So erstellen Sie einen professionellen KI-Chatbot, der benutzerdefinierten Code ausführt und Daten in Google Sheets speichert

Für ein realistisches Szenario werden wir die öffentlich zugänglichen Produktdetails des Santander Bank Privatkredits nutzen, um unseren Bot zu trainieren. In diesem Leitfaden führe ich Sie durch den Aufbau einer leistungsstarken Lösung, die komplexe 

• Wissensdatenbank-Q&A, 
• Echtzeit-Kreditberechnungen, 
• und sichere Lead-Erfassung in einem Google Sheet, 

und zeigt, dass Sie erstklassige Qualität auf Unternehmensniveau ohne unnötige Kosten erreichen können.

Was macht einen KI-Chatbot „Enterprise-fähig“?

Wenn wir von einem „Enterprise-fähigen“ virtuellen Agenten sprechen, meinen wir mehr als nur einen Chatbot, der grundlegende FAQs oder Smalltalk bearbeitet. Wir sprechen von einem geschäftskritischen, hochleistungsfähigen System, das darauf ausgelegt ist, wertvolle Geschäftsaktionen durchzuführen (z. B. Leads erfassen, Produkte anbieten, Transaktionen verarbeiten, Passwörter zurücksetzen), tief in die Unternehmensabläufe integriert zu werden und unbegrenzt zu skalieren.

Die wichtigsten Merkmale, die eine konversationelle KI-Lösung auf Unternehmensniveau heben, sind:

• Robuste Konversationssteuerung (Conversational Agents): Dieser Bot muss nicht-lineare Gespräche führen, komplexe Kontexte verwalten und Benutzern ermöglichen, ohne Verwirrung zwischen Themen zu wechseln. 
• Tiefe Systemintegration & Geschäftsorientierung: Enterprise-Lösungen sind aufgabenorientiert und führen wertvolle Geschäftsaktionen aus, anstatt nur ein Gespräch zu führen. Der Agent fungiert als digitaler Mitarbeiter, der Funktionen wie Datenberechnung, Systemaktualisierung und Kundendaten-Erfassung für Ihr Vertriebsteam übernimmt.
• Skalierbarkeit und Zuverlässigkeit: Die Lösung muss Tausende von gleichzeitigen Benutzern während Spitzenzeiten nahtlos bewältigen können.
• Wissensbasis-Fundierung und Genauigkeit: Antworten müssen präzise sein und auf genehmigten Unternehmensdokumenten basieren, um „Halluzinationen“ zu vermeiden.
• Nahtlose Übergabe an den Menschen: Der Bot kennt seine Grenzen und kann komplexe Anfragen elegant an einen Live-Agenten übergeben. Er muss den vollständigen Gesprächskontext und die Kundendaten für eine effiziente Lösung weitergeben.

Was sind Conversational Agents (Dialogflow CX)?

Conversational Agents ist eine leistungsstarke, unternehmenstaugliche Plattform, die von Google Cloud Platform (GCP) angeboten wird, um hochentwickelte, skalierbare virtuelle Agenten (KI-Chatbots) zu erstellen. Sie wurde speziell entwickelt, um geschäftskritische, hochleistungsfähige Konversationssysteme zu verwalten.

Die wichtigsten Aspekte von Dialogflow CX, wie sie im Kontext des Aufbaus eines virtuellen Agenten auf Unternehmensniveau hervorgehoben werden, umfassen:

• Robuste Konversationssteuerung: Sie ermöglicht die Erstellung von Bots, die nicht-lineare Gespräche führen, komplexe Kontexte nahtlos verwalten und Benutzern ermöglichen, ohne Verwirrung zwischen Themen zu wechseln.
• Aufgabenorientierung: Mit Dialogflow CX erstellte Agenten sind von Natur aus aufgabenorientiert, d.h. sie sind darauf ausgelegt, wertvolle Geschäftsaktionen durchzuführen, anstatt nur einfachen Smalltalk zu führen.
• Skalierbarkeit: Die Plattform ist auf hohe Skalierbarkeit und Zuverlässigkeit ausgelegt, um sicherzustellen, dass die Lösung Tausende von gleichzeitigen Benutzern während Spitzenzeiten bewältigen kann.

