AI 智能体在电商领域主要有以下应用：
以Kimi+的“什么值得买”智能体举例，假设用户输入“我想买个笔记本电脑”，智能体会先做Query Rewrite提取出“笔记本电脑”关键词，再通过“什么值得买”的API检索对应的商品信息，拿到检索结果后，跟智能体内置的提示词组装成上下文，请求大模型回答。于是这个智能体便成了一个电商导购类的垂直搜索()应用，在商品推荐方面有更好的回答效果。1.工作流Workflow工作流Workflow也可以理解为多智能体协作Multi-Agents，通过多个智能体的组装，解决一些复杂场景的搜索问题。比如：给新产品取名，我习惯的步骤是告诉大模型新产品是做什么的，大模型推荐几个可取的名字选择其中一个名字，去谷歌检索，是否有同名去Twitter检索是否有同名去Github检索是否有同名选择一个域名，去Namecheap搜索是否已被注册全部检测通过，确定产品名，注册域名这里涉及到一个回溯的问题，也就是在其中某个步骤发现产品名不可用，要回到第一步重新选择名字，再继续走后面的检测步骤。人工去做这件事，毫无疑问是很费时间的。AI搜索+Workflow的模式，可以有效解决这个问题。首先定义几个智能体，每个智能体完成一项功能。比如A智能体只负责给出建议的名字，B智能体负责检索谷歌是否有同名，C智能体负责检索Twitter是否有同名，D智能体负责检测Github是否有同名，E智能体负责检测可用的域名...另外还需要有一个调度中枢，协调每个智能体的工作，需要做决策，决定是继续下一步还是回溯到之前的步骤。
我们将探讨的第一类智能体是决策智能体，它们使用智能体决策制定在复杂、多步骤的推理流程中导航并做出业务决策。与RAG或工具使用方法不同，这种架构首次将一定的控制逻辑交给LLMs，而不是预先设定所有步骤-但仍位于智能体自由度范围的较低端，因为智能体主要作为路由器导航一组预先确定的决策树。让我们以[Anterior](https://www.anterior.com/)(前称Co:Helm)为例。该健康计划自动化公司开发了一个临床决策引擎,用于自动化理赔提交审核。护士们如今凭借装满条件知识(就像世界上最无聊的"自选冒险")的付款人规则手册,人工完成这些审核。Anterior简化了这个过程。该公司首先将付款方规则转换为有向无环图(DAG),使用基于规则的脚本和语言模型。然后,他们的智能体遍历这个决策树,在每个节点利用LLMs来评估相关的临床文件是否符合特定的规则。对于较简单的节点,这可能涉及基本的检索增强型生成(RAG)步骤。但是,Anterior经常遇到需要子链的更复杂的任务,在这种情况下,智能体必须选择最佳方法,然后才能进入下一个节点。它会在每次决策时更新自己的状态(在内存中管理这些中间输出),并一直进行到最终确定。前者并非独一无二的采取这种方法。其他领域也在利用决策智能体,包括[Norm AI](https://norm.ai/)正在为监管合规打造AI智能体,以及[Parcha](https://www.parcha.com/)正在为KYC建立智能体。
在智能体的构建中，对于结构的理解和控制，是整个工作流中最重要的部分，本文旨在为大家提供的是结构化的思路，而结构中的单点，可以通过不断迭代的方式，不断完善。请注意，品牌卖点提炼助手的本质是一个办公助手的形式，它最强的能力是为本来就具有营销思维的团队提供更为广阔的思路，将核心的经历放在决策和更具创意的部分，可以极大的提高团队效率。[heading2]4.1后续的迭代方向[content]实际的搭建过程，除了按照营销管理的结构进行智能体的搭建，实际也要根据公司所处的业态进行合理的调整，给智能体更多的提示词来提升分析的合理性。比如对于电商产品，其线上的触点是淘系京东系的电商平台，和抖音小红书等兴趣电商内容平台，而线下触点则是产品的包装、包裹、包括卡、产品说明书等，人员触点是销售人员、主播、售后、客服等。而线下是的实体服务行业，其线上的触点是大众点评/美团等线上OTA本地生活平台，抖音小红书等新媒体内容平台，而线下触点则是线下的门店展示，服务流程等，人员则是电话销售、服务人员等。因此，在实际的智能体构建中，结构上遵循营销管理的流程，可以保证智能体在输出上不会乱说八道，而通过调整单独智能体的提示词，可以有效提升在某一部分助手信息的准确度。另外，营销管理的结构化提示词中有一个注意事项，不要依赖于举例，因为举例有可能会限制AI在某一个方向上的发散思维，虽然避免了AI胡说八道，也限制了提供更有创造性思路的可能性。在营销过程中，更依赖于公司人员和咨询人员的决策力和敏锐的洞察力，智能体的灵感助手能够帮助我们更轻松的决策。