將 WhatsApp Flows 加至聊天機械人體驗
現今，越來越多的企業選擇透過 WhatsApp 使用聊天機械人，以與顧客互動、了解他們的需求，以及蒐集所需的資料。然而，他們在蒐集和整理資料時，往往面臨著諸多效率方面的挑戰。在這種情況下，WhatsApp Flows 便能大派用場。
只需將聊天機械人與 WhatsApp Flows 整合，企業便可以更高效地解讀收到的顧客資料。如此一來，聊天機械人能夠根據對話情景，啟動專為蒐集資料而設的特定 Flows 流程。
在本教學導覽中，您將使用 Llama 2 和 Python 來構建聊天機械人，並將其連結至 WhatsApp Flows，以提升其資料蒐集能力。在這個過程中，您將可見證 WhatsApp Flows 如何提升聊天機械人體驗的易用性，並提高顧客資料蒐集的準確性和效率。
使用 WhatsApp Flows 加強聊天機械人體驗
聊天機械人會使用 WhatsApp Flows 來回覆用戶的要求和提示，以便蒐集資料。以本文所用的虛構西班牙酒店為例，它可讓用戶與聊天機械人交談、搜尋酒店所提供的服務之資訊，並聯絡酒店以尋求支援。
聊天機械人將配搭使用簡單的 if 陳述式和標準 Llama 2 模型，以便系統存取充足的常識知識庫。
您需採取的步驟
第 1 部分：
使用 WhatsApp 管理工具的流程建造工具來建立 Flows 流程。
第 2 部分：
將 Llama 2 模型從 GGML 轉換為 GGUF。
- 編寫 Python 程式碼以整合 Flows 流程和聊天機械人。
- 建立 Webhook 以偵聽訊息。
- 運行應用程式。
第 1 部分：如何建立 Flows 流程
在這部分，您需要使用流程建造工具來建立一些 Flows 流程。或者，您可以使用 Flows API；本文對此不作詳細闡述。
第 1 部分必備條件
若要採取本部分的步驟，請確保您具備下列條件：
已安裝 ngrok。
最後，確保您已完成使用 Flows 所需執行的步驟。您亦可預覽完整專案程式碼。
新手指南
首先，前往您 WhatsApp Business 帳戶的「流程」頁面。若這是您首次與 Flows 互動，您應該會看到一個標題為「開始建立流程」的按鈕。否則，此頁面右上方會顯示「建立流程」按鈕。
點擊畫面所顯示的按鈕以開啟對話框，並在當中輸入您 Flows 流程的一些詳細資訊：
「服務查詢」Flows 流程
首先，您需要建立一個 Flows 流程，讓用戶用來搜尋酒店所提供的服務之資訊。
在「名稱」欄位中輸入所需名稱。接著，在「類別」下拉式選單中，選擇「註冊」，並將「範本」下拉式選單設為「無」。點擊「提交」。
在下一個頁面中，畫面左側將顯示編輯工具，右側則會顯示預覽畫面。
將編輯工具的內容替換為您 Flows 流程的 JSON 標記。您可以查閱開發人員文件，進一步了解 Flow JSON。
儲存 Flows 流程；您的預覽畫面應與下圖相似：
此 Flows 流程包含一個畫面，用戶可在當中輸入其詳細資訊、選擇感興趣的服務，以及查閱一則選用的額外訊息。當用戶點擊「提交」時，這個 Flows 流程便會關閉，並將收到的資料傳送至您企業以供處理。傳輸此類資料的方法之一便是使用端點。不過，此專案不會用到端點。這些資料會傳送至支援聊天機械人的同一個 Webhook。
您可以使用各個動作來執行此傳輸程序。您需要使用 payload 物件，以定義傳遞至下一個畫面的資料：
...
"on-click-action": {
"name": "complete",
"payload": {
"firstname": "${form.first_name}",
"secondname": "${form.second_name}",
"services_interested": "${form.services_interested}",
"additional_info": "${form.additional_info}",
"flow_key": "agentconnect"
}
}
...
