ElevenLabs ग्राहक इंटरव्यू एजेंट बनाना
ElevenLabs ग्राहक इंटरव्यू एजेंट बनाना
जानें कि हमने ElevenLabs Agents का इस्तेमाल करके 24 घंटों में 230 यूज़र इंटरव्यू कैसे किए
परिचय
हमने ElevenReader ऐप के लिए बड़े पैमाने पर गुणात्मक यूज़र फ़ीडबैक इकट्ठा करने के लिए ElevenLabs Agents का इस्तेमाल करके एक AI इंटरव्यूअर बनाया। यह दस्तावेज़ उस सिस्टम डिज़ाइन, एजेंट कॉन्फ़िगरेशन, डेटा कलेक्शन पाइपलाइन और मूल्यांकन फ्रेमवर्क के बारे में बताता है, जिनका इस्तेमाल हमने 24 घंटों से कम समय में 230 से ज़्यादा इंटरव्यू करने के लिए किया।
हमारा लक्ष्य, मानव-संचालित सेशंस की शेड्यूलिंग, भाषा और ऑपरेशनल सीमाओं के बिना लाइव ग्राहक इंटरव्यू की गहराई और बारीकियों को दोहराना था।

सिस्टम आर्किटेक्चर
AI इंटरव्यूअर को पूरी तरह ElevenAgents पर बनाया गया था, जिसमें ये मुख्य कंपोनेंट शामिल थे:
- रीयल-टाइम इंटरव्यू के लिए कन्वर्सेशनल वॉइस एजेंट
- डायलॉग प्लानिंग और रीजनिंग के लिए लार्ज लैंग्वेज मॉडल
- कॉल के बाद विश्लेषण के लिए स्ट्रक्चर्ड डेटा एक्सट्रैक्शन
- ऑटोमेटेड कॉल टर्मिनेशन और सेशन कंट्रोल
एजेंट डिज़ाइन

रिसर्च के उद्देश्य
एजेंट को रिसर्च के चार मुख्य क्षेत्रों को समझने के लिए निर्देश दिया गया था:
- फ़ीचर रिक्वेस्ट और प्रोडक्ट सुधार
- मुख्य उपयोग पैटर्न
- प्रतिस्पर्धियों की तुलना
- कीमत की धारणा और ब्रांड वैल्यू
सभी इंटरव्यू में एकरूपता बनाए रखने के लिए इन उद्देश्यों को सीधे सिस्टम प्रॉम्प्ट में शामिल किया गया था।
वॉइस चयन
हमने इंटरव्यूअर के लिए Hope - The podcaster वॉइस चुनी। इसकी संतुलित गति, गर्मजोशी और बातचीत वाले टोन के कारण इसे चुना गया, जिससे यूज़र्स को कम असहजता महसूस हुई और वे लंबे सेशंस में स्वाभाविक रूप से बातचीत कर सके।
मॉडल चयन
रीजनिंग मॉडल: Gemini 2.5 Flash
लाइव बातचीत के दौरान अनुकूल फॉलो-अप सवालों के लिए पर्याप्त रीजनिंग गहराई के साथ कम लेटेंसी का संतुलन बनाने हेतु Gemini 2.5 Flash चुना गया।
सिस्टम प्रॉम्प्ट की संरचना
सिस्टम प्रॉम्प्ट में एजेंट को ये निर्देश दिए गए थे:
- रिसर्च उद्देश्यों के अनुरूप ओपन-एंडेड सवाल पूछें
- जवाब अस्पष्ट या बहुत छोटे होने पर फॉलो-अप सवाल बनाएं
- निर्देशित या पक्षपाती भाषा से बचें
- बातचीत को विषय पर और तय समय सीमा के भीतर रखें
हमारी प्रॉम्प्टिंग गाइड के अनुसार, यह पूरा सिस्टम प्रॉम्प्ट है जिसका हमने इस्तेमाल किया:
सुरक्षा और एज केस हैंडलिंग
प्रोडक्शन रोलआउट से पहले, हमने इन स्थितियों में व्यवहार सत्यापित करने के लिए ElevenLabs टेस्टिंग टूल्स का उपयोग करके सिम्युलेटेड बातचीत की:
- एक शब्द वाले या जानकारी न देने वाले जवाब
- विषय से हटकर इनपुट
- अनुचित भाषा
- चुप्पी या लंबे विराम
इन टेस्ट्स के आधार पर इंटरव्यू की गुणवत्ता बनाए रखने के लिए प्रॉम्प्ट में अतिरिक्त गार्डरेल्स जोड़े गए।
सेशन अवधि नियंत्रण
हर इंटरव्यू की अवधि अधिकतम दस मिनट थी। एजेंट ने end_call टूल का इस्तेमाल इन कामों के लिए किया:
- सेशन को सहजता से समाप्त करना
- यूज़र को उनके समय के लिए धन्यवाद देना
- बहुत लंबे या बार-बार दोहराए जाने वाले संवादों को रोकना
डेटा कलेक्शन और विश्लेषण

ट्रांसक्रिप्ट प्रोसेसिंग
सभी बातचीत को ट्रांसक्राइब किया गया और ओपन-एंडेड संवाद से स्ट्रक्चर्ड डेटा निकालने के लिए ElevenLabs Agents Analysis फीचर से प्रोसेस किया गया।
हमने ऐसे सवालों के जवाब ट्रैक किए:
- “आज आप मुख्य रूप से ElevenReader का इस्तेमाल कैसे कर रहे हैं?”
- “कौन से दो बदलाव ऐप को सबसे बेहतर बनाएंगे?”
स्ट्रक्चर्ड आउटपुट
निकाले गए फ़ील्ड में शामिल थे:
- मुख्य उपयोग का मामला
- मांगे गए फ़ीचर्स
- रिपोर्ट किए गए बग्स
- भावना के संकेतक
इससे हम हर ट्रांसक्रिप्ट को मैन्युअली रिव्यू किए बिना गुणात्मक फ़ीडबैक को एकत्रित कर सके।
सीमाएं और सीख
- सतही जवाबों से बचने के लिए AI इंटरव्यू में सावधानी से प्रॉम्प्ट डिज़ाइन करना ज़रूरी है
- लागत नियंत्रित रखने और फोकस बनाए रखने के लिए समय सीमा तय करना आवश्यक है
- स्ट्रक्चर्ड एक्सट्रैक्शन अहम है—सिर्फ ट्रांसक्रिप्ट विश्लेषण के लिए स्केल नहीं हो सकते
आगे का काम
हम इस सिस्टम को इन तरीकों से आगे बढ़ाने की योजना बना रहे हैं:
- यूज़र सेगमेंट के आधार पर अनुकूल इंटरव्यू पाथ जोड़ना
- रीयल-टाइम सेंटिमेंट स्कोरिंग इंटीग्रेट करना
- बहुभाषी इंटरव्यू कवरेज बढ़ाना
- निकाले गए इनसाइट्स को सीधे प्रोडक्ट ट्रैकिंग सिस्टम्स से कनेक्ट करना
आज ही अपना एजेंट बनाना शुरू करें या अधिक जानने के लिए हमारी टीम से संपर्क करें।