Use o Alibaba Cloud Model Studio e o Chat App Message Service para criar um assistente de IA para o WhatsApp com base na sua base de conhecimento corporativa, oferecendo customer service inteligente ou orientação de vendas 24 horas por dia, 7 dias por semana. Este tutorial orienta você no processo de configuração sem código, desde o upload de uma base de conhecimento em PDF/Excel e a criação de uma aplicação RAG até a integração com sua conta oficial do WhatsApp.
Políticas relacionadas
A partir de 15 de janeiro de 2026, a Meta proibirá a implantação de Chatbots de IA de Uso Geral na WhatsApp Business Platform (api). Essa política se aplica a novos usuários da api a partir de 15 de outubro de 2025. Para mais detalhes, consulte WhatsApp 2026 AI chatbot policy: Alibaba Cloud Chat App compliance guide.
Antes de começar
Prepare localmente os arquivos da sua base de conhecimento corporativa. A aplicação de modelo de linguagem grande usa esses arquivos como sua source de conhecimento. Você pode usar arquivos de dados não estruturados, como arquivos DOC, PDF, MD e TXT, ou arquivos de dados estruturados, como arquivos XLSX e XLS.
Arquivos da base de conhecimento corporativa:
|
Tipo de arquivo |
Descrição |
Exemplo |
|
Arquivo de dados não estruturados |
Arquivos do tipo documento para entrada sistemática de conhecimento. Esses arquivos são documentos completos, como manuais de product ou guias de usuário, que contêm conhecimento sistemático. O sistema os processa para extrair informações, permitindo que os usuários consultem detalhes. Os formatos suportados incluem DOC, PDF, MD e TXT. |
Por exemplo, um documento de product do Agentic Journey o descreve como uma ferramenta de edição visual que permite definir fluxos de conversa arrastando e soltando componentes funcionais em uma tela. Seus recursos incluem expansão de canal (suporte a canais principais como Viber, Instagram, WhatsApp e SMS), expansão de fluxo (uso de ramificações condicionais para integração profunda com sistemas de negócios), expansão de IA (fornecimento de recursos como reconhecimento de idioma e número de telefone) e expansão de marketing (acionamento de campanhas com base em perfis de usuário e tempo). |
|
Arquivo de dados estruturados |
Arquivos de perguntas e respostas para respostas diretas e específicas. Este formato usa pares de perguntas e respostas predefinidos para responder a perguntas específicas diretamente. Essa abordagem direcionada permite que os usuários obtenham respostas rapidamente sem ler documentos inteiros, pois o sistema usa esses pares de P&R para responder. Os formatos suportados incluem XLSX e XLS. |
Os arquivos de P&R no formato Excel são estruturados da seguinte forma: a Coluna A contém a pergunta, enquanto as Colunas B, C e D contêm a resposta 1, a resposta 2 e a resposta 3, respectivamente. Cada linha corresponde a uma única pergunta e suas múltiplas respostas possíveis. |
Procedimento
Etapa 1: crie uma aplicação RAG
Para obter as etapas detalhadas, consulte Build a Q&A application with zero code.
Você pode substituir o prompt elaborado na primeira etapa pelo seguinte:
Você é um especialista no product ChatFlow, especializado em responder a perguntas de clientes sobre seus recursos. Não responda a perguntas sobre nenhum outro tópico.
Forneça respostas concisas e precisas com base na base de conhecimento fornecida. Mantenha cada resposta com menos de 600 palavras e use emojis quando apropriado para adicionar um tom amigável.
Etapa 2: Configure o fluxo
Pré-requisitos
Você registrou uma conta Alibaba Cloud, concluiu a verificação de identidade corporativa e ativou o Chat App Message Service.
Você possui created and managed a WhatsApp channel.
Você possui registered and managed a WABA. A WABA está aprovada pelo WhatsApp e o número de telefone está conectado.
A plataforma CPaaS é ideal para provedores de service porque simplifica o gerenciamento e a distribuição. Para mais informações, consulte CPaaS platform.
Chat App Message Service
No Chat App Message Service, use o Agentic Journey e ative conversas inteligentes e de múltiplas interações impulsionadas por um modelo de linguagem grande.
Faça login no Chat App Message Service console. Na página Intelligent Customer Journey, em View Template, selecione Multi-turn dialogue with large language models (LLM).
Plataforma CPaaS
Na plataforma CPaaS, use o Agentic Journey e gerencie as transferências entre respostas inteligentes automatizadas e agentes humanos.
Faça login no CPaaS console. Na página Agentic Journey, em visualize Template, selecione Customer service with large language models and human agents.
As etapas a seguir são as mesmas tanto para o Chat App Message Service quanto para a plataforma CPaaS:
Na tela do Agentic Journey, localize o componente Generate Reply from LLM by Previous User Input.
-
No painel de configuração do Generate Reply from LLM by Previous User Input à direita, defina o Implementation Type como Application. Se você estiver usando o Alibaba Cloud Model Studio para o site da china, defina o Protocol como Dashscope e insira sua chave de api e o ID da aplicação (appId). Se você estiver usando o Alibaba Cloud Model Studio para o site internacional, defina o Protocol como Dashscope(International). Em seguida, clique em Create Flow.
NotaPara obter uma chave de api, consulte Obtain an api Key.
Para obter um ID de aplicação, consulte Obtain an APP ID and Workspace ID.
Etapa 3: Publique o Agentic Journey
-
Após criar o Agentic Journey, clique em Save and Publish e, em seguida, clique em Bind and Launch.
A caixa de diálogo Tips for Channel Binding é exibida. Essa caixa de diálogo explica que um fluxo sem um canal vinculado não pode ser acionado automaticamente por mensagens recebidas, mas ainda pode ser chamado a partir de outros fluxos usando o componente de encaminhamento de fluxo.
Na página Bind WABA, selecione sua Conta do WhatsApp Business e o número de telefone.
-
Seu assistente de IA para o WhatsApp agora está ativo e pronto para atender os usuários.
O Agentic Journey mostra que o fluxo de conversa está publicado e online como a Versão 1. O fluxo de trabalho se divide em duas ramificações com base na variável
userReply: a ramificação Replied e a ramificação Not replied. A ramificação Replied contém um nó condicional Check for Agent Transfer. Se uma transferência for necessária, o fluxo salta para um nó especificado. Caso contrário, ele executa os nós Send WhatsApp Typing Indicator e Generate Reply from LLM by Previous User Input em sequência, o que gera a variávelassistantOutput. O fluxo então faz um loop para enviar o conteúdo do LLM e iniciar o próximo turno de conversa. A ramificação Not replied envia uma mensagem de tempo limite. O painel lateral lista as variáveis disponíveis:incomingMessage,wabaId,wabaPhoneNumber,customerPhoneNumber,customerNameeincomingMessageType.