cerebro-vip INEMA.CLUB
início › INEMA.N8N

Aula e62 do INEMA.N8N sobre construção de um sistema de suporte…

INEMA.N8N · 2025-11-20 · ~14 min · ver no Telegram ↗

INEMA

escalável * modular

Em poucas semanas, o suporte vira “quase 100% IA”.

🚀 HACK 1 — IA só responde quando tiver CERTEZA (Regra dos 0.85)⌗

O segredo para NÃO ter resposta errada:

  • Só deixe a IA responder quando confianca >= 0.85.
  • Abaixo disso → humano entra.
  • Evita besteiras e mantém a qualidade do suporte.

👉 90% dos erros de IA somem com essa regra.

🚀 HACK 2 — Dupla Base de Conhecimento (RAG + FAQ HUMANAS)⌗

Não use só documentos formais!

Crie duas camadas de conhecimento:

  1. RAG oficial → PDFs, políticas, manuais, tutoriais
  2. FAQ HUMANAS (FAX) → tudo que o time respondeu

💡 Isso dobra a precisão do sistema porque:

  • O que o cliente realmente pergunta raraaaamente está no manual.
  • Mas o humano já respondeu isso antes.

🚀 HACK 3 — Cada resposta do humano TREINA a IA⌗

Transforme o suporte em um “treinamento contínuo”. Cada vez que o humano responde:

  • salvar pergunta
  • salvar resposta
  • criar embedding
  • enviar para Supabase
  • virar parte do RAG automaticamente

👉 Depois de 2 semanas você reduz suporte manual em até 40%.

🚀 HACK 4 — Refinador de TOM (IA arruma a resposta do humano)⌗

Nunca envie ao cliente a resposta crua do agente.

Use um agente IA que:

  • reescreve com tom profissional
  • corrige erros
  • organiza
  • deixa bonito
  • melhora clareza

Resultado? Parece que a empresa tem atendimento nível “Apple”.

🚀 HACK 5 — Anexos = Novos Documentos da Empresa⌗

Se o humano mandar um PDF explicativo → isso é ouro.

Faça:

  • Extrair texto
  • Criar embedding
  • Subir para DocumentosEmpresa

📌 Assim, da próxima vez, a IA responde automaticamente sem anexos.

🚀 HACK 6 — Logue QUEM respondeu (Bot vs Humano)⌗

Crie coluna: quem_respondeu = bot | humano

Por quê?

  • Você sabe quantas respostas a IA salvou.
  • Pode medir evolução semanal.
  • E entender quais temas ainda dependem de humanos.

👉 Métrica vital para melhorar o sistema.

🚀 HACK 7 — Formatação HTML nas respostas⌗

E-mail bonito vende mais credibilidade.

Faça o agente gerar:

  • Negrito
  • Títulos
  • Call to action
  • Separadores

Exemplo:

```

Olá!

Aqui está a explicação detalhada que você pediu:

  • Passo 1...
  • Passo 2...

```

Fica MUITO mais profissional.

🚀 HACK 8 — Prompt com exemplos reais de boas respostas⌗

Isso TURBINA a IA.

Inclua no prompt:

  • 3 respostas perfeitas que você gostaria que a IA imitasse
  • tom desejado
  • formato

A IA passa a replicar esse estilo SEMPRE.

🚀 HACK 9 — Etiquetas inteligentes no RAG⌗

Sempre suba metadados como:

  • produto
  • módulo
  • dificuldade
  • etapa do processo
  • público

Isso ajuda a IA a encontrar respostas com mais precisão.

🚀 HACK 10 — Perguntas frequentes viram “atalhos” no RAG⌗

Sempre que perceber que uma pergunta se repete:

  • transforme em um mini-doc
  • salve na base FAX

A IA passa a acertar em 1 segundo.

🚀 HACK 11 — Para WhatsApp, crie mensagens de “estamos revisando”⌗

WhatsApp exige IMEDIATISMO.

