O suporte ao cliente combina interfaces familiares de chatbot com recursos aprimorados por meio da integração de ferramentas. Essa é uma opção natural para agentes mais abertos porque:
As interações de suporte seguem naturalmente um fluxo de conversa, ao mesmo tempo que exigem acesso a informações e ações externas;
Ferramentas podem ser integradas para extrair dados do cliente, histórico de pedidos e artigos da base de conhecimento;
Ações como emissão de reembolsos ou atualização de bilhetes podem ser tratadas programaticamente; e
O sucesso pode ser medido claramente por meio de resoluções definidas pelo usuário.
Várias empresas demonstraram a viabilidade dessa abordagem por meio de modelos de preços baseados no uso que cobram apenas por resoluções bem-sucedidas, mostrando confiança na eficácia de seus agentes.
O setor de desenvolvimento de software demonstrou um potencial notável para recursos de LLM, com capacidades que vão desde a complementação de código até a resolução autônoma de problemas. Os agentes são particularmente eficazes porque:
Soluções de código são verificáveis por meio de testes automatizados;
Os agentes podem iterar sobre soluções usando os resultados dos testes como feedback;
O espaço do problema é bem definido e estruturado; e
A qualidade da saída pode ser medida objetivamente.
Em nossa própria implementação, os agentes agora podem resolver problemas reais do GitHub no benchmark SWE-bench Verified com base apenas na descrição da solicitação de pull. No entanto, embora os testes automatizados ajudem a verificar a funcionalidade, a revisão humana continua sendo crucial para garantir que as soluções estejam alinhadas aos requisitos mais amplos do sistema.