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 Agent si basano diventa un fattore critico per le loro prestazioni. Gli Agent sono in grado di ragionare autonomamente, ma quando devono rispecchiare policy aziendali specifiche, dettagli sui prodotti o procedure interne, hanno bisogno di accedere a conoscenze affidabili e ben strutturate.

Le knowledge base degli Agent offrono questa base e specializzazione. Archiviano 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 Agent possano fornire risposte accurate e fondate, anziché basarsi sulla conoscenza generale del modello, che può essere incompleta o obsoleta.

Questa guida presenta strategie pratiche per gestire le knowledge base aziendali nelle implementazioni di Agent, consentendo ai Voice Agents di operare in modo coerente 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. I contenuti diventano disponibili per il tuo Agent 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.
• Generazione aumentata dal recupero (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 abilitato. 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 abilitare il RAG diventa disponibile soltanto quando la knowledge base raggiunge dimensioni per cui il recupero risulta più efficiente dell'inclusione diretta.

Le knowledge base efficaci iniziano dalla preparazione dei documenti

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

Seleziona i contenuti prima dell'implementazione. Archivia o rimuovi bozze obsolete, versioni sostituite e materiali irrilevanti. Se un documento non dovrebbe essere usato per rispondere alle domande dei clienti, non dovrebbe trovarsi nella tua knowledge base. Questa selezione assicura 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-agent sulla piattaforma ElevenLabs, dove Agent specializzati gestiscono aree di conoscenza specifiche.

Qualità prima della quantità. Una raccolta ben selezionata di pochi documenti di alta qualità supererà un gran numero di file di qualità mista. Concentrati su completezza, accuratezza e pertinenza all'interno di ciascun dominio. Partire da dati puliti e organizzati non è soltanto una buona pratica: fa la differenza tra un Agent che soddisfa gli utenti e uno che li frustra con risposte irrilevanti o contraddittorie.

Strategie di implementazione della knowledge base

Una volta definiti conoscenze e modelli di accesso, la domanda successiva è come configurare l'architettura degli Agent 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 complesse in base alla scala delle conoscenze e ai requisiti.

1. Knowledge base per un singolo Agent

L'implementazione più semplice collega una knowledge base direttamente a un singolo Agent. Carica i documenti selezionati sulla piattaforma ElevenLabs Agents per creare una knowledge base e assegnarla al tuo Agent nelle impostazioni di configurazione. Non sono necessari workflow, routing o strumenti esterni. Questo approccio offre il ritorno di valore più rapido: è ideale per casi d'uso mirati, come policy HR soltanto, documentazione di 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'Agent 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 varietà della knowledge base, è il momento di passare a workflow multi-Agent.

2. Separazione delle conoscenze tra più Agent

Per raccolte di documenti ampie e diversificate, un'architettura di workflow multi-Agent consente di scalare in modo efficiente. Un Agent di orchestrazione analizza le domande in arrivo e le indirizza ad Agent specializzati, ciascuno con una knowledge base mirata per il proprio dominio. Quando un utente chiede "Qual è la policy sul congedo parentale in California?", il sistema identifica la richiesta come relativa alle risorse umane e la indirizza a un Agent specializzato in HR che accede 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 Agent su più aree tematiche.

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

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

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

Questo garantisce l'accuratezza, poiché i fatti provengono dai database anziché dalla generazione dell'LLM, fornisce dati in tempo reale che riflettono lo stato attuale e crea trail 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 controllo completo su chunking, embedding e algoritmi di recupero, ma introduce un sovraccarico operativo dovuto alla gestione dell'infrastruttura e una maggiore latenza per le 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 e il modo più efficace per collegarli è direttamente tramite un Agent della piattaforma ElevenLabs (LLM personalizzato) oppure attraverso un'architettura Dual Brain.

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

Poiché queste chiamate sono asincrone, la conversazione rimane fluida mentre il backend esegue elaborazioni più complesse. Questo approccio consente alle aziende di basarsi sull'infrastruttura IA già esistente. 

Conclusione

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

La piattaforma ElevenLabs offre la gestione nativa delle knowledge base, workflow multi-Agent, integrazione webhook e API complete progettate per funzionare insieme senza difficoltà. Se implementate con attenzione, usando dati puliti e un'architettura appropriata, le competenze aziendali diventano accessibili tramite conversazioni naturali. Se realizzato bene, non è soltanto un dettaglio di implementazione, ma un vantaggio operativo.

Guida pratica: 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'Agent 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 Agent (singolo Agent) o a un nodo Agent specializzato (workflow multi-Agent). 

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

Guida pratica: aggiornamento automatico delle conoscenze

Monitora i repository della documentazione (Git, SharePoint, CMS). Quando vengono rilevate modifiche, attiva l'elaborazione automatica per consolidare i documenti aggiornati.

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

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