Crie frases automáticas como:

  • “Estamos verificando sua dúvida com um especialista. Já te chamamos!”
  • “Estamos analisando sua solicitação. Um momento!”

Isso mantém a experiência suave enquanto o humano responde.

🚀 HACK 12 — NUNCA deixe a IA inventar⌗

No prompt do agente de resposta:

“Se você não tiver contexto suficiente, diga explicitamente que NÃO sabe.”

Simples → Acaba com respostas alucinadas.

🚀 HACK 13 — Use o resumo curto (10 palavras) para tudo⌗

O resumo do classificador é uma arma secreta:

  • organiza o log
  • ajuda na busca
  • melhora as embeddings

Sempre salve esse mini-resumo.

🚀 HACK 14 — A IA aprende mais rápido quando o humano envia anexos⌗

Arquivos criam muito mais conteúdo que uma simples frase. Então incentive o time de suporte:

➡️ "Anexe sempre o documento relacionado ao tema!"

🚀 HACK 15 — Deixe o fluxo PREPARADO para crescer sozinho⌗

Esse sistema é exponencial:

  • quanto mais perguntas → mais conhecimento
  • quanto mais conhecimento → mais IA responde sozinha

Configure tudo para ser:

  • automático *

tiver contexto ou confianca < 0.85:

* Use nó **Send & Wait Message** (n8n):

  * Destinatário: equipe de suporte (e-mail interno ou interface do n8n)
  * Mensagem:

    * “Equipe de suporte, recebemos esta pergunta do cliente X:
      [texto original].
      A IA não tem informação suficiente.
      Por favor, responda e opcionalmente anexe um arquivo explicativo.”
  * Campos do formulário:

    * `resposta_oficial` (textarea, obrigatório)
    * `arquivo_explicativo` (arquivo, opcional)

7. Quando o humano responde⌗

  1. O fluxo é retomado quando o Send & Wait recebe a resposta:

    • Você agora tem:

    • Texto da resposta humana.

    • Opcionalmente, arquivo anexado (PDF, doc, etc.).

7.1. Subir resposta humana para a base FAQ (FAX)⌗

  1. Crie nó Supabase Vector Store – Insert em FAQClientes:

    • Pergunta: texto do cliente (do Gmail Trigger)
    • Resposta: texto do humano (do formulário)

    • Metadata:

    • tipo, subtipo, prioridade, sentimento, resumo

    • tags que achar úteis
    • Embedding: gere com OpenAI Embeddings 3 Small e salve.

7.2. Se houver arquivo anexo⌗

  1. Use um nó tipo Extract from PDF (ou outro parser):

    • Entrada: arquivo enviado pelo agente.
    • Saída: texto extraído.

  2. Adicione outro nó Supabase Vector Store – Insert em DocumentosEmpresa:

    • conteudo: texto extraído
    • titulo: algo como “Doc suporte – [tema]”
    • tags: produto, módulo, etc.
    • embedding: novamente com Embeddings 3 Small.

8. Refinar o tom da resposta antes de enviar ao cliente⌗

  1. Adicione um Agente Refinador de Tom (IA):

    • Entrada:

    • resposta_oficial do agente humano.

    • (Opcional) contexto: sentimento do cliente + prioridade.

    • System prompt:

    • “Você é um editor de comunicação de atendimento ao cliente. Reescreva a mensagem para:

      • Tom profissional, claro e empático
      • Português correto
      • Mantendo o mesmo conteúdo.”
        • Peça o resultado em texto pronto para e-mail (idealmente em HTML).

  2. Nó Gmail – Reply:

    • messageId: do e-mail original
    • Corpo: resposta refinada pelo agente.

  3. Registre no LogInteracoes:

    • Mesmo que antes, mas agora:

    • quem_respondeu = "humano"

9. Ciclo de aprendizado contínuo⌗

  1. A partir desse ponto:

    • Essa pergunta + resposta humana já estão na tabela FAQClientes.

