AI Ticket Support Router
Un système multi-agents autonomes qui classe les tickets clients, les route vers des agents spécialisés et utilise le tool-calling pour investiguer et agir.
Projet personnel de formation — je suis débutant en ingénierie IA.
2
Agents spécialisés (Facturation, Technique)
3
Étapes du pipeline agentique
100 %
Classifications correctes sur le jeu de test
4
Outils (tools) intégrés au système
Le contexte
Les équipes support reçoivent quotidiennement des dizaines de tickets clients qu'il faut trier manuellement avant de les transférer au bon service. Ce tri répétitif prend du temps et ralentit la résolution des problèmes. L'idée de ce projet de formation : construire un système capable de comprendre un ticket, déterminer sa catégorie et le router automatiquement vers l'agent compétent.
En tant que débutant en ingénierie IA, ce projet avait un double objectif — apprendre les fondations de l'orchestration d'agents avec LangChain/LangGraph et produire une démonstration concrète de ce qu'un système multi-agents peut accomplir.
"L'objectif n'était pas de réinventer le support client, mais d'apprendre comment un LLM peut décider, appeler des outils et agir de façon autonome."
Architecture du système
Le système repose sur un pipeline en trois étapes orchestré avec LangGraph :
Classification du ticket
Un agent classifieur analyse le texte du ticket client et détermine sa catégorie (Facturation ou Technique) en se basant sur le contenu et le contexte.
Routage vers l'agent spécialisé
Selon la classification, le ticket est transmis à l'agent Billing ou l'agent Technical, chacun avec son propre system prompt et ses outils dédiés.
Investigation & action via tool-calling
L'agent spécialisé utilise ses outils (consulter un compte, vérifier une transaction, traiter un remboursement…) pour investiguer le problème et prendre une action réelle.
Technologies utilisées
- LangChain — Framework principal pour chaîner les composants LLM, gérer les prompts et les outils.
- LangGraph — Orchestration du graphe d'agents : nœuds, transitions conditionnelles et état partagé.
- Gemini (Google) — Modèle LLM utilisé pour le raisonnement et la génération des réponses.
- DeepEval — Évaluation des performances du système : qualité des classifications, pertinence des réponses.
- Prompt Engineering — Conception des system prompts des agents et du classifieur.
- Python — Langage de développement du pipeline.
Ce que j'ai appris
Ce projet de formation m'a permis de toucher à plusieurs concepts fondamentaux de l'ingénierie IA moderne :
- Comment structurer un système multi-agents avec des rôles clairement définis
- Le tool-calling : donner la capacité à un LLM d'invoquer des fonctions externes pour agir sur le monde réel
- L'orchestration de flux complexes avec LangGraph (états, conditions, boucles)
- L'importance du prompt engineering pour guider le comportement des agents
- L'évaluation systématique avec DeepEval pour mesurer la qualité plutôt que de se fier à l'impression
Limites & prochaines étapes
En tant que projet de débutant, ce système a des limites assumées : il fonctionne sur un jeu de tickets de test, n'a pas d'interface web et n'est pas déployé en production. Les améliorations que j'aimerais explorer :
- Ajouter une interface web (Streamlit ou FastAPI) pour interagir avec le système
- Enrichir la base de connaissances des agents avec un vrai RAG
- Étendre le nombre d'agents (HR, Ventes) et d'outils disponibles
- Améliorer l'évaluation avec des métriques DeepEval plus poussées (faithfulness, answer relevancy)
Ce projet est un work in progress. Si vous voulez échanger sur l'IA ou collaborer, contactez-moi.
