WhatsApp Chatbot API — ساخت مکالمات هوشمند

ساخت چت‌بات‌های مبتنی بر هوش مصنوعی، پاسخ‌دهنده‌های قاعده‌محور و جریان‌های مکالمه‌ای در واتس‌اپ. منطق خود را به API ما متصل کنید و مکالمات مشتریان را خودکار مدیریت کنید.

نحوه کار چت‌بات واتس‌اپ

یک چت‌بات واتس‌اپ سه جزء دارد: لایه اتصال، لایه پردازش و لایه پاسخ. API ما لایه اتصال را به‌طور کامل مدیریت می‌کند. شما لایه‌های پردازش و پاسخ را می‌سازید.

جریان ساده است:

1. مشتری به شماره واتس‌اپ شما پیامی می‌فرستد
2. API ما پیام را دریافت و به URL webhook شما هدایت می‌کند
3. کنترل‌کننده webhook شما پیام را پردازش می‌کند — اینجا جایی است که منطق چت‌بات شما قرار دارد
4. کنترل‌کننده شما API ما را فراخوانی می‌کند تا پاسخی به مشتری ارسال شود
5. مشتری پاسخ را در گفتگوی واتس‌اپ خود دریافت می‌کند

کل این چرخه معمولاً در کمتر از ۲۰۰ میلی‌ثانیه کامل می‌شود. مشتری پاسخ را تقریباً بلافاصله می‌بیند، که تجربه گفتگویی طبیعی ایجاد می‌کند.

الگوهای معماری چت‌بات

الگو ۱: بات ساده قاعده‌محور

ساده‌ترین چت‌بات از تطبیق کلمات کلیدی استفاده می‌کند. وقتی مشتری "پیگیری سفارش" را می‌فرستد، بات با لینک ردیابی سفارش پاسخ می‌دهد. وقتی "ساعات کاری" را می‌فرستد، بات با ساعات کاری پاسخ می‌دهد. این الگو برای بات‌های سبک پرسش‌وپاسخ خوب کار می‌کند و با کمتر از ۵۰ خط کد قابل پیاده‌سازی است.

# Python example - simple rule-based bot
def handle_message(message):
    msg = message.lower()
    if 'track' in msg or 'order' in msg:
        return 'Track your order here: https://example.com/track'
    elif 'hours' in msg:
        return 'We are open Mon-Fri, 9AM-6PM.'
    elif 'help' in msg:
        return 'Type: track, hours, or contact for support.'
    else:
        return 'I am not sure how to help. Type "help" for options.'

الگو ۲: بات مکالمه حالت‌دار

بات پیچیده‌تر، وضعیت مکالمه را ردیابی می‌کند. مشتری از یک جریان عبور می‌کند — انتخاب گزینه منو، ارائه اطلاعات، تأیید یک اقدام. هر گام به گام قبلی وابسته است. باید وضعیت مکالمه را ذخیره کنید (در پایگاه داده، Redis یا در حافظه) و هنگام پردازش هر پیام جدید به آن ارجاع دهید.

این الگو برای رزرو قرار ملاقات، ثبت سفارش، ارزیابی سرنخ و هر فرایند چندمرحله‌ای ایده‌آل است. بات سوالی می‌پرسد، منتظر پاسخ می‌ماند، سوال بعدی را می‌پرسد و همین‌طور تا تکمیل جریان ادامه می‌دهد.

الگو ۳: بات مبتنی بر هوش مصنوعی

webhook خود را به یک مدل هوش مصنوعی (OpenAI، Claude یا هر LLM) متصل کنید و اجازه دهید بات مکالمات آزاد را مدیریت کند. هوش مصنوعی پاسخ‌ها را بر اساس پرامپت سیستمی، پایگاه دانش و سابقه مکالمه شما تولید می‌کند. این روش برای پشتیبانی مشتریان، سوالات محصول و درخواست‌های عمومی فوق‌العاده خوب جواب می‌دهد.

// Node.js example - AI-powered bot
app.post('/webhook', async (req, res) => {
    const { message, from } = req.body.data;

    // Call your AI model
    const aiResponse = await openai.chat.completions.create({
        model: 'gpt-4',
        messages: [
            { role: 'system', content: 'You are a helpful support agent for...' },
            { role: 'user', content: message }
        ]
    });

    // Send the AI response back via WhatsApp
    await fetch('https://api2whats.com/send-text', {
        method: 'POST',
        headers: { 'Authorization': 'Bearer ' + API_KEY },
        body: JSON.stringify({
            to: from,
            message: aiResponse.choices[0].message.content
        })
    });

    res.json({ success: true });
});

الگو ۴: بات ترکیبی

کاربردی‌ترین رویکرد، ترکیب قواعد، وضعیت و هوش مصنوعی است. درخواست‌های ساده پاسخ‌های سریع قاعده‌محور می‌گیرند. درخواست‌های پیچیده هوش مصنوعی را فعال می‌کنند. اگر هوش مصنوعی نتواند مشکل را حل کند، مکالمه به کارشناس انسانی ارجاع می‌شود. این به شما سرعت قواعد، انعطاف‌پذیری هوش مصنوعی و تور ایمنی پشتیبانی انسانی را می‌دهد.