    • Na próxima vez que alguém perguntar algo parecido:

    • O RAG consulta DocumentosEmpresa + FAQClientes.

    • Encontra a resposta.
    • tem_contexto = true, confianca alta → IA responde sozinha.

O sistema entra em um ciclo:

Cliente pergunta → IA tenta responder Se não consegue → humano responde → resposta vai para o RAG Futuras perguntas iguais/parecidas → IA responde direto.

10. Melhorias extras (opcionais)⌗

  • Trocar todas as respostas finais para HTML com formatação.
  • Adicionar campos de produto / módulo / idioma na classificação.

  • Conectar o mesmo fluxo ao WhatsApp:

  • A lógica é a mesma, mas:

    • Precisará de mensagens de “estamos verificando com o time humano”.
    • SLA mais curto.
    • Criar dashboards com:

  • % de respostas automáticas vs humanas.

  • Tempo médio de resposta.
  • Temas mais recorrentes.

PASSO A PASSO

1. Preparar o ambiente⌗

  1. Ferramentas que você vai usar
  • n8n (ou outro orquestrador de fluxo)
  • Gmail (caixa de e-mail de suporte)
  • Supabase (ou outro banco + Vector Store)
  • Modelo de IA (ex: Gemini 2.5 Flash + OpenAI Embeddings 3 Small)
  1. Criar bases no banco (Supabase, por ex.)

  • DocumentosEmpresa

    • campos: id, conteudo, titulo, tags, embedding

    • FAQClientes (FAX)

    • campos: id, pergunta_cliente, resposta_agente, metadata, embedding

    • LogInteracoes

    • campos: id, data, email_cliente, tipo, subtipo, sentimento, prioridade, resumo, quem_respondeu (bot/humano), id_mensagem

2. Subir o conhecimento inicial para o RAG⌗

  1. Pegue os documentos da empresa (PDFs, manuais, políticas etc.).
  2. Crie um fluxo separado em n8n:
  • Nó de upload/leitura de arquivos
  • Nó de extração de texto (PDF Extractor) se necessário
  • Nó de Embeddings (OpenAI Embeddings 3 Small)
  • Nó de Supabase Vector Store – insert em DocumentosEmpresa 5. Depois disso, seu RAG já tem uma base inicial de conhecimento da empresa.

3. Fluxo principal de Suporte (e-mail)⌗

3.1. Entrada do e-mail⌗

  1. Crie um workflow no n8n com:

  • Nó Gmail Trigger

    • Caixa: suporte@empresa.com
    • Checagem a cada 30 minutos (ou menos, se quiser)
    • Esse nó entrega: remetente, assunto, corpo do e-mail.

3.2. Guardrails (anonimização)⌗

  1. Adicione o nó Guardrails / Sanitize Text:
  • Entrada: corpo do e-mail.
  • Regra: remover/anonimizar dados sensíveis (nome completo, CPF, telefone, etc.).
  • Saída: texto limpo que será usado pela IA.

4. Classificação automática do pedido⌗

  1. Adicione um Agente Classificador (IA):
  • Modelo: Gemini 2.5 Flash (ou similar).

  • System prompt:

    • “Você é um classificador de suporte sênior. Sua tarefa é classificar o e-mail em:

    • tipo: suporte técnico / faturação / vendas / legal / cancelamento / outro

    • subtipo: mais específico se precisar
    • prioridade: alta / média / baixa
    • sentimento: positivo / neutro / negativo / urgente
    • resumo: frase de até 10 palavras resumindo o pedido.”
    • Peça a saída em JSON estruturado. 9. Guarde esse JSON para usar:

  • Tipo, subtipo, sentimento, prioridade, resumo.

5. Busca no RAG (empresa + FAQ humanas)⌗

  1. Adicione um Agente de Busca/Resposta (RAG Agent):

    • Prompt:

    • “Responda APENAS com base no contexto fornecido.”

