در عصر دیجیتال و تحول چهارم صنعتی، بهره‌گیری از ابزارهای هوشمند و خودکار برای برقراری ارتباط با مشتریان و
ارائه‌ی خدمات بهینه، به یک ضرورت اجتناب‌ناپذیر برای کسب‌وکارها تبدیل شده است.
یکی از مهم‌ترین ابزارهای نوین در این زمینه، چت‌بات‌های مبتنی بر هوش مصنوعی هستند که با هدف تعامل بلادرنگ، شبانه‌روزی و دقیق با کاربران طراحی می‌شوند.
با افزایش پیچیدگی نیازهای کاربران و انتظارات بالای آن‌ها از خدمات پشتیبانی، توسعه‌ی چت‌بات‌هایی که قادر به درک زبان طبیعی و ارائه‌ی پاسخ‌های معنادار و منطبق با سیاست‌های سازمانی باشند،
اهمیت روزافزونی یافته است.
در این میان، پلتفرم n8n با رویکرد متن‌باز و قابلیت اتصال به بیش از ۳۰۰ سرویس خارجی از طریق API، ابزاری توانمند برای طراحی گردش‌کارهای پیچیده فراهم آورده است.
همچنین، مدل‌های زبانی پیشرفته مانند DeepSeek توانسته‌اند تحولی اساسی در توانایی ماشین‌ها در تحلیل و تولید زبان انسانی ایجاد کنند
. تلفیق این ابزارها بستری را فراهم کرده تا بتوان چت‌بات‌هایی کاملاً ماژولار، هوشمند و دقیق طراحی کرد.
هدف اصلی این پروژه، طراحی، پیاده‌سازی و استقرار یک سامانه چت‌بات هوشمند
بر بستر n8n و DeepSeek است که بتواند با اتصال به ابزار گفت‌وگو (نظیر گفتینو)
به‌صورت آنی و هدفمند به سؤالات کاربران پاسخ دهد. این سامانه باید:
• از طریق Webhook ورودی دریافت کند؛
• پیام را به LLM منتقل کرده و پاسخ را بازگرداند؛
• با APIهای ابزار چت در ارتباط باشد؛
• از یک پرامپت تخصصی و بومی‌شده استفاده کند؛
• کاملاً منطبق با سیاست‌های شرکت «نسیم ارتباط آینده» عمل نماید.
پیاده سازی
در این فصل، مراحل اجرایی پیاده‌سازی سامانه چت‌بات هوشمند به‌صورت گام‌به‌گام ارائه میشود. تمرکز اصلی بر نصب و راه‌اندازی سرویس n8n ، ساخت گردش‌کار (Workflow)، اتصال به مدل هوش مصنوعی DeepSeek، و برقراری ارتباط با ابزار گفت‌وگویی گفتینو از طریق API خواهد بود.
وارد محیط n8n میشویم و یک محیط کاری جدید به اسم چت بات میسازیم.
برای شروع ساخت گردش‌کار در n8n، ابتدا با کلیک بر روی گزینه Add First Step، نخستین گام تعریف میشود که آغازگر جریان اتوماسیون ما خواهد بود.
پس از این مرحله، با مجموعه‌ای از کامپوننت‌ها و نودهای مختلف روبه‌رو میشویم که هرکدام
به منظور انجام یک وظیفه خاص طراحی شده‌اند.
و می‌توانند در سناریوهای متنوع مورد استفاده قرار بگیرند.
نود اول: Webhook
نود ابتدایی که در این پروژه مورد استفاده قرار می‌گیرد، نود Webhook است که وظیفه ارسال و دریافت درخواست‌ها را برعهده دارد. این نود نقطه ورود اطلاعات به گردش‌کار بوده و پل ارتباطی بین دنیای بیرون و فرآیندهای داخلی n8n محسوب میشود. تنظیمات کلیدی این نود به شرح زیر میباشد تا عملکرد بهینه و هماهنگ با نیاز پروژه تضمین گردد:
• : HTTP Method به منظور ارسال داده‌ها به هوش مصنوعی، این گزینه بر روی POST تنظیم میشود تا درخواست‌ها به صورت استاندارد و با متد مناسب به سمت سیستم ارسال شوند.
• :Path این بخش مسیر دسترسی به Webhook را مشخص میکند. در این پروژه، مسیر را به صورت :chatbot انتخاب میکنیم تا درخواست‌ها به این نقطه هدایت شوند.
• :Authentication در این مرحله، گزینه احراز هویت یا رمزنگاری انتخاب میشود. از آنجایی که پروژه نیازمند محدودیت دسترسی نیست، این گزینه بر روی None تنظیم میشود.
• :Response Mode نحوه پاسخگویی به درخواست‌های ورودی مشخص میگردد. این گزینه را بر روی Using Respond Webhook Node قرار میدهیم تا پس از دریافت درخواست، Webhook به صورت خودکار پاسخ مناسب را ارسال نماید.