在此程式碼片段中，用戶的按鈕點擊動作會觸發 on-click-action，以擷取裝載中的資料。接著，它會將裝載傳送至 Webhook 伺服器，並透過 complete 動作關閉 Flows 流程。
您可以沿用分配任何變數的方法來分配 payload 鍵。相應的值可代表資料物件或 Flows 流程元件的名稱（類似 HTML 表格的名稱屬性）。
現在，您應會查看運作中的 Flows 流程，並使用「互動式預覽」切換按鈕來模擬真實的用戶體驗：
測試之後，您便可發佈目前仍處於「草稿」狀態的 Flows 流程。若要發佈此 Flows 流程，請開啟「儲存」右側的選單並點擊「發佈」。這個 Flows 流程現已準備就緒並可供使用。
「聯絡我們」Flows 流程
現在，您需要建立「聯絡我們」Flows 流程。
首先，重複執行上文所述的初始 Flows 流程建立程序，但將類別設為「聯絡我們」。將編輯工具的內容替換為這個 JSON 標記，以顯示以下畫面：
發佈此 Flows 流程並繼續執行下一部分，以設定聊天機械人。該部分會用到 send_message、flow_details 和 flow_reply_processor 這 3 個函數；這些函數包含將 Flows 流程傳送給用戶的必要邏輯。該部分亦會提及處理傳入 Flows 流程裝載的邏輯。因此，即使您已構建聊天機械人，我們仍建議您仔細查閱該部分的內容。
第 2 部分：如何設定聊天機械人
接下來，您需要配置聊天機械人並將其整合到您的 Flows 流程。
第 2 部分必備條件
在繼續操作之前，請確保您具備下列條件：
擁有 Python 的基本知識和最新版本。
已下載 HuggingFace 版本 Llama 2。HuggingFace Llama 2 模型無需使用任何其他工具或專用硬件。您亦可使用官方版本 Llama 2，但您將需進行額外設定。
擁有您帳戶的存取憑證和手機號碼編號。
擁有程式碼編輯工具。
使用 Python 整合 Flows 流程和聊天機械人
聊天機械人將透過一組預先定義的指令碼來運作；該組指令碼旨在根據用戶輸入的內容，為其提供相應的協助。在初次互動時，聊天機械人會根據用戶的訊息，提供個人化問候語文字，以及一個文字選單。這些選項可迎合特定需求：酒店所提供的查詢服務、聯絡酒店的客戶服務人員，或與由 Llama 支援的聊天機械人互動。
使用英數字元回覆時，系統會將用戶連結至相應的服務或動作。然而，任何其他回覆均將觸發預設聊天機械人功能，以協助處理一般查詢，或根據進一步對話，引導用戶取得可用服務。
首先，在終端上運行以下指令以建立虛擬環境：
python -m venv venv
啟用此環境：
source venv/bin/activate
接著，安裝所需套件：
pip install requests flask llama-cpp-python python-dotenv
您需要使用 Flask 來建立路線並與 API 互動、使用 requests 來傳送互聯網要求、使用 llama-cpp-python 來與模型互動，並使用 python-dotenv 來載入環境變數。
接下來，建立名為 .env 的環境檔案和下列內容，以分配相應的值；VERIFY_TOKEN 可使用任何字串。
TOKEN =
ACCESS_TOKEN =
PHONE_NUMBER_ID =
在同一個目錄中，建立名為 main.py 的檔案，並開始新增您需要使用的套件：
import os
import re
import time
import uuid
import requests
from dotenv import load_dotenv
from flask import Flask, request, make_response, json
from llama_cpp import Llama
現在，初始化變數和類別。此程式碼片段亦會啟動 Flask 並呼叫 load_dotenv() 方法，以助載入變數：
app = Flask(__name__)
load_dotenv()
PHONE_NUMBER_ID = os.getenv('PHONE_NUMBER_ID')
url = f"https://graph.facebook.com/v18.0/{PHONE_NUMBER_ID}/messages"
TOKEN = os.getenv('TOKEN')
ACCESS_TOKEN = os.getenv('ACCESS_TOKEN')
code_prompt_texts = ["Contact us", "Chat with our chatbot", "YES", "NO"]
service_list = [
"Accommodation Services",
"Spa Services",
"Dining Services",
"Recreational Facilities",
"Business & Conference Services",
"Transportation Services",
"Accessibility Services",
"Pet-Friendly Services"
]service_list 會用於儲存酒店所提供的各項服務。code_prompt_texts 清單包含與用戶的輸入選擇相應的選項；這些選項分別是「1」、「2」、「是」和「否」，可使用下方函數來指定。下方函數有助將用戶的回覆配對至相應的選項。
def extract_string_from_reply(user_input):
match user_input:
case "1":
user_prompt = code_prompt_texts[0].lower()
case "2":
user_prompt = code_prompt_texts[1].lower()
case "Y":
user_prompt = code_prompt_texts[2].lower()
case "N":
user_prompt = code_prompt_texts[3].lower()
case _:
user_prompt = str(user_input).lower()
return user_prompt
程式碼會將字串轉換為小楷字母，以免運行條件式邏輯時出現配對錯誤的情形。match…case 架構會將用戶輸入的提示配對至輸出項目。舉例來說，用戶輸入「1」時將觸發 "Contact us" 功能。
接下來，以下函數包含使用 Python RegEx 套件 re 的 if 陳述式，以從顧客訊息當中搜尋特定字詞，從而判斷向用戶傳送哪類回覆：