    • “Use SEMPRE as duas fontes:

      • DocumentosEmpresa

      • FAQClientes (FAX)”

        • “Se não encontrar a resposta, NÃO invente.”
        • “Retorne:

      • resposta

      • tem_contexto (true/false)
      • confianca (0 a 1)
      • raciocinio (texto curto explicando.”
        • Input:

    • Texto da pergunta do cliente (já sanitizado)

    • Resumo vindo do classificador (pode ajudar como “intenção”).

  2. Conecte o agente a 2 tools (ou 2 nós separados) de Supabase Vector Store:

    • Tool 1 – DocumentosEmpresa

    • Operação: GetManyRows (ou busca vetorial com embeddings)

    • Tool 2 – FAQClientes

    • Operação: GetManyRows (idem)

  3. O agente usa essas duas fontes como contexto, monta a resposta e devolve também:

    • tem_contexto
    • confianca

6. Decisão: IA responde ou chama humano⌗

  1. Adicione um nó IF / Condição:

    • Condição:

    • tem_contexto == true

    • E confianca >= 0.85

RAMO A – IA responde sozinha⌗

  1. Se a condição for verdadeira:

    • Nó Gmail – Reply:

    • messageId: do e-mail original

    • Corpo da mensagem: resposta vinda do agente de RAG

    • (Se quiser, peça à IA para devolver já em HTML bonito: parágrafo, negrito, etc.) 15. Registre tudo no LogInteracoes:

    • email_cliente

    • tipo, subtipo, prioridade, sentimento
    • resumo
    • quem_respondeu = "bot"
    • data, id_mensagem etc.

RAMO B – Humano precisa responder⌗

  1. Se NÃO

📌 Resumo — Sistema de Suporte Híbrido (IA + Humano)⌗

1. O Problema do Cliente⌗

Uma empresa recebe muitas perguntas de suporte, mas:

  • O RAG não tem todas as informações.
  • A base de dados fica desatualizada.
  • O conhecimento real está na cabeça dos agentes humanos, não nos documentos.
  • Resultado: IA responde mal, se perde e o suporte precisa fazer tudo manualmente.

Eles querem:

  • Um suporte híbrido onde a IA responda quando puder.
  • E quando não puder, o humano responde e essa resposta passa a treinar o sistema.

2. Objetivo da Automação⌗

Criar um fluxo que:

  • Receba os e-mails de suporte.
  • Classifique automaticamente (tipo, sentimento, prioridade…).

  • Busque em duas bases:

  • Documentos da empresa.

  • Banco de dados das respostas humanas.
  • Se achar resposta → IA responde.
  • Se não achar → humano responde.
  • A resposta humana vira novo conhecimento e alimenta o RAG.
  • Assim, cada interação melhora o sistema.

3. Estrutura do Fluxo⌗

1️⃣ Gmail Trigger⌗

Lê a caixa de suporte a cada 30 minutos.

2️⃣ Guardrails⌗

Anonimiza informações sensíveis antes de mandar para a IA.

3️⃣ Agente Classificador⌗

Identifica:

  • Tipo de solicitação
  • Subtipo
  • Prioridade
  • Sentimento
  • Resumo curto

4️⃣ Busca em 2 Bases de Conhecimento⌗

  • Documentos oficiais
  • Base “FAQ/FAX” com respostas humanas

Se encontrar resposta com confiança > 0.85 → IA responde automaticamente.

Se NÃO encontrar → envia ao humano via Send & Wait.

4. Intervenção Humana⌗

O agente humano:

  • Escreve a resposta
  • Pode anexar um arquivo explicativo

Se enviar arquivo:

  • O sistema extrai o conteúdo
  • Envia tudo para o RAG da empresa

A resposta humana é refinada em tom profissional e enviada ao cliente.