نود دوم: AI Agent و نقش آن به عنوان یک مدل زبانی بزرگ (LLM)
نود بعدی که باید به گردش‌کار اضافه شود، نود AI Agent است. این نود در واقع نقش اصلی مدل زبانی بزرگ Large Language Model - LLM را ایفا میکند و قادر است با بهره‌گیری از الگوریتم‌ها و شبکه‌های عصبی پیچیده، متون ورودی را تحلیل، پردازش و پاسخ‌هایی متناسب و هوشمندانه ارائه دهد.
قابلیت‌های AI Agent: این نود با فراهم‌کردن امکان پرامت‌نویسی (Prompt Engineering) و آموزش‌های سفارشی، قابلیت سفارشی‌سازی و تربیت مدل هوش مصنوعی را داراست. به این ترتیب میتوان بر اساس نوع داده‌ها و کاربردهای خاص، مدل را به نحوی تنظیم کرد که دقیق‌تر و هوشمندانه‌تر پاسخ دهد.
در بخش Chat Model، باید مدل هوش مصنوعی مرتبط را انتخاب کنیم که در پروژه ما مدل DeepSeek است.
- اتصال به این مدل مستلزم داشتن API Key معتبر از سرویس دهنده هوش مصنوعی است که باید از پلتفرم مربوطه دریافت شود.
- در تنظیمات، بخش Source for Prompt (User Message) را به حالت Define Below تغییر میدهیم تا بتوانیم ورودی کاربران را به صورت داینامیک به مدل ارسال کنیم.
- سپس پرامت اصلی (متنی که کاربر ارسال میکند) را به عنوان ورودی مدل تعریف میکنیم.
نود AI Agent به عنوان یک LLM این امکان را فراهم میکند که سیستم نه تنها پاسخ‌های از پیش تعیین شده را ارائه دهد، بلکه بتواند با درک معنایی عمیق‌تر و توانایی تولید زبان طبیعی، تعاملات پیچیده‌تری را با کاربر داشته باشد. این قابلیت برای ساخت چت‌بات‌ها، سیستم‌های پشتیبانی هوشمند، و اتوماسیون‌های گفتاری اهمیت ویژه‌ای دارد.
تست و اعتبارسنجی Webhook با نرم‌افزار Postman:
برای اطمینان از عملکرد صحیح Webhook و نحوه دریافت داده‌ها، لازم است که فرآیند ارسال پیام به صورت داینامیک تست شود. برای این منظور از نرم‌افزار Postman استفاده میکنیم که ابزاری قدرتمند جهت ارسال درخواست‌های API و تست آنهاست.
• ابتدا با دوبار کلیک روی نود Webhook ، URL اختصاصی آن را مشاهده میکنیم.
• این URL را به عنوان مقصد ارسال درخواست در نرم‌افزار Postman تنظیم میکنیم.
• سپس یک درخواست از نوع POST با داده‌های آزمایشی به این URL ارسال میکنیم تا ساختار پاسخ دریافتی فرمت JSON استخراج و بررسی شود.
با انجام این مراحل، امکان اصلاح و بهبود گردش‌کار به منظور دریافت و پردازش دقیق‌تر پیام‌های ورودی فراهم میشود و تعامل بین سیستم‌های مختلف به صورت بهینه انجام خواهد شد.
سپس به نود هوش مصنوعی خود برمیگردیم و با همچین صحنه ای رو به رو میشویم و خروجی خودمان را خواهیم دید:
در اینجا ما پیامی که ارسال کردیم را میبینیم .
حال چگونه جواب هوش مصنوعی خود را ببینیم؟
برای این مورد به قسمت output این نود باید رفت و خروجی آن را دید که به این صورت میباشد:
حال چگونه هوش مصنوعی ما به این سبک جواب داده است؟
جواب آن آموزش و پرامت نویسی و مهندسی پرامت بر روی هوش منصنوعی میباشد، که به هوش مصنوعی خود آموزش بدهیم که چگونه پاسخگو باشد و باید جه کارهایی بکند.
که شما بسته به نیاز خود میتوانید تغییرات را با پرامت نویسی درست انجام بدهید.
حال باید اتصال هوش مصنوعی و گفتینو خود را برقرار کنیم که پیام کاربر از گفتینو به هوش مصنوعی ما برسد و سپس عملیات پردازش صورت گیرد و بعد مجددا به سمت خود گفتینو پیام خروجی برگردد.
مجددا انجام این موارد با API انجام میشود، بعد از ثبت نام و تهیه ی این ابزار میتوان API اش را فعال سازی کرد.
که این مورد به این صورت میباشد:
در تنظیمات سامانه و قسمت API به این صحنه خواهیم رسید که کلید ما را داده است.
