اگر صاحب یک کسب‌وکار کوچک هستید، می‌دانید هر تماس unanswered (پاسخ‌نداده) به معنای از دست دادن یک مشتری واقعی به نفع رقیب است. در ۱۹ ژوئیه ۲۰۲۶، نیکیتا (Nikita)، بنیان‌گذار و مهندس ارشد SkipCalls، جزئیات معماری لازم برای تبدیل یک عامل صوتی شکننده (Fragile Demo) به ابزاری قابل‌اتکا در محیط تجاری را منتشر کرد.
فضای مسئله
کسب‌وکارهای کوچکی مانند دفاتر حقوقی، لوله‌کش‌ها، برق‌کارها، مشاوران املاک، سالن‌های زیبایی و کلینیک‌های پزشکی در محیطی با ریسک بالا فعالیت می‌کنند؛ جایی که یک تماس پاسخ‌نداده اغلب به این معناست که مشتری به‌سادگی به سراغ رقیب بعدی می‌رود. در حالی که یک چت فراموش‌شده در وب‌سایت می‌تواند منتظر بماند، یک تماس تلفنی معمولاً نمی‌تواند.
طبق گزارش SkipCalls، پیام‌های صوتی سنتی شکست می‌خورند چون فقط مشکل را ضبط می‌کنند، بدون اینکه آن را حل کنند. این موضوع باعث می‌شود تماس‌گیرنده در چرخه‌ای از انتظار، توضیح مجدد مشکلات و تکرار اطلاعات گیر کند. برای پر کردن این خلأ، نیاز به عاملی است که مانند یک همکار ۲۴ ساعته در پذیرش باشد و بتواند مشتریان احتمالی (Leads) را شناسایی کرده و قرار ملاقات‌ها را به‌طور لحظه‌ای رزرو کند. انتخاب چنین ابزاری نیازمند بررسی دقیق قابلیت‌های فنی است؛ در همین راستا، مقایسه‌ای جامع بین پلتفرم‌های پیشرو مانند Bland AI، Vapi و Retell کمک می‌کند تا بهترین گزینه برای پذیرش تماس‌های تجاری شناسایی شود. هدف، خلق عاملی است که نسبت به کسب‌وکار آگاهی داشته باشد، سؤالات پیگیرانه مفیدی بپرسد و درباره آنچه می‌تواند و نمی‌تواند انجام دهد، صادق بماند.
مکانیسم عملکرد
یک جریان ورودی معمولی زمانی آغاز می‌شود که مشتری با شماره موجود کسب‌وکار تماس می‌گیرد. اگر تماس unanswered بماند یا در ساعات غیرکاری باشد، به شماره SkipCalls منتقل می‌شود. سپس هوش مصنوعی زاینده (Generative AI) — شبیه به یک دستیار آموزش‌دیده که دقیقاً می‌داند هر شرکت چه خدماتی می‌دهد — با استفاده از سلام و احوالپرسی خاص و بافتار (Context) اختصاصی آن شرکت، پاسخگو می‌شود.
زمانی که هوش مصنوعی گفتگو را مدیریت کرد و جزئیات لازم را جمع‌آوری نمود، می‌تواند بسته به تنظیمات مالک کسب‌وکار، قرار ملاقات‌ها را رزرو کند یا تماس را منتقل نماید. در نهایت، مالک کسب‌وکار بلافاصله یک متن پیاده‌سازی شده (Transcript)، خلاصه تماس و لیستی از اقدامات بعدی را دریافت می‌کند.