Tudo é registrado:

  • Pergunta
  • Resposta
  • Quem respondeu
  • Metadados
  • Prioridade
  • Sentimento

5. Aprendizado Contínuo⌗

Cada nova resposta humana vira:

  • Um novo item da base de conhecimento
  • Um novo embedding no vetor do RAG
  • Uma futura resposta automática da IA

Com o tempo: ✔ Menos carga para suporte ✔ IA cada vez mais precisa ✔ RAG sempre atualizado ✔ Menos repetição de tarefas

6. Demonstração do Caso⌗

O instrutor mostra:

  • Um e-mail que a IA não consegue responder
  • O humano responde e envia um arquivo
  • O arquivo e o texto viram novo conhecimento
  • Na segunda pergunta, agora a IA já consegue responder SOZINHA

7. Ferramentas Usadas⌗

  • N8N (motor do fluxo)
  • Gemini 2.5 Flash
  • Supabase (Vector Store)
  • OpenAI Embeddings 3 Small
  • Send & Wait Message
  • PDF Extractor

8. Conclusão⌗

É um caso de uso extremamente poderoso porque:

  • Combina IA + humano de forma inteligente.
  • Captura o conhecimento que antes estava só na cabeça de agentes.
  • Treina o suporte automaticamente a cada interação real.
  • Resolve um problema comum em empresas com alto volume de suporte.

Ele ainda vai:

  • Ajustar prompts,
  • Melhorar HTML,
  • Criar versão para WhatsApp.

e62. Suporte Híbrido: IA + Humano em Automático⌗

Você aprende a construir um sistema híbrido IA + humano que permite responder e-mails de suporte de forma automática, enriquecer continuamente a base de conhecimento e reduzir ao mínimo a intervenção manual.

O objetivo é resolver o grande problema de muitas empresas: a informação real do suporte não está no RAG, mas sim na cabeça da equipe humana. Com essa automação, cada resposta do agente passa a fazer parte do conhecimento corporativo, deixando a IA cada vez mais precisa.

🛠️ O que conquistamos com essa automação?⌗

  • Responder automaticamente e-mails de suporte quando a IA encontra a informação.
  • Detectar quando falta informação e solicitar ao time humano a resposta.
  • Guardar todas as respostas humanas em um banco de dados tipo “FAQ enriquecida”.
  • Subir automaticamente ao RAG os documentos anexados enviados pelo agente.
  • Manter um registro completo das interações (tipo, prioridade, sentimento, quem respondeu…).
  • Treinar continuamente o sistema: cada resposta humana melhora a IA para futuras consultas.
  • Reduzir o tempo de suporte, eliminar tarefas repetitivas e aumentar a qualidade do serviço.

🧩 Estrutura do fluxo automatizado⌗

1. Gatilho do Gmail⌗

Revisão a cada 30 minutos da caixa de suporte. Obtém o e-mail recebido.

2. Guardrails (Sanitize Text)⌗

Limpeza de dados sensíveis antes de enviá-los à IA.

3. Agente Classificador⌗

Identifica:

  • Tipo de solicitação
  • Subtipo
  • Prioridade
  • Sentimento
  • Resumo em 10 palavras

4. Busca no RAG (empresa + FAQ humanas)⌗

Consulta duas bases:

  • Documentos da empresa
  • Base “FAX” (respostas anteriores da equipe humana)

Decisão automática:

  • Se houver contexto e confiança > 0,85 → a IA responde diretamente por e-mail.
  • Se não houver contexto → envia mensagem ao suporte humano (Send & Wait).

5. Intervenção Humana⌗

O agente humano:

  • Responde com texto
  • Opcionalmente anexa arquivos explicativos adicionais

Se houver arquivo anexo:

  • O conteúdo é extraído
  • E enviado ao RAG da empresa

6. Refinador de Tom (IA)⌗

Transforma a resposta humana em uma mensagem clara, profissional e pronta para enviar ao cliente.

