基于RAG的to B智能体（Agent）应用实践

一、前言

上篇文章《一文读懂RAG（检索增强生成）》中，笔者分享了有关RAG技术的看法。

RAG在to B领域一般应用在知识库问答，智能客服等场景，大概流程是：把知识内容进行分块，建立索引后存储于向量数据库中，通过相似度检索的方式，召回与提问匹配度较高的知识片段后输入给大模型，再让大模型基于提问进行针对性的回答。

RAG+大模型构建的机器人相比于传统机器人，有更强的语义理解能力与生成组织能力，在“解决问题”层面上整体表现更加“拟人化”。

除了以上两个场景外，RAG在to B软件领域中仍存在很多值得探索的应用场景。

本篇文章，计划通过笔者在产品工作中落地的一个项目跟大家分享如何基于RAG构建一款to B智能体（Agent）应用。

二、背景

在CRM系统中，“筛选”是一个极其高频的操作，拿“筛选客户”为例子，以下是该操作一天的活跃轨迹量。

▲“筛选客户”活跃轨迹

作为一款CRM（客户关系管理）系统，需要存储的客户信息十分的多，比如：

① 基础信息：客户名称、标签、来源等

② 工商信息：行业、经营范围、公司规模等

③ 跟进信息：通话录音、聊天记录、拜访记录、跟进总结等

④ 订单信息：产品详情、成交数据等

⑤ 其余信息：报价记录、合同收款等

为了支持用户能够灵活筛选出客户，并展开针对性的管理跟进，以往做法是：把客户信息维度拆解出不同的过滤条件供用户进行筛选操作。

举个例子：“筛选本月从百度来源创建但至今仍没联系过的客户”，操作流程大致如下：

（1）客户列表点击【添加过滤条件】，从数百个条件中找到“创建客户时间”、“最后联系时间”、“来源”三个的过滤条件。

▲添加过滤条件

（2）添加条件后，选择条件对应的逻辑关系，这里创建客户时间选择“之间”；最后联系时间选择“为空”；来源选择为“属于”。

▲选择条件关系

（3）确定每个过滤条件的条件参数，这里创建时间选择为“本月”；来源选择与“百度”有关的所有来源。

<