ساخت چت‌بات: گام به گام

گام ۱: راه‌اندازی اتصال API

حسابی بسازید، یک شماره واتس‌اپ متصل کنید و کلید API خود را بگیرید. URL webhook خود را در داشبورد یا از طریق API پیکربندی کنید. با بررسی گزارش‌های webhook، آزمایش کنید که پیام‌های ورودی به سرور شما می‌رسند.

گام ۲: طراحی جریان‌های مکالمه شما

مکالماتی را که بات شما باید مدیریت کند ترسیم کنید. با ۵ تا ۱۰ سوال رایج مشتریان شروع کنید. برای هر کدام مشخص کنید:

• چه چیزی جریان را فعال می‌کند (کلمات کلیدی، مقاصد یا دستورات مستقیم)
• بات چه سوالاتی می‌پرسد
• بات چه اطلاعاتی از مشتری نیاز دارد
• بات چه پاسخ یا اقدامی ارائه می‌دهد
• اگر بات نتواند کمک کند چه می‌شود (مسیر ارجاع)

گام ۳: پیاده‌سازی کنترل‌کننده webhook

یک endpoint س بنویسید که درخواست‌های POST از API ما را دریافت کند. پیام ورودی را تجزیه کنید، آن را از منطق چت‌بات خود عبور دهید و با استفاده از API ما پاسخی بفرستید. موارد خاص را مدیریت کنید: پیام‌های خالی، پیام‌های رسانه‌ای، پیام‌هایی از شماره‌های ناشناس.

گام ۴: آزمایش و بهبود

شماره شخصی خود را به‌عنوان نمونه آزمایشی متصل کنید. از گوشی دیگری به آن پیام بفرستید. همه جریان‌های مکالمه را آزمایش کنید. مطمئن شوید بات ورودی‌های غیرمنتظره را به‌خوبی مدیریت می‌کند. گزارش‌های webhook را برای خطا پایش کنید.

گام ۵: استقرار و پایش

کنترل‌کننده webhook خود را روی سرور production مستقر کنید. برای زمان پاسخ، نرخ خطا و نرخ تکمیل مکالمه پایش برپا کنید. از webhookهای وضعیت پیام برای ردیابی نرخ تحویل و خوانده شدن استفاده کنید.

کاربردهای چت‌بات واتس‌اپ

پشتیبانی مشتریان

رایج‌ترین درخواست‌های پشتیبانی را خودکار مدیریت کنید: وضعیت سفارش، سیاست‌های مرجوعی، ساعات کاری فروشگاه، سوالات حساب. حجم تیکت‌ها را ۴۰ تا ۶۰٪ کاهش دهید و هم‌زمان پاسخ فوری شبانه‌روزی ارائه کنید. مسائل پیچیده را با تمام زمینه مکالمه به کارشناسان انسانی ارجاع دهید.

تجارت الکترونیک

تأیید سفارش، به‌روزرسانی‌های ارسال و اعلان‌های تحویل را به‌طور خودکار بفرستید. به مشتریان اجازه دهید با ارسال شماره سفارش، سفارش خود را ردیابی کنند. بر اساس سابقه خرید محصول پیشنهاد دهید. مرجوعی‌ها و تعویض‌ها را از طریق جریان‌های مکالمه‌ای مدیریت کنید.

رزرو قرار ملاقات

به مشتریان اجازه دهید قرار ملاقات را مستقیماً در واتس‌اپ رزرو کنند. بازه‌های زمانی موجود را نمایش دهید، اطلاعات لازم را جمع‌آوری کنید، پیام تأیید بفرستید و جابه‌جایی قرار را مدیریت کنید. با سیستم تقویم خود یکپارچه شوید تا از رزرو هم‌زمان جلوگیری شود.

تولید سرنخ

سرنخ‌ها را از طریق جریان‌های مکالمه‌ای ارزیابی کنید. درباره بودجه، زمان‌بندی، نیازمندی‌ها و اندازه شرکت بپرسید. سرنخ‌ها را خودکار امتیازدهی کنید و سرنخ‌های واجد شرایط را به تیم فروش خود هدایت کنید. پیام‌های پیگیری را در بازه‌های زمانی از پیش تعیین‌شده بفرستید.