def user_message_processor(message, phonenumber, name):
user_prompt = extract_string_from_reply(message)
if user_prompt == "yes":
send_message(message, phonenumber, "TALK_TO_AN_AGENT", name)
elif user_prompt == "no":
print("Chat terminated")
else:
if re.search("service", user_prompt):
send_message(message, phonenumber, "SERVICE_INTRO_TEXT", name)
elif re.search(
"help|contact|reach|email|problem|issue|more|information", user_prompt
):
send_message(message, phonenumber, "CONTACT_US", name)
elif re.search("hello|hi|greetings", user_prompt):
if re.search("this", user_prompt):
send_message(message, phonenumber, "CHATBOT", name)
else:
send_message(message, phonenumber, "SEND_GREETINGS_AND_PROMPT", name)
else:
send_message(message, phonenumber, "CHATBOT", name)
現在，訊息（如 "Hello there"）將會觸發 send_message 方法，當中第二個引數為 SEND_GREETINGS_AND_PROMPT。以下是 send_message 方法；視乎具體情況，替換 <xxx> 之間的內容。
def send_message(message, phone_number, message_option, name):
greetings_text_body = (
"\nHello "
+ name
+ ". Welcome to our hotel. What would you like us to help you with?\nPlease respond with a numeral between 1 and 2.\n\n1. "
+ code_prompt_texts[0]
+ "\n2. "
+ code_prompt_texts[1]
+ "\n\nAny other reply will connect you with our chatbot."
)
# loading the list's entries into a string for display to the user
services_list_text = ""
for i in range(len(service_list)):
item_position = i + 1
services_list_text = (
f"{services_list_text} {item_position}. {service_list[i]} \n"
)
service_intro_text = f"We offer a range of services to ensure a comfortable stay, including but not limited to:\n\n{services_list_text}\n\nWould you like to connect with an agent to get more information about the services?\n\nY: Yes\nN: No"
contact_flow_payload = flow_details(
flow_header="Contact Us",
flow_body="You have indicated that you would like to contact us.",
flow_footer="Click the button below to proceed",
flow_id=str("<FLOW-ID>"),
flow_cta="Proceed",
recipient_phone_number=phone_number,
screen_id="CONTACT_US",
)
agent_flow_payload = flow_details(
flow_header="Talk to an Agent",
flow_body="You have indicated that you would like to talk to an agent to get more information about the services that we offer.",
flow_footer="Click the button below to proceed",
flow_id=str("<FLOW-ID>"),
flow_cta="Proceed",
recipient_phone_number=phone_number,
screen_id="TALK_TO_AN_AGENT",
)
match message_option:
case "SEND_GREETINGS_AND_PROMPT":
payload = json.dumps(
{
"messaging_product": "whatsapp",
"to": str(phone_number),
"type": "text",
"text": {"preview_url": False, "body": greetings_text_body},
}
)
case "SERVICE_INTRO_TEXT":
payload = json.dumps(
{
"messaging_product": "whatsapp",
"to": str(phone_number),
"type": "text",
"text": {"preview_url": False, "body": service_intro_text},
}
)
case "CHATBOT":
LLM = Llama(