7. Registro Completo no Banco de Dados⌗

São armazenados:

  • Pergunta do cliente
  • Resposta (IA ou humano)
  • Metadata
  • Quem respondeu

8. Resposta ao Cliente⌗

O e-mail final refinado é enviado.

9. Aprendizagem Contínua⌗

Cada nova interação melhora o conhecimento disponível para casos futuros.

🧰 Ferramentas Utilizadas⌗

  • N8N (motor principal do fluxo)
  • Gemini 2.5 Flash (IA para classificação e RAG)
  • Supabase (Vector Store do RAG)
  • OpenAI Embeddings 3 Small (criação de vetores)
  • Gmail (gatilho e respostas)
  • PDF Extractor do N8N
  • Send & Wait Message do N8N

🧠 Dicas importantes que aprendemos⌗

  • Um RAG é inútil se o conhecimento real não for capturado — por isso é essencial alimentá-lo com respostas humanas.
  • Usar duas camadas de conhecimento (empresa + FAQ humanas) melhora muito a precisão.
  • Sempre controlar o nível de confiança do modelo antes de permitir respostas automáticas.
  • Aplicar guardrails sempre que conteúdo de clientes for enviado a um LLM.
  • Respostas em HTML aumentam a percepção de profissionalismo no suporte.
  • No WhatsApp seriam necessários passos intermediários devido à sua imediatividade (ainda em atualização).
  • Registrar quem respondeu (bot ou humano) permite auditar a evolução do sistema.

Resources⌗

  1. Blueprint Suporte Automático
  2. Modelo (Template) no Sheets

Caso REAL de empresa — Como criar um suporte HÍBRIDO TOP⌗

Apresento a vocês um sistema de suporte híbrido que RESOLVE um dos maiores problemas do suporte com IA… hoje trago OURO PURO.

Isto chegou para nós na semana passada na SolutechIA… um caso completamente real e uma dor que tenho certeza de que muitos de vocês também têm (mesmo que ainda não saibam).

👉 O problema típico de todos os chatbots de suporte:

  • O RAG não tem toda a informação.
  • As bases de dados estão incompletas.
  • O conhecimento real NÃO está nos documentos…
  • … está na cabeça da equipe humana.

Resultado: ❌ O chatbot responde mal ❌ Não encontra nada ❌ Fica travado ❌ O cliente se frustra ❌ E o suporte acaba respondendo tudo do mesmo jeito

Pois bem… nós resolvemos isso.

Hoje é literalmente como montar isso passo a passo.

🚀 O que esse sistema faz?⌗

  • Recebe automaticamente os e-mails de suporte
  • Classifica: tipo, prioridade, sentimento, resumo
  • Busca em duas bases de conhecimento: documentos + FAQ humanas
  • Se encontrar informação → a IA responde sozinha
  • Se não encontrar → pede ao humano a resposta
  • O humano pode adicionar texto e arquivos
  • O sistema extrai essa informação e a envia para o RAG
  • E salva tudo em um banco de dados: quem respondeu, por quê, como…

Em resumo: ⚡ Cada resposta humana alimenta a IA e a deixa mais inteligente para a próxima vez.

Isto é literalmente treinar seu suporte com cada interação real.

🧠 Por que isso é tão poderoso?⌗

Porque resolve uma dor REAL: os chatbots falham porque não têm informações atualizadas.

Com esse fluxo, seu suporte se torna um híbrido perfeito: IA responde → humano treina → IA melhora → suporte diminui.

🔥 Em resumo, este sistema:⌗

  • Reduz o suporte
  • Melhora a precisão
  • Escala o conhecimento humano
  • Automatiza respostas
  • E treina a IA de forma contínua

É uma das soluções mais poderosas que construímos recentemente.

E nasceu de um caso real. Do jeitinho que gostamos.

e62- Suporte Hibrido

chatgpt.com ↗

1

Recursos

↑ voltar ao topo · ver no Telegram ↗