Für wen sind Conversational Agents geeignet?

Für wen ist diese leistungsstarke Plattform also eigentlich gedacht?

Wenn Sie die Dialogflow CX-Konsole zum ersten Mal öffnen, sehen Sie eine übersichtliche, visuelle Oberfläche, die auf Flussdiagrammen basiert (ähnlich dem Pizza-Bestellbeispiel, das ich zuvor geteilt habe). Es ist verlockend zu denken, dass dies ein einfaches No-Code-Drag-and-Drop-Tool ist.

Ich möchte jedoch ehrlich zu Ihnen sein: Conversational Agents ist ein äußerst leistungsstarkes und komplexes Tool auf Unternehmensniveau, und seine einfache visuelle Oberfläche kann täuschen.

Dies ist keine Plattform, die Sie einfach durch intuitives Klicken hier und da beherrschen können. Der Aufbau eines wirklich robusten, skalierbaren und aufgabenorientierten Chatbots, wie wir ihn erstellen werden, erfordert mehr als nur die Navigation in einem visuellen Builder. Es erfordert von Ihnen:

• Komplexe Konversationsabläufe zu analysieren und zu gestalten.
• Die Dokumentation gründlich zu lesen, um das „Warum“ hinter den Einstellungen zu verstehen.
• Andere Ressourcen und Tutorials zu konsultieren (wie dieses!), um praktische Anwendungen zu sehen.
• Ein gewisses Verständnis für Entwicklung zu haben. Um echte Geschäftsaktionen durchzuführen, wie unsere Kreditberechnung oder Lead-Erfassung, müssen Sie verstehen, wie man sich mit anderen Systemen verbindet. Das bedeutet, sich mit Konzepten wie Webhooks, APIs und Datenformaten (wie JSON) vertraut zu machen.

Ich schreibe dieses Tutorial speziell, um Ihnen diese Reise erheblich zu erleichtern. Mein Ziel ist es, Sie Schritt für Schritt durch ein reales Projekt zu führen und diese komplexen Teile auf verständliche Weise zu erklären.

Aber es erfordert definitiv einen Lernpfad. Lassen Sie sich davon nicht entmutigen! Der Lohn ist die Fähigkeit, wirklich hochentwickelte Agenten ohne die Einschränkungen oder Abonnementgebühren anderer Plattformen zu erstellen.

Wenn Sie beim Folgen hängen bleiben, eine Frage haben oder eine Klärung zu einem bestimmten Schritt wünschen, posten Sie bitte einen Kommentar unten!

Erläuterung unserer Fallstudie: Der Privatkredit-Bot

Um von der Theorie zur Praxis zu gelangen, benötigen wir ein realistisches Projekt. Nur über Funktionen zu sprechen, reicht nicht aus; wir müssen sie bauen.

Für dieses Tutorial werden wir einen virtuellen Agenten für ein gängiges, hochrelevantes Geschäftsszenario erstellen: einen Privatkredit-Assistenten.

Um dies in der realen Welt zu verankern, werden wir die öffentlich zugänglichen Produktdetails des Santander Bank Privatkredits als Grundlage verwenden. Dies ermöglicht uns, mit einem konkreten Anwendungsfall auf Unternehmensniveau zu arbeiten.

Unser Ziel ist es, einen Bot zu bauen, der weit mehr tut, als nur einfache Fragen zu beantworten. Wir werden einen vollständigen, aufgabenorientierten Agenten konstruieren, der wertvolle Geschäftsfunktionen ausführt. Hier sind die Kernmodule, die wir gemeinsam aufbauen werden:

1. Wissensdatenbank-Q&A: Zuerst trainieren wir den Bot, häufig gestellte Fragen mithilfe der Produktinformationen von Santander präzise zu beantworten.
2. Echtzeit-Kreditberechnungen: Hier steigen wir tief in die Systemintegration ein. Wir werden eine benutzerdefinierte Aktion erstellen, die es dem Bot ermöglicht, Echtzeit-Kreditberechnungen für den Benutzer durchzuführen. Dies ist ein perfektes Beispiel für eine wertvolle, aufgabenorientierte Funktion.
3. Sichere Lead-Erfassung: Schließlich, nachdem unser Bot einen Mehrwert geboten hat, erfasst er die Details des Benutzers als qualifizierten Lead. Wir werden einen sicheren Prozess implementieren, um diese Informationen direkt in ein Google Sheet zu senden, was einen vollständigen, End-to-End-Geschäftsprozess demonstriert.

