Visão Geral do Fluxo de Trabalho

Este é um sistema inteligente de classificação de urgência de tickets de suporte baseado na arquitetura RAG (Retrieval-Augmented Generation). O fluxo de trabalho recebe dados de tickets por meio de Webhook, armazena e recupera informações históricas de tickets utilizando o banco de dados vetorial Pinecone, combina com o grande modelo de linguagem Anthropic Claude para análise e classificação inteligente, registra os resultados no Google Sheets e envia alertas via Slack em caso de erros.

Funcionalidades Principais

O fluxo de trabalho implementa um processo automatizado de ponta a ponta para tratamento de tickets:

1. Recepção e pré-processamento de dados: Recebe dados de tickets via Webhook com método POST
2. Vetorização de texto: Divide o conteúdo do ticket em blocos e os converte em representações vetoriais
3. Gestão da base de conhecimento: Armazena e recupera informações relevantes de tickets no banco de dados vetorial Pinecone
4. Análise inteligente: Utiliza um Agente de IA combinado com dados históricos para julgar o nível de urgência
5. Registro de resultados: Grava automaticamente os resultados da classificação no Google Sheets
6. Monitoramento de exceções: Envia alertas em tempo real via Slack quando ocorrem erros

Análise Detalhada dos Nós

1. Gatilho Webhook (Nó de Entrada)

Tipo de nó: n8n-nodes-base.webhook
Parâmetros de configuração:

• Método HTTP: POST
• Caminho: ticket-urgency-classification
• Posição: (-300, 0)

Descrição da funcionalidade: Atua como ponto de entrada do fluxo de trabalho, escutando dados de tickets enviados por sistemas externos. Quando um novo ticket é criado, suas informações são transmitidas para este nó por meio de uma requisição POST.

Conexões de saída:

• Saída principal para Text Splitter (processamento de fragmentação de texto)
• Conectado simultaneamente ao Window Memory (memória de sessão)

2. Text Splitter (Fragmentador de Texto)

Tipo de nó: @n8n/n8n-nodes-langchain.textSplitterCharacterTextSplitter
Parâmetros de configuração:

• Tamanho do bloco: 400 caracteres
• Sobreposição: 40 caracteres
• Posição: (-130, 0)

Descrição da funcionalidade: Divide o texto recebido do ticket em blocos de tamanho fixo, facilitando o processamento vetorial subsequente. A sobreposição de 40 caracteres garante a coerência contextual, evitando perda de informações importantes nas bordas dos blocos.

Conexões de saída:

• Saída principal para Embeddings
• Saída do fragmentador de texto para Pinecone Insert

3. Embeddings (Incorporação Vetorial)

Tipo de nó: @n8n/n8n-nodes-langchain.embeddingsCohere
Parâmetros de configuração:

• Modelo: embed-english-v3.0
• Posição: (70, 0)
• Credenciais: API Cohere

Descrição da funcionalidade: Utiliza o modelo de incorporação da Cohere para converter blocos de texto em representações vetoriais. Este modelo é otimizado especificamente para textos em inglês, capturando eficazmente informações semânticas.

Conexões de saída:

• Saída de incorporação AI conectada simultaneamente a:
  • Pinecone Insert (armazenamento de vetores)
  • Pinecone Query (consulta de vetores)

4. Pinecone Insert (Armazenamento Vetorial – Inserção)

Tipo de nó: @n8n/n8n-nodes-langchain.vectorStorePinecone
Parâmetros de configuração:

• Modo: insert (inserção)
• Nome do índice: ticket_urgency_classification
• Posição: (270, 0)
• Credenciais: API Pinecone

Descrição da funcionalidade: Armazena as representações vetoriais dos tickets no banco de dados vetorial Pinecone, construindo uma base de conhecimento com tickets históricos. Cada novo ticket é adicionado ao índice, servindo como referência para recuperação de tickets similares posteriormente.

5. Pinecone Query (Recuperação Vetorial – Consulta)

Tipo de nó: @n8n/n8n-nodes-langchain.vectorStorePinecone
Parâmetros de configuração:

• Nome do índice: ticket_urgency_classification
• Posição: (270, -180)
• Credenciais: API Pinecone

Descrição da funcionalidade: Recupera do banco de dados vetorial Pinecone os tickets históricos mais semelhantes ao ticket atual. Por meio do cálculo de similaridade vetorial, identifica casos semanticamente próximos como referência para classificação.

Conexão de saída: Saída do armazenamento vetorial AI para Vector Tool

6. Vector Tool (Ferramenta Vetorial)

Tipo de nó: @n8n/n8n-nodes-langchain.toolVectorStore
Parâmetros de configuração:

• Nome da ferramenta: Pinecone
• Descrição: Vector context
• Posição: (450, -180)

Descrição da funcionalidade: Encapsula a capacidade de recuperação vetorial como uma ferramenta acionável pelo Agente de IA. O agente pode consultar ativamente informações relevantes de tickets históricos por meio desta ferramenta.

Conexão de saída: Saída da ferramenta AI para RAG Agent

7. Window Memory (Memória com Janela Deslizante)

Tipo de nó: @n8n/n8n-nodes-langchain.memoryBufferWindow
Versão: 1.3
Posição: (450, -40)

Descrição da funcionalidade: Fornece ao Agente de IA capacidade de memória de curto prazo, preservando o contexto das interações mais recentes. Isso permite que o agente compreenda relações contextuais em diálogos multirrodadas.

