Implantando conhecimento empresarial em agentes de voz

À medida que as organizações adotam Agentes de Voz para dar suporte a funcionários e clientes, a qualidade das informações em que esses Agentes se baseiam se torna um fator crítico para seu desempenho. Os Agentes conseguem raciocinar bem por conta própria, mas, quando precisam refletir políticas específicas da empresa, detalhes de produtos ou procedimentos internos, precisam ter acesso a conhecimento confiável e bem estruturado.

As bases de conhecimento dos Agentes fornecem essa base e especialização. Elas armazenam documentação, políticas, referências técnicas, especificações de produtos, materiais de suporte e outros recursos internos. Para um uso eficaz, o conteúdo precisa ser selecionado, organizado e estruturado para que os Agentes possam gerar respostas precisas e fundamentadas, em vez de depender do conhecimento geral do modelo, que pode estar incompleto ou desatualizado.

Este guia apresenta estratégias práticas para gerenciar bases de conhecimento empresariais em implementações de Agentes, permitindo que os Agentes de Voz tenham um desempenho consistente mesmo ao trabalhar com coleções grandes e diversificadas de documentos.

Como os Agentes de Voz acessam sua base de conhecimento

Você pode configurar uma base de conhecimento diretamente na plataforma ElevenLabs Agents. Esse conteúdo fica disponível para seu Agente durante as conversas.

A plataforma oferece dois modos de uso desse conteúdo:

• Inclusão direta no contexto: Para bases de conhecimento menores, o conteúdo é inserido diretamente na janela de contexto do modelo. Isso oferece acesso imediato com latência mínima e funciona melhor para bases de conhecimento menores.
• Geração Aumentada por Recuperação (RAG): Quando uma base de conhecimento é grande demais para caber no contexto, o sistema a pesquisa e recupera apenas as seções mais relevantes com base na consulta do usuário.

Quando o RAG é eficaz e quando não é

A decisão entre a inserção direta e o RAG depende principalmente do tamanho da base de conhecimento.

Considere uma "Biblioteca de Manuais de Produtos" com 1.000 documentos, totalizando aproximadamente 2 milhões de palavras (~2,6 milhões de tokens). Nesse caso, a inserção direta excede os limites de contexto da maioria dos LLMs rápidos e o RAG é ativado. Assim, apenas trechos relevantes são recuperados, mantendo o contexto gerenciável independentemente do tamanho total da base de conhecimento.

Por outro lado, para um documento de política com 4 páginas (~3.000 tokens), a inserção direta é mais rápida e simples. O RAG adicionaria uma latência desnecessária. 

A plataforma ElevenLabs faz isso automaticamente: a opção de ativar o RAG só fica disponível quando sua base de conhecimento atinge um tamanho em que a recuperação seria mais eficiente do que a inclusão direta.

Bases de conhecimento eficazes começam com a preparação dos documentos

Se uma empresa tem uma base grande e variada de documentos internos, o primeiro passo não é a implementação, mas a curadoria. Fontes excelentes geram respostas excelentes, enquanto fontes ruins introduzem erros e alucinações.

Faça a curadoria antes de implementar. Arquive ou remova rascunhos desatualizados, versões substituídas e materiais irrelevantes. Se um documento não deve ser usado para responder às perguntas dos clientes, ele não deve estar na sua base de conhecimento. Essa curadoria garante que a fonte de informações continue confiável e reduz o ruído durante a recuperação.

Organize por domínio. Estruture os documentos restantes em categorias distintas e lógicas, como políticas de RH, documentação de produtos, acordos jurídicos, manuais técnicos ou procedimentos de suporte ao cliente. Essa organização por domínio se torna essencial ao implementar workflows multiagente na plataforma ElevenLabs, em que Agentes especializados lidam com áreas específicas de conhecimento.

Qualidade acima de quantidade. Uma coleção bem selecionada de poucos documentos de alta qualidade terá um desempenho melhor que um grande número de arquivos de qualidade variada. Concentre-se em abrangência, precisão e relevância dentro de cada domínio. Começar com dados limpos e organizados não é apenas uma boa prática: é a diferença entre um Agente que encanta os usuários e outro que os frustra com respostas irrelevantes ou contraditórias.

Estratégias de implementação de bases de conhecimento

Depois de definir o conhecimento e os padrões de acesso, a próxima questão é como configurar a arquitetura do seu Agente para acessar a base de conhecimento de forma eficaz. As organizações podem escolher entre cinco abordagens arquiteturais que podem ser implementadas diretamente na plataforma ElevenLabs Agents, passando de configurações simples a complexas conforme a escala e os requisitos de conhecimento.

1. Base de conhecimento de Agente único

A implementação mais direta vincula uma base de conhecimento diretamente a um único Agente. Envie seus documentos selecionados para a plataforma ElevenLabs Agents para criar uma base de conhecimento e atribuí-la ao seu Agente nas configurações. Não são necessários workflows, roteamento ou ferramentas externas. Essa abordagem proporciona o retorno mais rápido — é ideal para casos de uso focados, como políticas de RH בלבד, documentação de produtos בלבד ou suporte ao cliente para uma única linha de produtos.

As limitações surgem em grande escala. O desempenho pode piorar com bases de conhecimento muito grandes ou altamente diversificadas. Sem especialização, o Agente pesquisa todos os documentos e pode recuperar resultados menos relevantes quando o conhecimento abrange temas muito diferentes. Quando você perceber uma queda na precisão devido à diversidade da base de conhecimento, é hora de migrar para workflows multiagente.