Durch den Aufbau dieser drei Module lernen Sie, wie man Wissen verwaltet, benutzerdefinierte Aktionen durchführt und sich in externe Systeme integriert – die drei Säulen eines Chatbots auf Unternehmensniveau.

Was Sie benötigen: Voraussetzungen

Bevor wir mit dem Bau beginnen, klären wir die Logistik. Keine Sorge, dieser Teil ist unkompliziert, und Sie können mit einem kostenlosen Konto mitmachen.

Hier sind die zwei Dinge, die Sie benötigen:

1. Ein Google-Konto: Jedes Standard-Google- (oder Gmail-) Konto funktioniert. Falls Sie keines haben, können Sie kostenlos eines erstellen.
2. Ein Google Cloud Platform (GCP) Projekt mit aktivierter Abrechnung: Dies ist der wichtigste Schritt, und einer, der manchmal nervös macht. Ich möchte Ihnen versichern, dass Sie sich keine Sorgen um Kosten machen müssen.

Lassen Sie mich ganz klar sein: Das Befolgen dieses Tutorials sollte Sie nichts kosten.

Obwohl Sie ein Abrechnungskonto einrichten und eine Kreditkarte verknüpfen müssen, ist dies bei Google Standardpraxis, um Ihre Identität zu überprüfen und Missbrauch zu verhindern. Ihnen werden keine automatischen Gebühren berechnet, da Sie bei der erstmaligen Anmeldung bei Google Cloud Anspruch auf ein kostenloses Guthaben von 300 US-Dollar haben, das Sie innerhalb von 90 Tagen nutzen können.

Hier ist ein Video, wie Sie ein Abrechnungskonto in GCP erstellen:  Abrechnungskonto erstellen

Navigation durch das Tutorial

Da dies ein umfangreicher Aufbau auf Unternehmensniveau ist, habe ich diesen Beitrag als Ihren konzeptionellen und technischen Anker konzipiert. Während ich nicht jeden einzelnen Mausklick auflisten werde – den genauen, Schritt-für-Schritt-Visualisierungsprozess können Sie im oben eingebetteten YouTube-Video verfolgen – werden die folgenden Abschnitte die Architektur dessen, was wir bauen, und die Kernkonzepte, die Sie beherrschen müssen, detailliert beschreiben.

Was sind Conversational Agents?

Früher bekannt als Dialogflow CX, ist Conversational Agents Googles führende Plattform für den Aufbau von KI, die nicht nur „chattet“, sondern „handelt“. Sie befindet sich in der Google Cloud Console. Im Gegensatz zu einfachen Chatbots verwenden diese Agenten einen „Zustandsautomaten“-Ansatz (Flows und Pages) kombiniert mit modernen LLM-Funktionen (Playbooks), um komplexe, mehrstufige Geschäftslogik zu verarbeiten.

Erste Schritte

Um zu beginnen, navigieren Sie zur Conversational Agents-Konsole, wählen Ihr GCP-Projekt aus und erstellen einen neuen Agenten. Der „Einstiegspunkt“ Ihres Bots ist der Standard-Startfluss (Default Start Flow). Hier findet die erste Begrüßung statt und der Agent entscheidet, welches „Playbook“ basierend auf der Benutzeranfrage ausgelöst werden soll.

Playbooks verstehen

Playbooks sind das „generative“ Herz moderner Agenten. Anstatt jede mögliche Antwort fest zu codieren, geben Sie dem Agenten ein Ziel (z. B. „Dem Benutzer helfen, einen Kredit zu berechnen“) und Anweisungen (z. B. „1. Nach Betrag fragen, 2. Nach Laufzeit fragen, 3. Das Rechner-Tool aufrufen“).