model_path="/home/incognito/Downloads/llama-2-7b-chat.ggmlv3.q8_0.gguf.bin",
n_ctx=2048,
)
# create a text prompt
prompt = message
# generate a response (takes several seconds)
output = LLM(prompt)
payload = json.dumps(
{
"messaging_product": "whatsapp",
"to": str(phone_number),
"type": "text",
"text": {
"preview_url": False,
"body": output["choices"][0]["text"],
},
}
)
case "CONTACT_US":
payload = contact_flow_payload
case "TALK_TO_AN_AGENT":
payload = agent_flow_payload
case "FLOW_RESPONSE":
payload = json.dumps(
{
"messaging_product": "whatsapp",
"to": str(phone_number),
"type": "text",
"text": {"preview_url": False, "body": message},
}
)
headers = {
"Content-Type": "application/json",
"Authorization": "Bearer " + ACCESS_TOKEN,
}
requests.request("POST", url, headers=headers, data=payload)
print("MESSAGE SENT")若訊息是簡單的問候語（SEND_GREETINGS_AND_PROMPT），回覆將包含額外的提示（greetings_text_body）。
同樣地，當用戶詢問關於酒店所提供服務的問題時，傳送給用戶的文字訊息（service_intro_text）便會包含相關服務。除了這些服務外，該訊息還會包含一則提示，提醒用戶選擇是否想與客戶服務人員交流。
若輸入內容需要聊天機械人作出回覆（CHATBOT），則您需要初始化該模型、為其提供訊息內容，並處理需要傳回給用戶的回覆。FLOW_RESPONSE 會顯示 Flows 流程所擷取的回覆。
CONTACT_US 和 TALK_TO_AN_AGENT 等其他選項則會將 Flows 流程裝載傳送至用戶。Flows 流程裝載來自 flow_details 函數，其主體如下所示。此裝載包含 Flows 流程的必要詳情，包括 FLOW_ID；您可以從 WhatsApp Business 帳戶的「流程」頁面獲取此類資訊。此外，您也可以在環境變數中定義這些編號。
def flow_details(flow_header,
flow_body,
flow_footer,
flow_id,
flow_cta,
recipient_phone_number,
screen_id
):
# Generate a random UUID for the flow token
flow_token = str(uuid.uuid4())
flow_payload = json.dumps({
"type": "flow",
"header": {
"type": "text",
"text": flow_header
},
"body": {
"text": flow_body
},
"footer": {
"text": flow_footer
},
"action": {
"name": "flow",
"parameters": {
"flow_message_version": "3",
"flow_token": flow_token,
"flow_id": flow_id,
"flow_cta": flow_cta,
"flow_action": "navigate",
"flow_action_payload": {
"screen": screen_id
}
}
}
})
payload = json.dumps({
"messaging_product": "whatsapp",
"recipient_type": "individual",
"to": str(recipient_phone_number),
"type": "interactive",
"interactive": json.loads(flow_payload)
})
return payload
此方法可產生隨機 UUID 以建立 action.parameters.flow_token。系統會將 action.parameters.flow_action_payload.screen 傳遞為參數（screen_id）。在理想情況下，它應代表執行 action.parameters.flow_cta 時，您想要向用戶顯示的初始畫面之編號。
最後，新增 Webhook 路線。當您在 Meta for Developers 將 Webhook 加至自家應用程式時，程式碼便會發起 Webhook GET 要求。若要求成功，系統便會傳回要求的 hub.challenge。
@app.route("/webhook", methods=["GET"])
def webhook_get():
if request.method == "GET":
if (
request.args.get("hub.mode") == "subscribe"
and request.args.get("hub.verify_token") == TOKEN
):
return make_response(request.args.get("hub.challenge"), 200)
else:
return make_response("Success", 403)
POST 要求會使用上文所述的 user_message_processor 方法來擷取並處理訊息裝載。由於此程式碼僅用於處理訊息裝載，因此擷取任何其他裝載時會出現錯誤。因此，您可使用 if 陳述式來檢查是否存在 messages 主體。
@app.route("/webhook", methods=["POST"])
def webhook_post():