Conexão de saída: Saída da memória AI para RAG Agent

8. Chat Model (Modelo de Linguagem)

Tipo de nó: @n8n/n8n-nodes-langchain.lmChatAnthropic
Posição: (450, -340)
Credenciais: API Anthropic

Descrição da funcionalidade: Utiliza o grande modelo de linguagem Anthropic Claude como motor de raciocínio do agente. O Claude interpreta o conteúdo do ticket, analisa casos históricos relevantes e determina o nível de urgência.

Conexão de saída: Saída do modelo de linguagem AI para RAG Agent

9. RAG Agent (Agente de Geração Aumentada por Recuperação)

Tipo de nó: @n8n/n8n-nodes-langchain.agent
Parâmetros de configuração:

• Tipo de prompt: define
• Texto: "Handle data"
• Mensagem do sistema: "You are an assistant for Ticket Urgency Classification"
• Posição: (720, -40)

Descrição da funcionalidade: Nó central de tomada de decisão do fluxo de trabalho. Este agente integra o modelo de linguagem, a ferramenta de recuperação vetorial e o sistema de memória, sendo capaz de:

• Analisar o conteúdo e características do ticket atual
• Invocar a ferramenta vetorial para recuperar casos históricos semelhantes
• Combinar a memória contextual para realizar julgamentos inteligentes
• Gerar o resultado final da classificação de urgência do ticket

Conexões de saída:

• Saída principal para Append Sheet
• Saída de erro para Slack Alert

10. Append Sheet (Registro de Dados)

Tipo de nó: n8n-nodes-base.googleSheets
Parâmetros de configuração:

• Operação: append (acréscimo)
• ID do documento: SHEET_ID
• Nome da planilha: Log
• Mapeamento de colunas: Status
• Posição: (930, -40)
• Credenciais: API OAuth2 do Google Sheets

Descrição da funcionalidade: Acrescenta automaticamente o resultado da classificação do agente à planilha de log do Google Sheets. Isto fornece um histórico auditável, facilitando análises posteriores e otimizações do modelo.

11. Slack Alert (Alerta de Erro)

Tipo de nó: n8n-nodes-base.slack
Parâmetros de configuração:

• Canal: #alerts
• Modelo de mensagem: "Ticket Urgency Classification error: {$json.error.message}"
• Posição: (930, 120)
• Credenciais: API Slack

Descrição da funcionalidade: Nó de tratamento de erros do fluxo de trabalho. Quando ocorre uma exceção na execução do RAG Agent, envia automaticamente detalhes do erro ao canal #alerts do Slack, garantindo que a equipe possa responder e corrigir o problema rapidamente.

12. Sticky Note (Anotação Explicativa)

Tipo de nó: n8n-nodes-base.stickyNote
Parâmetros de configuração:

• Conteúdo: "Placeholder for Ticket Urgency Classification"
• Altura: 530px
• Largura: 1100px
• Cor: 5
• Posição: (-480, -240)

Descrição da funcionalidade: Anotação visual explicativa que fornece documentação descritiva do fluxo de trabalho.

Análise do Fluxo de Dados

Fluxo Principal

1. Recepção do ticket → Gatilho Webhook recebe dados externos do ticket
2. Processamento textual → Text Splitter fragmenta → Embeddings vetoriza
3. Armazenamento do conhecimento → Pinecone Insert salva vetores no banco de dados
4. Recuperação por similaridade → Pinecone Query recupera casos históricos relacionados
5. Análise inteligente → RAG Agent realiza análise abrangente e classifica
6. Registro do resultado → Append Sheet grava no Google Sheets

Fluxos Auxiliares

• Memória contextual: Webhook → Window Memory → RAG Agent
• Chamada de ferramentas: Pinecone Query → Vector Tool → RAG Agent
• Suporte do modelo: Chat Model → RAG Agent
• Tratamento de exceções: RAG Agent (onError) → Slack Alert

Stack Tecnológica

• Motor de fluxo de trabalho: n8n
• Banco de dados vetorial: Pinecone
• Modelo de incorporação: Cohere embed-english-v3.0
• Modelo de linguagem: Anthropic Claude
• Armazenamento de dados: Google Sheets
• Sistema de notificações: Slack
• Padrão arquitetural: RAG (Retrieval-Augmented Generation)

Vantagens e Características

1. Inteligência: Utiliza IA para julgar automaticamente o nível de urgência dos tickets, reduzindo intervenção manual
2. Percepção contextual: Melhora a precisão da classificação recuperando casos históricos semelhantes por meio de vetores
3. Escalabilidade: À medida que mais tickets são processados, a base de conhecimento se enriquece automaticamente, melhorando continuamente o desempenho do modelo
4. Rastreabilidade: Todos os resultados de classificação são registrados no Google Sheets, facilitando auditorias e análises
5. Alta confiabilidade: Alertas automáticos de erro garantem operação estável do sistema

Casos de Uso

• Triagem automática de tickets de suporte
• Priorização de tickets de incidentes em TI
• Avaliação do grau de urgência em feedbacks de clientes
• Roteamento inteligente de solicitações de suporte
• Qualquer cenário que exija classificação automatizada de texto