بر اساس مستندات منتشرشده در dev.to، این پلتفرم از ترکیب فنی (Technical Stack) زیر برای توازن میان عملکرد و نگهداری استفاده می‌کند:
- بک‌اند و APIها: TypeScript و NestJS
- هوش صوتی: پایتون برای مدیریت عامل‌های لحظه‌ای (Realtime Agent)
- زیرساخت: LiveKit برای استریم صوتی و صوتی لحظه‌ای
- مدیریت وضعیت: PostgreSQL و Redis برای وضعیت‌های بادوام (Durable State)، صف‌ها، محدودیت‌ها و هماهنگی‌ها
- رابط کاربری: React و React Native برای رابط‌های وب و موبایل
- یکپارچه‌سازی: وب‌هوک‌ها (Webhooks) و یکپارچه‌سازی با تقویم برای اقدامات پس از تماس
نیکیتا تأکید می‌کند که چالش اصلی، صرفاً به سخن‌گویی مدل نیست، بلکه مدیریت «هرج‌ومرج» تلفن‌های زنده است. سیستم باید بتواند قطع‌های ناگهانی تماس‌گیرنده، نویز پس‌زمینه و درخواست‌هایی که خارج از خدمات تعریف‌شده کسب‌وکار است را مدیریت کند. برای مقابله با این موارد، تیم روی ۵ درس مهندسی در محیط عملیاتی تمرکز کرده است:
دروس مهندسی
- تأخیر (Latency) به مثابه شخصیت: پاسخی درست که دیر برسد، برای کاربر «خراب» به نظر می‌رسد. تیم اولویت را به تشخیص سریع پایان صحبت (Turn Detection) و استریمینگ دقیق می‌دهد تا سکوت‌های آزاردهنده حذف شوند.
- حقایق به‌جای هوشمندی: هیچ پرامپتی نمی‌تواند قوانین قیمت‌گذاری یا محدوده خدمات را اختراع کند. پروفایل‌های کسب‌وکار و تنظیمات صریح مالک به عنوان داده‌های درجه یک محصول تعریف می‌شوند تا از حدس زدن مدل جلوگیری شود.
- طراحی حالت‌های شکست (Failure Modes): تماس‌ها می‌توانند در لایه‌های مختلفی شکست بخورند: اپراتور، SIP، نشست‌های لحظه‌ای (Realtime Session)، مدل، ابزار، صف یا لایه‌ی APIهای پایین‌دستی. تیم به‌جای استراتژی «مدل معمولاً از پس آن برمی‌آید»، مسیرهای خروجی قابل مشاهده (Observable Handoffs) تعریف کرده است.
- طراحی معکوس بر اساس نتیجه (Outcome-Backward Design): ارزش در گفتگو نیست، بلکه در نتیجه است. سیستم طوری طراحی شده است که اطمینان حاصل شود نام تماس‌گیرنده و فوریت موضوع ثبت شده و قرار ملاقات‌ها ایجاد شده‌اند.
- انتقال استراتژیک: عامل با پذیرش محدودیت‌های خود و باقی ماندن در نقش تعریف‌شده، اعتماد جلب می‌کند. تیم قوانین سخت‌گیرانه برای انتقال تماس، مسیرهای بازگشتی (Callback) و محدودیت‌های شفاف را پیاده کرده است.
برای یک توسعه‌دهنده، این تحول به معنای گذار از مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای گرفتن بهترین جواب — به سوی «مهندسی گردش‌کار» (Workflow Engineering) است. موفقیت یک عامل صوتی کمتر به استدلال مدل زیربنایی و بیشتر به مرزهای عملیاتی، قوانین مسیریابی (Routing Rules) و مکانیسم‌های بازگشتی (Fallback) وابسته است که مانع از توهم (Hallucination) مدل درباره سیاست‌های کسب‌وکار می‌شود.
شما می‌توانید تکامل این گردش‌کارهای صوتی خودمختار را در skipcalls.com دنبال کنید یا بررسی کنید که چگونه محرک‌های یکپارچه CRM (Integrated CRM Triggers) در حال جایگزینی متن‌های ساده تماس به عنوان معیار اصلی ارزش در تلفنیِ هوش مصنوعی هستند.
گام بعدی شما
- بررسی مستندات LiveKit برای پیاده‌سازی استریم صوتی با تأخیر کم.
- جایگزینی پرامپت‌های توصیفی طولانی با ساختارهای داده‌ای سخت (Structured Data) برای کاهش نرخ خطا.
- طراحی نمودار جریان (Flowchart) برای حالت‌های شکست در لایه‌ی API.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ بررسی کنید که چگونه تراشه‌های جدید استنتاج صوتی را سریع‌تر می‌کنند.
گفتگو