スマートカスタマーサービスエージェントをゼロから構築

スマートカスタマーサービスの市場需要と技術的課題

スマートカスタマーサービスは、AI商業化において最も成功している分野の一つです。Gartnerの予測によると、2027年までに、カスタマーサービスのインタラクションの70%以上がAIによって処理されるでしょう。スマートカスタマーサービスは、24時間365日対応し、大量の同時リクエストを瞬時に処理できるだけでなく、安定した一貫したサービス品質を維持できます。しかし、本当に使いやすいスマートカスタマーサービスAgentを構築するのは簡単ではありません。自然言語理解（ユーザーが実際に何を尋ねているか）、知識検索（膨大な製品ドキュメントから回答を見つける）、感情認識（ユーザーが焦っているのか怒っているのか）、タスク実行（返金・注文照会・パスワードリセットを支援）、インテリジェント転送（いつ人間の介入が必要かを判断）を同時に処理する必要があります。

この記事では、意図認識からチケット作成までの全チェーンをカバーする、完全な機能を備えたスマートカスタマーサービスAgentを構築します。コードはモジュール設計を採用しており、ビジネスニーズに応じて各コンポーネントを柔軟に置き換え、拡張できます。

コアアーキテクチャ設計

私たちのスマートカスタマーサービスAgentは、5層アーキテクチャを採用しています：アクセス層（統一APIインターフェース、Webチャット、WeChat、DingTalkなどのマルチチャネルアクセスをサポート）、理解層（DeepSeekを使用して意図認識、エンティティ抽出、感情分析を実行）、決定層（意図と信頼度に基づいて、自動応答、知識ベース照会、チケット作成、または人間への転送を決定）、実行層（知識検索、注文照会、チケットシステムAPIなどの対応するツールを呼び出す）、記憶層（会話状態とユーザープロファイルを維持し、コンテキストを考慮したマルチターン対話をサポート）。

from openai import OpenAI
import json, time

client = OpenAI(api_key="your-deepseek-api-key", base_url="https://api.deepseek.com")

class CustomerServiceAgent:
    def __init__(self):
        self.intents = ["order_query","refund_request","product_info","complaint","greeting","other"]
        self.sentiment_levels = ["positive","neutral","angry","urgent"]
        self.conversations = {}
        self.ticket_system = FakeTicketSystem()  # 模擬チケットシステム

    def understand(self, user_message, session_id):
        """理解層：意図認識+エンティティ抽出+感情分析"""
        prompt = f"""以下の顧客メッセージを分析し、構造化情報を抽出してください。
顧客メッセージ：{user_message}

JSONで出力：
{{
  "intent": "{self.intents}",
  "entities": {{"order_id":"","product":"","amount":""}},
  "sentiment": "{self.sentiment_levels}",
  "urgency": 1-10,
  "summary": "15文字以内の要約",
  "confidence": 0.0-1.0
}}"""
        response = client.chat.completions.create(
            model="deepseek-chat",
            messages=[{"role":"user","content":prompt}],
            temperature=0.1
        )
        return json.loads(response.choices[0].message.content)

    def decide_action(self, analysis):
        """決定層：分析結果に基づいて次のアクションを決定"""
        if analysis["confidence"] < 0.6:
            return {"action":"clarify", "message":"申し訳ございませんが、お問い合わせ内容を十分に理解できませんでした。もう少し詳しく教えていただけますか？"}
        if analysis["sentiment"] in ["angry","urgent"] and analysis["urgency"] >= 8:
            return {"action":"transfer_human", "reason":"ユーザーの感情が高ぶっており、緊急度が高い"}
        if analysis["intent"] == "refund_request":
            return {"action":"create_ticket", "category":"返金", "priority":"high"}
        if analysis["intent"] == "order_query":
            return {"action":"query_knowledge_base", "query":analysis["summary"]}
        return {"action":"auto_reply", "intent":analysis["intent"]}

    def execute(self, action, analysis, session_id):
        """実行層：具体的なアクションを実行"""
        if action["action"] == "auto_reply":
            prompt = f"""あなたはプロフェッショナルでフレンドリーなカスタマーサービス担当者です。以下の顧客の質問に返信してください。
顧客の質問：{analysis["summary"]}
意図：{analysis["intent"]}
返信要件：熱意があり、プロフェッショナルで、簡潔（100文字以内）"""
            response = client.chat.completions.create(
                model="deepseek-chat",
                messages=[{"role":"user","content":prompt}],
                temperature=0.7
            )
            return response.choices[0].message.content
        elif action["action"] == "create_ticket":
            ticket_id = self.ticket_system.create_ticket(
                category=action["category"],
                priority=action["priority"],
                content=analysis
            )
            return f"チケットを作成しました（ID：{ticket_id}）。担当者が30分以内にご連絡いたします。"
        elif action["action"] == "transfer_human":
            return "お問い合わせはオペレーターに転送されました。少々お待ちください..."
        return "このリクエストは処理できません。オペレーターに転送しました。"

    def chat(self, user_message, session_id):
        if session_id not in self.conversations:
            self.conversations[session_id] = {"history":[], "state":{}}
        conv = self.conversations[session_id]
        conv["history"].append({"role":"user","content":user_message})

        print(f"[理解] ユーザーメッセージを分析中...")
        analysis = self.understand(user_message, session_id)
        print(f"  意図: {analysis['intent']}, 感情: {analysis['sentiment']}, 信頼度: {analysis['confidence']}")

        print(f"[決定] アクションを決定中...")
        action = self.decide_action(analysis)
        print(f"  アクション: {action['action']}")

        print(f"[実行] アクションを実行中...")
        reply = self.execute(action, analysis, session_id)
        conv["history"].append({"role":"assistant","content":reply})
        return reply

class FakeTicketSystem:
    def __init__(self): self.ticket_counter = 0
    def create_ticket(self, category, priority, content):
        self.ticket_counter += 1
        return f"TK-{self.ticket_counter:05d}"

