wantsong
/
knowledge-vault
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity
knowledge-vault/work/client-projects/医美/正式/销售洞察智能体系统核心设计文档.md

12 KiB
Raw Permalink Blame History

销售洞察智能体（教育、医美）系统核心设计文档 V1.0

1. 系统综述 (System Overview)

1.1 产品愿景

本系统旨在构建一个 “数据驱动的销售洞察工厂”。通过对非结构化业务数据（微信聊天、面诊录音）的深度清洗与心理学分析（基于ORBIT/PRISM模型），为医美/教育机构提供SOP优化、面诊质量质检及高转化率话术生成服务。

1.2 核心价值主张

  • 看见看不见的：通过心理画像，挖掘客户未言明的顾虑与动机。
  • 沉淀带不走的：将金牌咨询师的经验转化为机构的数字化资产（知识库）。
  • 赋能跟不上的：让普通咨询师通过AI辅助，具备资深专家的接待与催单能力。

1.3 系统架构隐喻： “一底座，三引擎”

  • 一底座 (The Base)：客户全生命周期数据中心。这是配套的信息化功能，用于存储客户档案、交互记录（文本/语音）和知识库。
  • 三引擎 (The Engines)：
    • 清洗引擎 (Agent A1/A2)：负责将杂乱数据结构化。
    • 洞察引擎 (Agent B)：负责心理分析与画像构建。
    • 策略引擎 (Agent C)：负责输出行动指南与话术。

2. 核心业务场景 (Core Business Scenarios)

本系统不介入实时的“正在进行时”对话，而是专注于 “事前预判” 、 “事后复盘” 与 “周期性优化” 。以下定义三个核心业务闭环：

场景一：邀约话术优化与知识库构建 (Invitation Optimization Loop)

  • 目标：利用历史存量数据，提炼金牌邀约话术，解决“新客开口死”的问题。
  • 时机：周期性执行（如每月一次）或系统初始化阶段。
步骤 角色 动作 (Action) 输入数据 输出结果
1. 数据归集 信息化功能 批量导入/上传销售微信聊天记录（txt/csv格式）。 原始聊天记录 待处理数据池
2. 数据清洗 Agent A1 聊天记录清洗智能体 运行。剔除寒暄，识别客户关键提问与机构回答。 待处理数据池 1. 结构化线索
2. 原始问答对 (Raw QA Pairs)
3. 知识提炼 人工服务 专家顾问（我们）审视原始问答对，筛选高转化话术，剔除违规承诺。 原始问答对 金牌邀约话术库 (SOP)
4. 知识应用 信息化功能 将SOP录入“话术检索工具”。咨询师可关键词检索。 金牌话术库 咨询师获得实时指导

场景二：面诊前线索分析与预判 (Pre-Consultation Insight)

  • 目标：在面诊前，让医生/咨询主管秒懂客户，制定针对性接待策略。
  • 时机：客户到店前 / 前台接待间隙。
步骤 角色 动作 (Action) 输入数据 输出结果
1. 记录上传 信息化功能 销售将该客户前期的微信聊天记录上传至该客户档案下。 单个客户聊天记录 客户关联数据
2. 线索挖掘 Agent A1 聊天记录清洗智能体 运行。提取显性诉求、预算信号、已暴露的顾虑。 客户关联数据 《面诊接待小贴士》
3. 策略制定 医生/主管 查看小贴士。例如：“客户在意留疤，且对竞品A有恶感”，准备相应案例。 接待小贴士 针对性的面诊方案

场景三：面诊复盘与催单转化 (Post-Consultation Conversion)

