5.2 KiB

Raw Blame History

销售洞察智能体系统 - Agent C 集成手册 (V1.0)

目标读者: 系统架构师、后端工程师、Prompt 调试员 文档密级: 内部公开

1. 组件综述 (Component Overview)

组件名称: Agent C (Script Writer / 话术生成智能体)
系统定位: 策略落地层。作为整个链路的最终输出端，负责将上游的“数据”与“洞察”转化为可执行的“销售动作”。
核心功能: 基于客户画像和面诊复盘，检索知识库，生成个性化的微信跟进文案、电话沟通话术及合规预警。

2. 数据流图 (Data Flow)

graph LR
    A1[Agent A1<br>清洗报告] -->|Context| C(Agent C)
    A2[Agent A2<br>复盘报告] -->|Context| C
    B[Agent B<br>心理画像] -->|Context| C
    KB[(知识库/RAG)] -->|Retrieved Scripts| C
    C -->|JSON Output| FE[前端/CRM系统]

3. 输入规范 (Input Specification)

Agent C 接收一个包含多源数据的 JSON 对象 (payload)。

3.1 上下文数据 (Context Data)

字段名	数据源	类型	描述	关键用途
`chat_analysis_report`	Agent A1	Object	聊天清洗报告	提取客户生活节奏、社交压力，用于决定发送时机和语气。
`consultation_review_report`	Agent A2	Object	面诊复盘报告	提取医生方案、报价、遗漏的风险告知、现场金句(mining)。
`client_psychology_profile`	Agent B	Object	心理画像结果	提取 `core_fear` (恐惧), `motivation` (动机), `cognitive_logic` (认知) 标签。

3.2 检索增强数据 (RAG Data)

系统需先根据 Agent B 的 Tags 在向量数据库/知识库中进行检索，将结果注入 retrieved_knowledge 字段。

字段名	数据源	类型	描述
`retrieved_knowledge`	KB System	Array	筛选后的知识片段列表。包含 QA 问答、科普话术、异议处理脚本。

检索逻辑 (Search Logic):

Query = Agent B (core_fear Tags + motivation Tags) + Agent A2 (churn_reason / 拒绝原因)
Filter = 匹配度 > 0.75

4. 输出规范 (Output Specification)

Agent C 输出标准 JSON 格式，供前端渲染“催单指南”页面。

Schema 定义:

{
  "strategy_summary": "String (策略摘要，用于Dashboard展示)",
  "wechat_follow_up": {
    "timing": "String (建议发送时间)",
    "scripts": [
      {
        "option_tag": "String (版本标签: 共情版/干货版)",
        "recommendation_score": "Integer (1-5)",
        "text": "String (核心产出：微信文案，支持一键复制)",
        "why_it_works": "String (解释文案背后的策略逻辑)"
      }
    ]
  },
  "phone_call_guide": {
    "opening": "String (电话开场白)",
    "talking_points": ["String (沟通要点List)"],
    "objection_handling": [
      {
        "anticipated_objection": "String (预判异议)",
        "response_script": "String (应对话术)"
      }
    ]
  },
  "material_kit": ["String (推荐发送的图片/视频文件名)"],
  "compliance_alert": "String (高亮显示的合规预警)"
}

5. 功能逻辑与处理规则 (Processing Logic)

5.1 策略优先级 (Priority Rules)

当上游数据存在冲突时，Agent C 内部遵循以下权重：

线下行为 (Agent A2) > 线上言论 (Agent A1)
- Case: A1 说“预算无限”，A2 记录“嫌贵未成交”。
- Result: Agent C 生成“价格异议处理”话术。
合规限制 (Agent A2) > 营销张力 (Agent B)
- Case: B 建议用“逆龄”激发动机，A2 警告存在合规风险。
- Result: Agent C 自动降级措辞为“年轻化改善”。

5.2 话术生成逻辑 (Generation Logic)

Tone (语气): 依据 Agent B 的 cognitive_logic 标签动态调整。
- [Rea: 逻辑怀疑型] -> 输出结构化、数据支撑的文案。
- [Rea: 体验直觉型] -> 输出感性、画面感强的文案。
Content (内容):
- 必须引用 retrieved_knowledge 中的核心论点。
- 必须尝试复用 Agent A2 中 module_9_script_mining 提取的医生现场金句（唤醒记忆）。

6. 异常处理 (Exception Handling)

E01: 画像缺失 (Profile Missing)
- Condition: 输入中 client_psychology_profile 为 null。
- Action: 降级模式。生成通用型“术后关怀”话术，不涉及深度心理攻单。
- Output Flag: strategy_summary 前缀添加 [通用模式]。
E02: 敏感词触发 (Safety Trigger)
- Condition: 生成内容包含“根治”、“承诺”、“第一”等词。
- Action: LLM 自我修正（Self-Correction）或后置规则过滤器拦截。

7. 开发建议 (Dev Notes)

RAG 调试: 务必确保 Agent B 的 Tags 与知识库中的 Tags 映射关系一致，否则 Agent C 会因为“没子弹”而产生幻觉。
Prompt 长度: 由于输入包含 3 个报告，Context Window 可能较长。建议只传入 A1/A2/B 的关键摘要字段（如 A2 只传 module_4 到 module_9），而非全量文本。
A/B 测试: 前端可设计“换一换”按钮，利用 wechat_follow_up.scripts 数组中的备选方案。

5.2 KiB Raw Blame History Unescape Escape