我们先从任务开始
我们确定有用的结果、初始数据和工作的边界。模型的选择遵循它们。
我们了解系统的结构:它解决什么问题,从哪里获取数据,执行什么操作以及如何检查结果。
我们确定有用的结果、初始数据和工作的边界。模型的选择遵循它们。
连接角色、记忆和工具。我们了解为什么要这样设计以及可以替换什么。
我们将答案与来源进行比较。我们分析失败、停止条件和由个人决定的决定。
我们展示了研究的进展和结论的基础。我们讨论该方法在哪些方面有用以及在哪些方面增加了复杂性。
代码是一种实现手段。了解该流程有助于您明智地选择产品。
建立您的代理我们正在招募一名助理来负责销售部门的日常工作:收入和动态分析, 根据客户信件分析请求和准备报告。代理发现客户的需求、申请状态和下一步,通过计算和报价来支持答案。
我们通过以下方式披露销售预测预期需求的基本估计以及仓库的补货。代理根据分析文档中的销售历史找到现成的计算,并帮助检查其假设。
从第一次计算到事件报告有十个步骤。附加语音接口允许您口述请求、确认识别的文本并收听响应。
我们连接销售表。代理选择所需的计算并显示结果以及源。
我们设置请求和响应字段。日期、名称和指标被纳入单一表格中并进行检查。
代理向目录、销售或动态计算发送请求。每条路线都以明确的结果结束。
系统保存管理者、期间、指标。考虑到先前的请求,简短的澄清继续进行分析。
每个动作都会收到一个标识符。测试用例可帮助您比较更改后的结果。
我们根据客户信件和文件分析申请。代理商找到条款和协议,显示确切的报价和来源。
我们添加来自不同来源的销售额、余额和文件。访问权限决定代理可以采取的操作。
我们将计算和来源收集到一个序列中。结果在浏览器中作为现成的报告打开。
我们配置角色、确认重要操作和备份。工作实例由用户请求验证。
新文件或计划将启动报告。队列存储事件,在失败后重试操作,并防止重复。
请求示例
01 / 销售
“根据销售数据,2026 年 1 月的总收入是多少?”
02 / 应用分析·RAG
“申请req-0003需要哪些文件?根据信件,申请是如何结束的?”
03 / 销售预测
“余额与根据 8 月份数据预测的交货日期需求相比如何?计算中包含哪些假设?”
意义识别语音并显示查询文本
控制在将文本发送给代理之前确认文本
结果显示结果及其来源并语音回答
从设计系统到检查结果。打开一个问题或一次展开所有答案。
Agents Effect Lab 是一个代理系统实验室。在这里,我们探讨人工智能代理的架构,分析工具并分享设计经验。决策的基础在材料中很重要:设置什么任务、如何确认结果以及仍然存在哪些限制。重点关注的中心系统是销售部的代理-助理。
销售部门的代理助理帮助分析收入和动态、整理客户信件中的请求并准备报告。为了预测销售,他使用文档中提供的预期需求和补货需求的计算。语音界面允许您口述请求、确认文本并收听答案。计算和结论可以通过来源进行验证。
聊天是一种交互方式,代理是一种组织系统运行的方式。代理可以选择下一步并在指定规则内访问工具。同时,聊天还可以访问搜索和文件。差异是由动作的独立性和进程的结构决定的,而不是由对应窗口的类型决定的。
该架构连接任务、数据、角色、工具和结果验证。它允许您提前确定允许系统执行哪些操作以及何时应该停止。如果没有这些解决方案,更换模型或工具很难消除错误原因。因此,在实验室中,我们首先考虑流程的设计,然后再考虑其实现的手段。
代理按经理和期间计算销售额,比较指标并查找有关应用程序的信息:客户需求、条件、状态、拒绝原因和下一步。该分析基于可用的通信和现成的分析部分。为了计划销售,代理商通过计算假设帮助研究需求评估和仓库补货。经理检查原因并做出决定。
销售预测由预期需求和补货需求的基本估计来表示。完成的计算使用8月日均销量、交货时间和7天库存;代理在分析文件中找到它并帮助理清假设。这是基于历史较短的演示集的计算。将其应用到您的业务需要最新的数据和测试假设。