# 使用例
agent = CustomerServiceAgent()
print(agent.chat("こんにちは、先週買ったスマホがまだ発送されていません。注文番号は20260715001です。いつ届きますか？", "session_001"))
print(agent.chat("遅すぎる！返金してほしい！", "session_001"))

人機協調メカニズム

スマートカスタマーサービスの最も重要な設計は、AIがどれだけできるかではなく、いつ会話をシームレスにオペレーターに転送するかです。私たちのAgentは、以下の状況で自動的にオペレーターへの転送をトリガーします：感情スコア≥8（ユーザーが極度に不満または緊急）、信頼度が0.6未満（Agentがユーザーの意図を確信できない）、ユーザーが明示的にオペレーターサービスを要求、3回連続で問題を解決できない、または高額返金やアカウント削除などのセンシティブな操作が関与する場合。転送時、Agentは会話の要約、ユーザープロファイル、現在の状態をオペレーターに引き渡し、「ホット転送」を実現します。オペレーターは最初から状況を把握する必要がありません。

継続的学習と最適化

スマートカスタマーサービスの品質向上は継続的なプロセスです。各会話の終了後にユーザー満足度評価（1〜5星）を収集し、低評価の会話を手動でレビューして失敗原因を特定し、典型的なケースをトレーニングデータに追加して意図認識と応答戦略を最適化し、高頻度の未解決問題を定期的に分析して知識ベースを補充するかビジネスプロセスを最適化します。毎週Agentの効果レビュー会議を開催し、フィードバックを具体的な最適化タスクに変換することをお勧めします。

マルチチャネルアクセスと一元管理

現代企業のカスタマーサービスチャネルは非常に多様化しています - Webオンラインカスタマーサービス、WeChat公式アカウント、企業WeChat、アプリ内カスタマーサービス、電話カスタマーサービスなど。スマートカスタマーサービスAgentは、マルチチャネルアクセス機能を備え、各チャネル間でユーザープロファイルと会話コンテキストを共有し、「ユーザーがどのチャネルから入っても、以前の会話を継続できる」ようにする必要があります。技術的には、統一されたセッション管理ミドルウェアを介してこれを実現します。すべてのチャネルのメッセージはまず形式を標準化され、同じAgentインスタンスにルーティングされ、Agentの応答はチャネルの特性に応じて形式が適応されます（WeChatはMarkdownをサポートしないためプレーンテキストに変換する必要があり、Webはリッチテキスト表示をサポートします）。知識ベース管理：スマートカスタマーサービスの応答品質は、知識ベースの品質に大きく依存します。知識ベースは継続的にメンテナンスする必要があります - 製品情報が変更されたら迅速に更新し、高頻度の質問にはより詳細な回答を追加し、低頻度だが重要な質問（返金ポリシーなど）については情報の正確性を確保します。知識ベースの「バージョン管理」メカニズムを確立することをお勧めします - すべての更新に記録があり、問題が発生した場合は前のバージョンにロールバックできます。同時に、カスタマーサービスの会話ログを分析して「知識ベースのギャップ」を自動的に特定します - ユーザーが繰り返し尋ねるが知識ベースにない質問は、補充が必要なコンテンツです。

感情計算の高度な応用

基本的なポジティブ/ネガティブ感情認識に加えて、高度なカスタマーサービスAgentは以下も認識できる必要があります：ユーザーの「潜在的な離脱シグナル」（「もう二度と使わない」「競合他社のXXはあなたよりはるかに優れている」などの発言）、「エスカレーション要求」（マネージャーやスーパーバイザーを求める要求は、現在のサービスに不満があることを意味します）、および「ソーシャルエンジニアリング攻撃」（ユーザーが他人の情報を取得するために偽装しようとする）。これらの高度な感情認識機能により、Agentは問題の悪化を防ぐために、より早くエスカレーションメカニズムをトリガーできます。

将来の展望：大規模モデルのマルチモーダル機能の強化に伴い、スマートカスタマーサービスはテキストのみのインタラクションからマルチモーダルインタラクションへとアップグレードされます - ユーザーは損傷した製品の写真を直接アップロードしたり、音声メッセージで問題を説明したり、ビデオ通話でカスタマーサービスに現場の状況を「見せる」こともできます。Agentはこれらのマルチモーダル情報を統合して、より正確な判断と処理ソリューションを提供できるようになります。同時に、デジタルヒューマンカスタマーサービス（3D仮想アバターと自然言語インタラクションの組み合わせ）も、ハイエンドのカスタマーサービスシナリオの標準になります。スマートカスタマーサービスの次の5年間は、「会話できる」から「見える、聞こえる、理解できる、共感できる」へと進化します。