2. Segregação de conhecimento por múltiplos Agentes

Para coleções grandes e variadas de documentos, uma arquitetura de workflow multiagente oferece escalabilidade eficiente. Um Agente de orquestração analisa as perguntas recebidas e as direciona para Agentes especializados, cada um com uma base de conhecimento focada em seu domínio. Quando um usuário pergunta "Qual é a política de licença parental na Califórnia?", o sistema identifica o assunto como relacionado a RH e encaminha a pergunta para um Agente especializado em RH, com acesso apenas aos documentos de RH.

A implementação envolve criar bases de conhecimento separadas por domínio, criar um workflow com nós especializados e configurar condições de roteamento. Contextos menores e focados melhoram a precisão e reduzem a latência, enquanto a separação por domínio simplifica a manutenção, pois cada área é atualizada de forma independente. A abordagem é adequada para empresas que implementam Agentes em várias áreas de conhecimento.

3. Abordagem híbrida: base de conhecimento para descoberta, ferramentas para dados

Esse padrão separa entendimento de consulta. A base de conhecimento identifica a terminologia e a mapeia para identificadores de sistema adicionados como um documento à base de conhecimento, enquanto as ferramentas de webhook recuperam dados atuais de fontes confiáveis. 

Por exemplo, quando recebe a pergunta "Quais são os detalhes do meu plano Premium Plus?", o Agente usa sua base de conhecimento para identificar o ID do plano PLAN_001 e, em seguida, chama uma ferramenta que consulta seu banco de dados ativo para obter preços e recursos atuais.

Isso garante precisão, pois os fatos vêm de bancos de dados, e não da geração por LLM; fornece dados em tempo real que refletem o estado atual; e cria trilhas de auditoria por meio de chamadas de ferramentas registradas. É adequado para casos que exigem tanto entendimento da documentação quanto recuperação de dados estruturados, comuns em suporte ao cliente, gestão de contas e e-commerce, nos quais os documentos explicam conceitos, mas os bancos de dados contêm os fatos atuais.

4. Banco de dados vetorial externo

As organizações podem gerenciar seu próprio banco de dados vetorial (Pinecone, Weaviate, Qdrant) e expô-lo por meio de ferramentas de webhook personalizadas. Isso oferece controle completo sobre fragmentação, embeddings e algoritmos de recuperação, mas introduz sobrecarga operacional devido ao gerenciamento da infraestrutura e latência adicional das chamadas de API externas. Isso pode trazer flexibilidade, mas também adiciona sobrecarga operacional e latência externa. 

5. A arquitetura de cérebro duplo

Algumas empresas já mantêm seus próprios LLMs ajustados, e a forma mais eficaz de conectá-los é diretamente a uma plataforma ElevenLabs Agents (LLM personalizado) ou por meio de uma arquitetura de cérebro duplo.

A arquitetura de cérebro duplo (dois LLMs ativos) costuma ser usada quando o LLM personalizado é lento demais para conduzir uma conversa em tempo real. Nos casos em que é necessário um raciocínio mais profundo ou contexto adicional, o Agente é alimentado por um LLM mais rápido, que pode chamar o LLM personalizado do cliente para receber informações, posteriormente adicionadas à conversa por meio de atualizações contextuais.

Como essas chamadas são assíncronas, a conversa permanece fluida enquanto o backend realiza computações mais intensas. Essa abordagem permite que as empresas aproveitem sua infraestrutura de IA existente. 

Conclusão

Agentes de Voz eficazes dependem de conhecimento claro e bem organizado. Quando as informações empresariais são estruturadas, precisas e fáceis de navegar para os Agentes, elas se tornam uma fonte confiável que pode ser usada para fornecer respostas fundamentadas e consistentes. 

A plataforma ElevenLabs oferece gerenciamento nativo de bases de conhecimento, workflows multiagente, integração de webhooks e APIs abrangentes, projetadas para funcionar juntas de forma integrada. Quando implementada de maneira cuidadosa, com dados limpos e uma arquitetura adequada, a expertise empresarial se torna acessível por meio de conversas naturais. Quando bem executado, isso não é apenas um detalhe de implementação, mas uma vantagem operacional.

Como fazer: escalar uploads de documentos

Consolide antes de enviar. Em vez de enviar 500 arquivos individuais, reúna todos os documentos de um domínio em um único arquivo. Isso reduz a complexidade de gerenciamento, simplifica a configuração do Agente e melhora a recuperação ao manter conteúdos relacionados juntos.

Agrupe documentos estrategicamente por linha de produtos, região, departamento ou função. Cada base de conhecimento consolidada é mapeada para um Agente (Agente único) ou um nó de Agente especializado (workflows multiagente). 

Use a API da ElevenLabs para enviar conteúdo de URLs, textos ou arquivos. Integre os uploads ao seu pipeline de CI/CD para que a consolidação e as atualizações ocorram automaticamente sempre que a documentação de origem for alterada.

Como fazer: atualização automatizada de conhecimento

Monitore seus repositórios de documentação (Git, SharePoint, CMS). Quando alterações forem detectadas, acione o reprocessamento automatizado para consolidar os documentos atualizados.

Use a API para atualizar bases de conhecimento de forma programática. Um workflow típico: atualização da documentação → acionamento do pipeline de CI/CD → consolidação dos documentos → chamada da API para substituir a base de conhecimento → os Agentes acessam instantaneamente as informações atualizadas.

Trate a documentação como código. Aplique às atualizações da base de conhecimento o mesmo rigor de DevOps usado nas implantações de código. A arquitetura API-first da plataforma torna simples a integração com os pipelines existentes, mantendo a precisão e a conformidade sem intervenção manual.