dove i documenti spiegano i concetti ma i database contengono i dati aggiornati.

4. Database vettoriale esterno

Le organizzazioni possono gestire il proprio database vettoriale (Pinecone, Weaviate, Qdrant) ed esporlo tramite strumenti webhook personalizzati. Questo offre il pieno controllo su chunking, embedding e algoritmi di recupero, ma introduce un sovraccarico operativo dovuto alla gestione dell'infrastruttura e una maggiore latenza causata dalle chiamate API esterne. Può offrire maggiore flessibilità, ma introduce anche sovraccarico operativo e latenza esterna. 

5. L'architettura a doppio cervello

Alcune aziende gestiscono già i propri LLM ottimizzati tramite fine-tuning e il modo più efficace per collegarli è direttamente con un agente sulla piattaforma ElevenLabs (LLM personalizzato) oppure tramite un'architettura Dual Brain.

L'architettura a doppio cervello (con due LLM attivi) viene in genere usata quando l'LLM personalizzato è troppo lento per sostenere una conversazione in tempo reale. Nei casi in cui servono un ragionamento più approfondito o contesto aggiuntivo, l'agente è alimentato da un LLM più veloce che può chiamare l'LLM personalizzato del cliente per ricevere input, poi aggiunti alla conversazione tramite aggiornamenti contestuali.

Poiché queste chiamate sono asincrone, la conversazione rimane fluida mentre il backend esegue elaborazioni più impegnative. Questo approccio consente alle aziende di basarsi sulla propria infrastruttura IA esistente. 

Conclusione

Voice Agents efficaci si basano su conoscenze chiare e ben organizzate. Quando le informazioni aziendali sono strutturate, accurate e facili da consultare per gli agenti, diventano una fonte affidabile a cui possono attingere per fornire risposte fondate e coerenti. 

La piattaforma ElevenLabs offre gestione nativa delle knowledge base, workflow multi-agente, integrazione con webhook e API complete progettate per funzionare insieme in modo fluido. Se implementata con attenzione, dati puliti e un'architettura adeguata, l'esperienza aziendale diventa accessibile attraverso conversazioni naturali. Se realizzata bene, non è soltanto un dettaglio di implementazione, ma un vantaggio operativo.

Come fare: scalare il caricamento dei documenti

Consolida prima di caricare. Invece di caricare 500 file singoli, unisci tutti i documenti di un dominio in un unico file. Questo riduce la complessità di gestione, semplifica la configurazione dell'agente e migliora il recupero mantenendo insieme i contenuti correlati.

Raggruppa i documenti in modo strategico per linea di prodotti, regione, reparto o funzione. Ogni knowledge base consolidata corrisponde a un agente (singolo agente) o a un nodo di agente specializzato (workflow multi-agente). 

Sfrutta l'API di ElevenLabs per caricare contenuti da URL, testo o file. Integra i caricamenti nella tua pipeline CI/CD, affinché il consolidamento e gli aggiornamenti avvengano automaticamente ogni volta che cambia la documentazione di origine.

Come fare: aggiornamento automatico delle conoscenze

Monitora i repository della documentazione (Git, SharePoint, CMS). Quando vengono rilevate modifiche, avvia una rielaborazione automatizzata per consolidare i documenti aggiornati.

Usa l'API per aggiornare le knowledge base in modo programmatico. Un workflow tipico: aggiornamento della documentazione → attivazione della pipeline CI/CD → consolidamento dei documenti → chiamata API per sostituire la knowledge base → gli agenti accedono immediatamente alle informazioni aggiornate.

Tratta la documentazione come codice. Applica agli aggiornamenti della knowledge base lo stesso rigore DevOps che applichi ai deployment del codice. L'architettura API-first della piattaforma rende semplice l'integrazione con le pipeline esistenti, mantenendo accuratezza e conformità normativa senza interventi manuali.