if request.method == "POST":
request_data = json.loads(request.get_data())
if (
request_data["entry"][0]["changes"][0]["value"].get("messages")
) is not None:
name = request_data["entry"][0]["changes"][0]["value"]["contacts"][0][
"profile"
]["name"]
if (
request_data["entry"][0]["changes"][0]["value"]["messages"][0].get(
"text"
)
) is not None:
message = request_data["entry"][0]["changes"][0]["value"]["messages"][
0
]["text"]["body"]
user_phone_number = request_data["entry"][0]["changes"][0]["value"][
"contacts"
][0]["wa_id"]
user_message_processor(message, user_phone_number, name)
else:
# checking that there is data in a flow's response object before processing it
if (
request_data["entry"][0]["changes"][0]["value"]["messages"][0][
"interactive"
]["nfm_reply"]["response_json"]
) is not None:
flow_reply_processor(request)
return make_response("PROCESSED", 200)
此外，您可以使用名為 flow_reply_processor 的協助工具函數，從 Flows 流程中擷取回覆並將其傳回給用戶：
def flow_reply_processor(request):
request_data = json.loads(request.get_data())
name = request_data["entry"][0]["changes"][0]["value"]["contacts"][0]["profile"]["name"]
message = request_data["entry"][0]["changes"][0]["value"]["messages"][0]["interactive"]["nfm_reply"][
"response_json"]
flow_message = json.loads(message)
flow_key = flow_message["flow_key"]
if flow_key == "agentconnect":
firstname = flow_message["firstname"]
reply = f"Thank you for reaching out {firstname}. An agent will reach out to you the soonest"
else:
firstname = flow_message["firstname"]
secondname = flow_message["secondname"]
issue = flow_message["issue"]
reply = f"Your response has been recorded. This is what we received:\n\n*NAME*: {firstname} {secondname}\n*YOUR MESSAGE*: {issue}"
user_phone_number = request_data["entry"][0]["changes"][0]["value"]["contacts"][0][
"wa_id"]
send_message(reply, user_phone_number, "FLOW_RESPONSE", name)
此函數會使用 flow_key 鍵來區分這兩個 Flows 流程，並相應地擷取回覆，同時傳遞正確的首個畫面編號。
在執行程式碼前，將其與完整版本加以比較，並確認所有元素均為一致。
如何設定 Webhook
在繼續操作之前，先從您的終端執行此指令：
flask --app main run --port 5000
若執行成功，您應該會看到下列訊息：
* Running on http://127.0.0.1:5000
接下來，執行 ngrok http 5000 以取得與您應用程式相應的網址。複製此連結。
接著，前往您的 Meta for Developers 開發人員帳戶，點擊左側導覽面板中「WhatsApp」下方的「配置」選單：
在「Webhook」小卡片中，點擊「編輯」。
然後，在所開啟對話框的「回調網址」欄位中，貼上所複製的網址並附上 /webhook。
在「驗證憑證」欄位中，加入 .env 檔案的 TOKEN 變數所提供的憑證。點擊「驗證並儲存」以關閉對話框。
現在，在同一個小卡片中，點擊「管理」並檢查「訊息」欄位。該小卡片應如下所示：
Webhook 現已就緒。
運行應用程式
您可以向自己的帳戶號碼傳送一則訊息，如「您好」。您應該會收到正確的回覆。嘗試使用選單所顯示的提示來回覆，以測試 Flows 流程：
以下是另一個螢幕截圖，當中顯示了聊天機械人的回覆。用戶要求簡單地翻譯一些內容，而聊天機械人可以做到這一點。
結論
WhatsApp Flows 是一款供企業蒐集結構化資料的強大工具，有助改善顧客互動，並簡化企業與消費者之間的溝通交流。建立 Flows 流程的方式之一是使用 WhatsApp 管理工具的流程建造工具；該工具提供簡單易用的 Flows 流程設計介面。
本文的示範應用程式概要地介紹了如何利用 WhatsApp Flows，從而改善顧客互動及進行以資料為本的分析。若要用於更具體的專業用途，您亦可配置 Llama 2 和 WhatsApp Flows，將聊天機械人連結至自訂模型，或者使用專有資料來源來予以訓練，使其能夠回答有關您商品及其他功能的自然語言問題。
立即使用 WhatsApp Flows，改進顧客互動體驗並簡化應用程式的資料蒐集流程。立即試用。