  • 目标：针对未当场成交的客户，进行深度心理诊断，生成精准催单话术；同时监控面诊合规性。
  • 时机：面诊结束后的当天复盘时段。
步骤 角色 动作 (Action) 输入数据 输出结果
1. 录音上传 信息化功能 上传面诊录音文件，系统自动转写为文本。 录音文件 面诊实录文本
2. 质量复盘 Agent A2 面诊复盘智能体 运行。进行全维度信息提取与质检（含合规/病史检查）。 面诊实录文本 《面诊复盘分析报告》
3. 深度洞察 Agent B 深度画像智能体 运行。结合A1的微信线索和A2的现场实录，进行ORBIT/PRISM分析。 微信线索 + 复盘报告 《3C客户心理全景图》
4. 话术生成 Agent C 话术生成智能体 运行。基于心理全景图中的“阻碍点”，匹配知识库生成话术。 心理全景图 + 催单库 《催单行动指南 & 话术》
5. 执行与反馈 咨询师 参考指南进行回访，并在系统中记录回访结果（成功/失败原因）。 催单话术 闭环反馈数据

3. 智能体详细规格 (Agent Specifications)

本章节定义智能体的具体“输入-处理-输出”逻辑。所有智能体均基于LLM构建，需通过Prompt Engineering和RAG（检索增强生成）技术实现。

3.1 Agent A1: 聊天记录清洗智能体 (Chat Log Cleaner)

  • 定位：非结构化文本清洗与线索提取器。
  • 核心能力：去噪、语义归类、QA提取。
  • Input (输入)：
    • raw_chat_text: 导出的微信聊天记录文本（包含时间戳、发送人、内容）。
    • config_tags: 预设的业务标签集（如：[价格抗拒], [竞品对比], [距离抗拒]）。
  • Processing (处理逻辑)：
    1. 角色分离：区分“咨询师”与“客户”。
    2. 垃圾过滤：移除表情包、纯寒暄（“你好”、“在吗”）、无效语音提示。
    3. 线索抽取：识别客户提及的症状（Symptoms）、诉求（Demands）、预算（Budget）。
    4. 问答对挖掘：提取“客户提问”与紧随其后的“咨询师回答”，并尝试打上业务标签。
  • Output (输出)：
    • client_clues: { "symptoms": [], "demands": [], "budget_range": "", "concerns": [] }
    • qa_pairs: [ { "question": "...", "answer": "...", "tag": "..." }, ... ]
    • summary_note: 一段简短的《面诊接待小贴士》（用于场景二）。

3.2 Agent A2: 面诊复盘智能体 (Consultation Reviewer)

  • 定位：合规质检与全量信息结构化。
  • 核心能力：长文本理解、规则检查、多维度摘要。
  • Input (输入)：
    • transcript_text: 面诊录音转写后的全量文本。
    • checklist_rules: 质检规则集（如：必须询问过敏史、禁止承诺100%效果）。
  • Processing (处理逻辑)：
    1. 分段摘要：按面诊流程（寒暄-问诊-方案-报价）对文本进行分段总结。
    2. 合规扫描：检索文本中是否存在违规话术或遗漏的关键询问（如病史）。
    3. 事实结构化：提取确定的医疗事实（诊断结果、建议方案、排斥方案）。
  • Output (输出)：
    • review_report: 《医美面诊复盘分析报告》（包含8大模块：主诉、病史、评估、方案、风险、费用、心理反应、建议）。

3.3 Agent B: 深度画像智能体 (The Deep Profiler)

  • 定位：跨源推理与心理建模引擎。
  • 核心能力：ORBIT/PRISM模型推理、矛盾检测。
  • Input (输入)：
    • wechat_clues (from A1): 微信聊天线索。
    • consultation_facts (from A2): 面诊事实报告。
  • Processing (处理逻辑)：
    1. 一致性校验：对比 wechat_clues 与 consultation_facts，识别客户的前后不一致点（撒谎/掩饰）。
    2. ORBIT分析：评估决策权力（Power）、人际关系（Relationship）、动机（Motivation）。
    3. PRISM分析：评估深层恐惧（Meme）、认知逻辑（Reasoning）。
  • Output (输出)：
    • 3c_profile: 《3C客户心理全景图》结构化数据。
      • decision_maker: 谁买单？（本人/配偶/父母）
      • core_fear: 真正怕什么？（怕痛/怕贵/怕没效果/怕被发现）
      • trust_gap: 信任缺口在哪里？

