Gadai Barang AI Customer Service

Summary

Pertanyaan soal gadai itu berulang. Ini berapa nilainya, bisa pinjam berapa, bawa syarat apa. Setiap hari ada saja yang menanyakan hal yang sama, dan semua jawabannya hitung-hitungan.

Ini agent AI customer service yang melayani percakapan itu lewat chat, untuk emas dan elektronik. Agent-nya mengenali barang yang sedang digadaikan, mencari harganya, menghitung estimasi pinjaman, lalu mencatat lead-nya.

Cara kerjanya

n8n jadi orkestratornya. Webhook menerima pesan lalu meneruskannya ke agent LangChain yang jalan di Ollama dengan Qwen3, dan agent-nya memutuskan tool mana yang dipanggil.

Untuk emas, agent menanyakan berapa gram, memanggil tool harga emas, mengalikan, lalu melaporkan. Untuk elektronik, agent menanyakan jenis barang dan wilayahnya, kemudian mengambil harga dari vector database Qdrant pakai RAG dengan embedding bge-m3:567m. Setelah itu dikalikan persentase wilayah: Jakarta 80%, Jawa Barat 70%, Jawa Timur 60%, wilayah lain 50%.

Kalau harganya tidak ada di katalog, agent bilang tidak ketemu dan berhenti. Dia tidak memanggil tool pencatatan dengan angka tebakan.

Lead yang terkonfirmasi dikirim ke endpoint FastAPI yang menyimpannya di SQLite, dan dashboard Streamlit menampilkan lead-nya begitu masuk.

Teknologi

Python, LangChain, Ollama dengan Qwen3, Qdrant, FastAPI, Streamlit, n8n.

Yang akan saya ubah

Jalur penolakan itu bagian yang paling saya suka, sekaligus bagian yang paling perlu dijaga. Agent yang bilang tidak menemukan harga lebih berguna daripada agent yang mengarang angka, tapi itu hanya berlaku selama katalog harganya dirawat. Katalog yang tipis berarti banyak penolakan yang jujur.

Source code

Kodenya publik: https://github.com/rasyidev/gadai-barang-RAG