کلید را کپی میکنیم و بعدا برای کار استفاده میکنیم.
قسمت زیرین آن که آدرس Webhook در آن نوشته شده است آدرس وب هوک ما میشود که وقتی شروع به ساخت و تست کردن کردیم آن را قرار دادیم.
به عنوان مثال تنظیمات ما به این صورت است:
بعد از انجام این موارد نیاز است که مجددا به صفحه ی هوش مصنوعی خود برگردیم و این بار از نود http request استفاده کنیم ، زیرا قرار است پیام ها را به صفحه ی چت مجددا برگردانیم.
ابتدا آن را اضافه میکنیم و تنظیمات آن را به این صورت قرار میدهیم:
متود و یا نوع آن را روی ارسال قرار میدهیم زیرا قرار است که پیام خروجی را به سمت کاربر ارسال بکنیم.
سپس در قسمت لینک آن باید محل ارسال آن API را قرار بدهیم ، در مستندات هر مجموعه این مورد قرار دارد.
سپس قسمت send headers را فعال میکنیم و تنظیمات را به این صورت قرار میدهیم:
در اینجا باید اسمی که مستندات مشخص کرده را قرار بدهیم و در قسمت مقدار آن API که کپی کرده بودیم را قرار میدهیم.
سپس مجددا send body را در تنظیمات فعال میکنیم و تنظیمات را به این صورت قرار میدهیم:
در اینجا باید نوع اطلاعات را روی json قرار بدیم و سپس نوع بدنه را روی specify قرار میدهیم تا محتویات پیام را در آن قرار بدهیم.
در قسمت اسم آن باید باز از مستندات مطالعه شده اسم آن را قرار بدهیم ، که برای ما به این گونه بوده است ؛ سپس در قسمت محتوا باید خروجی هوش مصنوعی خودمان را بکشیم و در آن قرار بدیهم تا به صورت فایل json نوشته شود.
اینجوری متن به صورت داینامیک به همان چیزی که هوش مصنوعی ما پاسخ داده است هربار تغییر میکند.
در آخر باید تنظیمات دیگر آن را به این صورت قرار داد تا همه چیز تکمیل گردد:
برای اینکه پیام به کاربر ارسال گردد در گفتینو نیاز به چت آیدی و اپراتور آیدی نیاز دارد که این موارد در خود سایت گفتینو قرار داده شده است.
بعد از قرار دادن همه ی این ها تنها یک کار دیگر میماند که انجام شود.
به هوش مصنوعی خود برمیگردیم و این بار از نود respond to webhook استفاده میکنیم تا مجددا این پیام به webhook اصلی خود برگردد تا آماده ی دریافت پیام های بعدی از سمت کاربر شود.
در اینجا نوع پاسخگویی آن را روی متن قرار میدهیم و بدنه ی پاسخگویی را مجددا خروجی قبلی قرار میدهیم تا باز هم به صورت داینامیک از کاربر این مورد تغییر کند.
در مرحله ی آخر باید گفتینو را روی وب سایت خودمان بالا بیاوریم که این مورد توسط اسکریپت داده شده از گفتینو انجام گردیده است، که این اسکریپت به این صورت قرار داده شده است:
در اینجا با کپی کردن این کد در سایت ابزارک گفتینو برای ما فعال میگردد.
که بعد از قرار دادن آن علامت آن روی صفحه ای که قرار داده شده است ظاهر میگردد.
حال اگر همه چیز درست انجام شده باشد میتوان ربات خود را تست کرد.
به سایت قرار داده شده میشویم و ابزارک چت را باز میکنیم و سپس با آن چت میکینم.
پیام دریافت میشود و به سمت هوش مصنوعی ما میرود پاسخ ساخته میشود و مجددا این پاسخ به عنوان جواب آن پیام برای کاربر ارسال میگردد.
تنها در چند ثانیه این موراد انجام میشود.
برای تست به او پیام بدهیم:
در اینجا پیام که ارسال میشود تمام روند گفته شده به صورت خودکار انجام میشود و پاسخ ارسال میگردد.
حال اگر سوال دیگری از او بپرسیم:
یا یک سوال تخصصی در زمینه ی ویپ از ان:
سپس در ادامه ی متن مقایسات و مزایا و معایب هر دو و استفاده ی آن در سیموتل و پیشنهاد آن را برای کاربر ارسال کرده است.
فرایند پیاده‌سازی سامانه چت‌بات به صورت عملی و مرحله‌به‌مرحله انجام شد.
از نصب زیرساخت‌های پایه گرفته تا طراحی پرامپت و اتصال API های لازم، تمامی مراحل با موفقیت اجرا گردید.
نتیجه، یک سامانه‌ی هوشمند، سریع و دقیق برای پاسخگویی بلادرنگ به کاربران خواهد بود .