3.4 Agent C: 话术生成智能体 (Script Writer)

  • 定位：策略落地与内容生成器。
  • 核心能力：知识库检索、风格化写作。
  • Input (输入)：
    • 3c_profile (from B): 客户心理画像。
    • knowledge_base: 催单话术库、成功案例库。
  • Processing (处理逻辑)：
    1. 策略匹配：根据 core_fear 检索对应的解决策略（Strategy）。
    2. 素材组装：调用相关的案例描述或话术片段。
    3. 话术生成：生成微信跟进文案（文本）和电话沟通要点（Bullet Points）。
  • Output (输出)：
    • action_guide: 《催单行动指南》。含：回访时机建议、话术原文、需发送的物料清单。

4. 配套信息化功能需求 (Supporting Information System)

为了让上述智能体运转，我们需要构建一个轻量级的 CRM (Customer Relationship Management) 和 KB (Knowledge Base) 系统。

4.1 客户档案管理 (Client Profile Management)

  • 功能描述：系统的核心数据实体。
  • 关键字段：
    • 基础信息：编号、性别、年龄。
    • 智能体关联数据：
      • chat_logs: 关联的聊天记录文件列表。
      • transcripts: 关联的面诊录音转写文件列表。
      • agent_outputs: 存储 A1/A2/B/C 生成的各类报告（JSON/Markdown格式）。
  • 操作：新建客户、编辑客户、上传文件（支持拖拽上传微信导出文件/录音文件）。

4.2 数据上传与解析中心 (Data Ingestion Center)

  • 功能描述：作为 Agent 的触发入口。
  • 交互流程：
    1. 用户进入“客户详情页”。
    2. 点击“上传微信记录” -> 触发 Agent A1 -> 生成并展示“接待小贴士”。
    3. 点击“上传面诊录音” -> 触发转写服务(ASR) -> 触发 Agent A2 -> 触发 Agent B -> 触发 Agent C -> 生成并展示“复盘报告”与“催单指南”。

4.3 知识库管理后台 (Knowledge Base Admin)

  • 功能描述：用于管理 Agent C 调用的素材，以及存储 Agent A1 挖掘出的 QA。
  • 模块划分：
    • 邀约话术库：存储经过人工清洗的QA对。字段：[问题关键词] [标准回答] [适用场景] [标签]。
    • 催单策略库：存储针对不同心理画像的策略。例如：针对“怕痛”的客户，关联“无痛技术解析文案”。
    • 案例库：存储脱敏后的成功案例（图片链接/文字描述），打上 [症状] [年龄段] 标签。

4.4 权限与账号体系 (RBAC) - [精简版]

  • 不需要复杂的权限，但需区分角色：
    • 管理员/店长：可查看所有数据，可管理知识库（审核话术）。
    • 咨询师/医生：仅可上传数据，查看自己负责客户的报告与指南。

5. 开发优先级建议 (Development Roadmap)

基于 “不确定性优先 (Hybrid Engineering)” 原则，建议开发顺序如下：

  1. Phase 1: 最小闭环验证 (The MVP)

    • 信息化：仅开发“客户档案” + “文件上传接口”。
    • 智能体：优先开发 Agent A2 (复盘) 和 Agent B (画像)。
    • 目标：跑通“录音 -> 复盘报告 -> 心理画像”的价值链。这是最核心的“去魅”环节。

  2. Phase 2: 知识库与前置场景 (The Expansion)

    • 智能体：开发 Agent A1 (清洗)。
    • 信息化：开发“知识库管理后台”，支持人工对A1提取的数据进行标记和入库。
    • 目标：跑通“聊天记录 -> 邀约SOP”的知识积累闭环。

  3. Phase 3: 全链路自动化 (The Automation)

    • 智能体：开发 Agent C (生成)，联通知识库。
    • 信息化：优化前端展示（如H5报告页），提升咨询师体验。
    • 目标：实现“一键生成催单话术”。