• Playbook-Parameter: Dies sind Variablen, die sich der Agent während der Sitzung „merkt“ (wie $amount oder $user_name). Sie fungieren als Kurzzeitgedächtnis des Agenten.

Die Kraft von Beispielen (Few-Shot Prompting)

Dies ist wohl der kritischste Teil der Einrichtung. Beispiele sind der Ort, an dem Sie dem Agenten „Goldstandard“-Beispielkonversationen zur Verfügung stellen.

Durch das Hinzufügen von Beispielen zeigen Sie dem LLM:

• Benutzereingabe: Wie ein echter Mensch um Hilfe bitten könnte.
• Agentenaktion: Wann genau der Agent entscheiden sollte, ein Tool aufzurufen (wie den Rechner).
• Tool-Aufruf/Ausgabe: Wie der Agent die technischen Daten, die von Ihrem Python-Code zurückkommen, interpretieren und in eine freundliche Antwort übersetzen sollte.

Ohne Beispiele muss der Agent raten; mit ihnen folgt er Ihrem spezifischen Geschäftsstil und Ihrer Logik perfekt.

Erweiterung der Fähigkeiten mit Tools

Tools sind das, was Ihrem Agenten „Hände“ gibt. Wir werden drei verschiedene Typen bauen:

• Erweiterte Tools über Google Cloud Run: Für komplexe Logik wie unseren Kreditrechner hosten wir ein Python-Skript auf Cloud Run. Der Agent sendet die Benutzerdaten an dieses Tool, das Skript führt die Berechnung durch und gibt das Ergebnis zurück.
• FAQ-Wissensdatenbank: Wir werden ein „Data Store“-Tool erstellen. Sie laden einfach das Santander Bank PDF hoch, und der Agent verwendet es, um spezifische Produktfragen zu beantworten, ohne dass Sie einen einzigen „Intent“ schreiben müssen.
• Google Sheets Integration: Dies ist unser „Lead Capture“-Tool. Wenn ein Benutzer seine Kontaktdaten angibt, ruft der Agent einen Python-Webhook auf, der in Echtzeit eine neue Zeile zu Ihrem Google Sheet hinzufügt.

Testen und Bereitstellen

Bevor wir live gehen, verwenden wir den Simulator innerhalb der Konsole, um mit dem Bot zu „sprechen“ und die Ausführungsspuren zu überprüfen. Sobald Sie zufrieden sind, können Sie den Bot mithilfe der Dialogflow Messenger-Integration auf Ihrer Website bereitstellen – ein einfacher Code-Snippet, den Sie in Ihr HTML einfügen.

Quellcode der Tools

Unten finden Sie den Quellcode für die benutzerdefinierten Tools, die wir in diesem Tutorial bereitstellen. Diese sind dafür konzipiert, auf Google Cloud Run oder als Cloud Functions gehostet zu werden.

Tool 1: Der Kreditrechner

Dieses Tool empfängt den Kreditbetrag und die Laufzeit und gibt dann die geschätzte monatliche Rate zurück.

requirements.txt

functions-framework==3.*
Flask

Funktionseinstiegspunkt: calculate_loan

Open API Schema

Tool 2: Google Sheets Lead-Erfassung

Dieses Tool erfasst den Namen, die E-Mail-Adresse und das Kreditinteresse des Benutzers und speichert diese dann direkt in einer bestimmten Tabelle.

requirements.txt

functions-framework==3.*
google-api-python-client
google-auth
flask

Funktionseinstiegspunkt: write_loan_data

Open API Schema

Der Playbook-Quellcode

Unten finden Sie den Quellcode für die Playbooks, die wir in diesem Tutorial verwenden.

Standard-Playbook

Kreditberechnung

Lead senden

Parameter und ihre Beschreibungen

• loan_amount
  Kreditbetrag, den der Kunde aufnehmen möchte
• loan_term
  Bevorzugte Kreditlaufzeit des Kunden zur Rückzahlung des aufgenommenen Kredits
• monthly_payment
  Berechneter monatlicher Zahlungsbetrag
• total_repayable
  Berechneter insgesamt zurückzuzahlender Kreditbetrag
• apr
  APR-Prozentsatz