Customer Support Agent

Customer Support Agent

Quand utiliser ce skill

Conçois un agent de support client autonome qui répond aux questions fréquentes via RAG, classe les intentions, gère l'empathie conversationnelle, escalade vers un humain selon des règles explicites, et s'intègre au CRM/ticketing. Applicable à tout secteur à fort volume : SaaS, e-commerce, télécoms, fintech, services.

Stack de référence 2026

| Couche | Options recommandées | |--------|----------------------| | Orchestration | LangGraph, Rasa Pro, CrewAI | | RAG | LlamaIndex + pgvector, Weaviate, Pinecone | | Embeddings | text-embedding-3-small (OpenAI), Cohere embed-v4 | | LLM réponse rapide | Claude Haiku 3.5 | | LLM question complexe | Claude Sonnet 4 | | CRM/Ticketing | Zendesk, Intercom, Freshdesk, HubSpot | | Canaux | Chat web, Email (Sendgrid), WhatsApp Business, Slack B2B |

Workflow en étapes

1. Définir l'architecture (Jour 1)

Cinq composantes obligatoires :

• RAG : pipeline d'indexation + query sur la knowledge base
• State machine : gestion de l'état de conversation (topic, turns, résolution)
• Classifieur d'intention : sujet + sentiment + urgence
• Moteur d'escalade : règles déterministes + score de confiance
• Connecteur CRM : lecture contexte client + écriture ticket/activité

Choix d'architecture selon le cas d'usage :

| Besoin | Architecture | |--------|-------------| | Chat temps réel ( tuple[str, float]: response = queryengine.query(question) score = response.sourcenodes[0].score if response.source_nodes else 0.0 return str(response), score

Mise à jour de l'index : webhook sur chaque commit de la doc → re-indexation incrémentale, pas full rebuild.

### 3. Classification d'intention

Prompt de classification structuré (JSON forcé) :

```python
CLASSIFY_PROMPT = """
Analyse ce message client et retourne UNIQUEMENT ce JSON :
{
  "topic": "billing|bug|feature|account|shipping|legal|other",
  "sentiment": "positive|neutral|frustrated|angry",
  "urgency": "blocking|high|low",
  "response_type": "information|action|escalate"
}
Message : {message}
"""

Règle de routing rapide :

• sentiment=angry + urgency=blocking → escalade immédiate
• topic=legal ou topic=billing (montant > seuil) → escalade immédiate
• response_type=information + score RAG ≥ 0.75 → réponse autonome
• score RAG str:

ctx = crm.getcustomer(customerid) tickets = crm.getrecenttickets(customer_id, limit=3) return f"""Tu es l'assistant support de {company}. Client : {ctx['name']} — Plan : {ctx['plan']} — Inscrit depuis : {ctx['since']} Derniers tickets : {tickets} Adapte ton niveau de service au plan. Ne répète pas ce que le client a déjà dit."""

Données utiles à injecter : plan (free/premium/enterprise), historique tickets (3 derniers), produits actifs, préférences langue, SLA applicable.

### 6. Règles d'escalade (déterministes en priorité)

Escalade **immédiate** (sans LLM) :
- Sujet = `legal`, `churn_threat`, `data_privacy`
- Remboursement > seuil configuré (ex. 200 €)
- Client demande explicitement un humain
- Même problème signalé ≥ 3 fois sans résolution

Escalade **automatique** (basée sur scoring) :
- Score de confiance RAG  bool:
    return (
        state.intent.topic in ESCALATE_TOPICS
        or state.rag_score = 2
        or state.sentiment == "angry" and state.unresolved_turns >= 2
        or state.explicit_human_request
    )

Handoff vers humain : envoyer résumé structuré (intention, sentiment, tentatives, contexte client, historique complet).

7. Intégration CRM et ticketing

# Zendesk — création ticket à la clôture ou escalade
def create_ticket(conv: Conversation) -> dict:
    return zendesk.tickets.create({
        "subject": f"[Agent] {conv.intent.topic} — {conv.customer_name}",
        "comment": {"body": conv.summary()},
        "priority": "urgent" if conv.intent.urgency == "blocking" else "normal",
        "tags": [conv.intent.topic, conv.intent.sentiment, "auto-agent"],
        "custom_fields": [{"id": FIELD_AGENT_HANDLED, "value": not conv.escalated}]
    })

Connecteurs disponibles : Zendesk REST API v2, Intercom API v2.11, Freshdesk v2, HubSpot Conversations API. Actions autorisées par défaut : créer/lire/MAJ ticket, logger activité CRM, envoyer email de suivi. Actions nécessitant approbation humaine : remboursement, suppression compte, modification contrat.

8. Guardrails et tone of voice

System prompt à toujours inclure :

INTERDIT : inventer une information, promettre un délai non confirmé,
dénigrer la concurrence, divulguer des données d'autres clients,
répondre à une question hors support (politique, religion, etc.).
En cas de doute : escalade, ne pas improviser.

Filtre de sortie (post-LLM) : regex sur numéros de carte, mots interdits, mentions de noms d'employés internes. Logge chaque réponse filtrée pour audit.

9. Métriques et alertes

| Métrique | Cible | Alerte si | |----------|-------|-----------| | Containment rate | > 70 % | 4.0 / 5 | 30 s | | Taux d'escalade | 40 % | | Faux positifs classification | 10 % |

Instrumente avec OpenTelemetry : trace par conversation, span par étape (RAG query, classify, CRM call, LLM call).

Anti-patterns et pièges

• Confiance aveugle dans le RAG : un score élevé ne garantit pas la pertinence si la question est ambiguë. Ajoute toujours une étape de reformulation avant la query.
• State machine implicite : gérer l'état dans le prompt seul (sans structure externe) mène à des incohérences sur les conversations longues. Utilise un store explicite (Redis, DB).
• Escalade trop tardive : ne pas escalader par peur de "gaspiller" un agent humain coûte plus cher en CSAT dégradé. Calibre les seuils sur données réelles, pas au doigt mouillé.
• Pas de handoff structuré : l'agent humain qui reçoit la conversation sans résumé perd du temps et redemande au client. Le résumé est obligatoire.
• Guardrails uniquement côté prompt : un prompt peut être contourné. Ajoute un filtre de sortie programmatique pour les données sensibles.
• Index RAG jamais rafraîchi : une base de connaissance obsolète de 3 mois génère des réponses erronées. Automatise la re-indexation sur chaque push docs.
• Même modèle pour tout : Haiku pour les questions simples et le streaming, Sonnet pour l'analyse complexe et la classification. Mixer économise 60-70 % de coût LLM.

Checklist de mise en production

• [ ] Index RAG validé sur 50 questions de test avec score ≥ 0.75
• [ ] Classifieur testé sur 200 messages réels (precision ≥ 90 %)
• [ ] Règles d'escalade relues par l'équipe support métier
• [ ] Guardrails filtre de sortie activé et loggé
• [ ] Intégration CRM testée : lecture + écriture ticket en staging
• [ ] Métriques Prometheus/Grafana opérationnelles
• [ ] Plan de rollback : fallback vers formulaire statique si agent down
• [ ] Revue RGPD : aucune donnée client stockée dans les logs LLM bruts

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: khalilbenaz
• Source: khalilbenaz/claude-skills-collection
• License: MIT
• Homepage: https://khalilbenaz.github.io/claude-skills-collection/

Install and usage instructions live in the source repository linked above.