ابزارهای داخلی

برای تیم خود چت‌بات‌های داخلی بسازید. بات‌های راهنمای IT برای بازنشانی رمز عبور و بررسی وضعیت سیستم. بات‌های منابع انسانی برای پاسخ به سوالات سیاست‌ها. بات‌های عملیات برای گزارش سلامت سیستم و فعال‌سازی هشدارها.

بهترین شیوه‌ها

• پاسخ‌ها را کوتاه نگه دارید — واتس‌اپ پلتفرمی موبایل‌محور است. پاراگراف‌های طولانی نادیده گرفته می‌شوند. هر پاسخ را ۱ تا ۳ جمله نگه دارید.
• از پاسخ‌های سریع استفاده کنید — تا جایی که ممکن است، به‌جای سوالات باز، گزینه‌های شماره‌گذاری‌شده ارائه دهید ("برای وضعیت سفارش ۱، برای مرجوعی‌ها ۲ را بفرستید").
• همیشه راه خروجی بگذارید — هر جریان مکالمه باید راهی برای رسیدن به کارشناس انسانی داشته باشد. "برای گفتگو با کارشناس، واژه پشتیبانی را بفرستید."
• شخصی‌سازی کنید — از نام مشتری استفاده کنید و به سفارش یا حساب او ارجاع دهید. پیام‌های شخصی‌سازی‌شده ۳ تا ۵ برابر تعامل بیشتری دریافت می‌کنند.
• با کاربران واقعی آزمایش کنید — بات شما توسط آدم‌های واقعی با سوالاتی واقعی استفاده می‌شود که پیش‌بینی نکرده‌اید. زود و مکرر آزمایش کنید.
• پایش و بهبود — ردیابی کنید کدام پیام‌ها باعث سردرگمی یا رها کردن مکالمه می‌شوند. جریان‌های خود را بر اساس داده‌های استفاده واقعی اصلاح کنید.

پیشرفته: پشتیبانی چندزبانه

اگر مشتریان شما به چند زبان صحبت می‌کنند، چت‌بات شما نیز باید از آن‌ها پشتیبانی کند. دو رویکرد وجود دارد:

تشخیص زبان

زبان پیام ورودی را تحلیل و تشخیص دهید، سپس به همان زبان پاسخ دهید. برای بات‌های قاعده‌محور، مجموعه کلمات کلیدی جداگانه برای هر زبان نگه دارید. برای بات‌های مبتنی بر هوش مصنوعی، به مدل دستور دهید به زبان تشخیص‌داده‌شده پاسخ دهد.

انتخاب زبان

مکالمه را با درخواست از مشتری برای انتخاب زبانش آغاز کنید: "برای انگلیسی ۱، برای عربی ۲، برای اسپانیایی ۳ را بفرستید." این روش ساده‌تر از تشخیص خودکار پیاده‌سازی می‌شود و مطمئن‌تر است.

API ما از Unicode پشتیبانی می‌کند، بنابراین پیام‌ها به عربی، عبری، هندی، چینی و هر خط نوشتاری دیگری به‌خوبی کار می‌کنند. متن راست‌به‌چپ توسط خود کلاینت واتس‌اپ مدیریت می‌شود.

یکپارچه‌سازی با مدل‌های هوش مصنوعی

قدرتمندترین چت‌بات‌ها از مدل‌های زبانی بزرگ برای تولید پاسخ‌ها استفاده می‌کنند. نحوه یکپارچه‌سازی مدل‌های محبوب هوش مصنوعی به این شرح است:

OpenAI (GPT-4)

پیام واتس‌اپ ورودی را همراه با پرامپت سیستمی که کسب‌وکار شما و نحوه پاسخ بات را توصیف می‌کند، به OpenAI API بفرستید. سابقه مکالمه را برای زمینه ارسال کنید. پاسخ هوش مصنوعی را از طریق API ما به مشتری برگردانید.

Claude (Anthropic)

مشابه یکپارچه‌سازی با OpenAI. Claude در مکالمات ظریف و پیروی از دستورالعمل‌های پیچیده عالی است. از Messages API با پرامپت سیستمی متناسب با کاربرد خود استفاده کنید.

مدل‌های محلی

برای کسب‌وکارهایی که به حریم خصوصی داده نیاز دارند، یک LLM محلی (مثل Llama یا Mistral) را روی سرورهای خودتان اجرا کنید. الگوی یکپارچه‌سازی همان است — دریافت پیام، ارسال به مدل محلی، برگرداندن پاسخ.

ملاحظات هزینه: بات‌های مبتنی بر هوش مصنوعی به‌ازای هر مکالمه هزینه بیشتری نسبت به بات‌های قاعده‌محور دارند، اما طیف بسیار گسترده‌تری از درخواست‌ها را مدیریت می‌کنند. برای ۲۰ درخواست اصلی با روش قاعده‌محور شروع کنید و هوش مصنوعی را برای بقیه موارد اضافه کنید.