Pular para o conteúdo principal

Atendimentos

Na tela de Atendimentos, você pode consultar todas as conversas realizadas pelos agentes, filtrar por diversos critérios, exportar os dados e analisar o detalhamento completo de cada conversa, incluindo o consumo de créditos e o comportamento do agente durante o atendimento.

Acessando​

Clique em Atendimentos, dentro de Curadoria, no menu lateral esquerdo.

Filtros​

A listagem pode ser filtrada por:

  • Conteúdo ou ID
  • Agente
  • Data inicial e Data final
  • Canal
  • Serviço
  • Usuário
  • Metadados
  • Categorias

Colunas da listagem​

  • ID — identificador único do atendimento.
  • Agente — agente responsável pelo atendimento.
  • Tags
  • Avaliação — status da avaliação do atendimento (ex.: "Não avaliado").
  • Qtd. Feedbacks — quantidade de feedbacks recebidos naquele atendimento.
  • Data
  • Ações — acesso ao detalhamento do atendimento.

Exportando atendimentos​

O botão "Exportar atendimentos", no canto superior direito, permite exportar em formato JSON ou XLSX os atendimentos filtrados na listagem.

Detalhamento de um atendimento​

Ao clicar na seta de expansão de um atendimento na listagem, você acessa a conversa completa, com:

  • Créditos consumidos no total da conversa, com o modelo de IA utilizado e a divisão entre tokens de Entrada e Saída.
  • O custo em créditos de cada mensagem individual, exibido junto à mensagem do usuário.
  • Metatags associadas à conversa.
  • Quando uma habilidade de busca é utilizada, o nome da habilidade acionada, a consulta (query) realizada e o retorno bruto da consulta — útil para entender por que o agente respondeu de determinada forma.

Interpretando o retorno da consulta​

A seguir, os principais casos de retorno ao analisar como o agente buscou informações para responder:

CASO 01 - O LLM realiza a busca no dataset de conhecimentos e retorna os registros elegíveis para a resposta.

Este é o caso ideal, onde podemos verificar que o LLM acessou o dataset e trouxe um conjunto de registros que atendem à configuração de pontuação mínima de pesquisa. Nesse caso, é possível visualizar, além do campo "query", o conjunto de registros retornados na busca.

CASO 02 - O LLM determina que não é necessário utilizar nenhuma lista de conhecimentos para responder.

Esse caso ocorre quando a descrição da lista de conhecimento não coincide com a pergunta do usuário. Isso não é um erro — indica apenas que não houve uso de recursos como dataset ou habilidades, e a resposta veio diretamente do modelo.

ALTERNATIVAS:

  • Verificar o nome e a descrição do Dataset (lista de conhecimento) para aumentar sua relevância em relação à pergunta do usuário.
  • Utilizar modelos com maior capacidade de raciocínio, como o GPT-5, para aumentar as chances de correspondência entre a pergunta do usuário e a descrição do dataset.

CASO 03 - O LLM realiza a busca na lista de conhecimentos (dataset), porém o dataset não retorna registros com pontuação suficiente.

Esse caso acontece devido ao parâmetro de pontuação mínima de pesquisa configurado no dataset, que filtrou todos os resultados. O detalhamento exibe o campo query, porém não exibe nenhum registro (pois nenhum registro foi retornado).