要理解架构,更重要的是能够描述任务、数据流和结果标准。在实现自定义逻辑、连接系统和测试行为时,代码变得至关重要。可视化工具可以使组装变得更容易,但无论选择哪种实现方法,访问、状态和错误问题仍然存在。
选择从需求开始:哪些来源可用、需要哪些操作、数据存储在哪里以及如何检查错误。然后评估工具限制、运营成本和更换可行性。产品的受欢迎程度本身并不能证明其适用性。在博客中,我们通过 n8n、LangGraph、MCP 和其他工具在系统中的作用来了解它们。
项目包括销售表、目录、仓库余额、文档和客户信函。扩展演示集包含 50 个请求:它们的对应关系和现成的分析部分可通过文档搜索获得。对于基于新结构化数据和 CRM 中订单更改的任意计算,将需要单独的连接。获取信件会考虑角色和负责的经理。
矢量数据库存储对象的数字表示,并允许您根据所选的度量找到近距离。在处理文本时,这有助于寻找语义匹配,即使措辞不同。邻近性并不能证明陈述的真实性。可能需要过滤器和全文搜索来获取确切的代码、日期和名称。
RAG 是一种系统首先在源中查找信息,然后将其传递给模型以准备响应的方法。这有助于将响应链接到可用文档。结果取决于搜索的质量、片段的选择和链接的检查。 RAG 的存在并不能保证准确性,也不排除未经证实的结论。
上下文 - 在特定请求中模型可用的信息。内存是系统可以选择供后续访问的存储数据。这些可以根据任务条件或先前行动的结果达成一致。记忆需要选择、保留和删除的规则:所有对应关系的积累常常会增加过时的信息和矛盾。
验证将陈述与问题来源和标准进行比较。每一个重要的结论都必须有可理解的基础;计算需要单独验证。区分事实、假设和数据差距很有用。回应的自信语气和引用的存在本身并不能证明来源实际上支持结论。
正确的行为是表明缺乏数据、澄清请求或停止。如果源或选择条件发生变化,重复搜索会很有用。无休止的重复并不能创造证据。该架构预先确定了尝试的限制以及将任务转移给人员的方法,以便缺乏答案不会变成虚构的结论。
连接和服务中设置了限制:最低权限、允许的操作、可用数据区域。重大行动可能需要人工确认。模型遵守规则的文本请求并不能取代技术控制。外部文档的内容被视为数据,因为它可能包含覆盖指令的尝试。
如果多个角色的职责和审查理由确实不同,那么多个角色是有用的。例如,如果存在共同的结果标准,则可以将信息检索和断言检查分开。每个额外的角色都会增加审批的成本和复杂性。如果多个模型都依赖于相同的误差,那么它们的一致性就不是独立的证据。
在本地应用程序中,语音会转换为文本。用户验证识别的命令并确认发送,之后代理以与文本聊天中相同的访问权限执行请求。可以说出准备好的答案。语音识别和合成需要配置;语音接口被描述为代理项目能力。
成本和延迟受到模型、上下文大小、点击次数、搜索和外部工具的影响。重试和附加角色也会浪费资源。根据特定任务经过验证的结果的成本来比较解决方案非常有用。如果必须多次纠正响应,则单个响应的低成本对总体成本影响不大。
一个代理——销售部门的助手,按顺序由十个步骤组成:计算、数据结构、工具选择、内存、日志、文档搜索和外部资源。然后添加报告、访问权限、事件触发和通知。扩展集提供了用于分析应用和评估需求的材料。语音控制还涉及一个附加步骤:识别、确认文本并用语音回答。
从一项有限的任务开始:确定预期结果、可用来源和验证方法。记录需要您确认的操作。 Then match the problem with the architectural solutions from the blog and the lab materials map.此顺序有助于在选择工具之前讨论特定系统及其局限性。
让我们继续研究
观看组建代理商——销售助理的十个步骤。每一步都会增加一个新的工作机会。