大家好。這是一個使用虛構資料的專案作品集,旨在練習在 n8n 中建立多代理系統。所有工作流程和 SQL 程式碼都是公開的。README 和提示詞則是以葡萄牙語撰寫。
問題點在於,一家 B2B 電信顧問公司在同一個 WhatsApp 號碼上會收到三種類型的對話:售前潛在客戶、已簽約客戶的門號可攜申請,以及支援服務工單。這導致合格的潛在客戶可能需要等待,而有人正在解釋門號可攜的文書作業;緊急的工單也可能與帳單問題排在同一個佇列中。
這篇文章介紹了一個使用 n8n 建立的多代理系統專案,旨在處理 B2B 電信業的售前諮詢。該系統利用 Gemini Flash-Lite、Supabase 搭配 pgvector 和共享 RAG,將客戶查詢自動路由至專業代理,負責潛在客戶資格鑑定、門號可攜或服務水準協議(SLA)處理。作者也分享了在實作過程中學到的經驗與未來改進方向。

大家好。這是一個使用虛構資料的專案作品集,旨在練習在 n8n 中建立多代理系統。所有工作流程和 SQL 程式碼都是公開的。README 和提示詞則是以葡萄牙語撰寫。
問題點在於,一家 B2B 電信顧問公司在同一個 WhatsApp 號碼上會收到三種類型的對話:售前潛在客戶、已簽約客戶的門號可攜申請,以及支援服務工單。這導致合格的潛在客戶可能需要等待,而有人正在解釋門號可攜的文書作業;緊急的工單也可能與帳單問題排在同一個佇列中。
我建立了五個工作流程:RAG 資料攝取、協調器,以及三個作為工具使用的子工作流程(潛在客戶資格鑑定、門號可攜、服務水準協議 SLA)。這個系統採用 Gemini Flash-Lite 進行聊天和嵌入向量處理,Supabase 搭配 pgvector 儲存資料,並使用 Chat Trigger 進行測試。
協調器本身不解決任何問題。它負責判斷使用者意圖,並呼叫正確的專業代理。其決策規則是:如果該公司已是客戶,則視為工單;如果仍在評估中,則視為潛在客戶;門號可攜的請求,即使在銷售對話中,也一律轉交給專屬代理處理。
一次測試執行中,協調器呼叫了 SLA 代理(聊天內容為葡萄牙語,虛構公司)。我會保留的決策是:緊急程度應來自營運影響,而非客戶的語氣。憤怒的客戶不會提高優先級;營運中斷才會。客戶的憤怒情緒會被記錄在描述中。
所有代理都不會憑記憶報價方案、價格或截止日期。它們都會查詢相同的向量資料庫,如果資料庫中沒有涵蓋該情況,則會被指示告知客戶並轉交給人工處理。每個寫入記錄的代理都有一個專屬的解析節點,這樣模型的輸出發生變化時,只需在一個地方進行調整。溫度參數設定方面,工單分類為 0.1,協調器為 0.4。
我今天會做出的改變是:潛在客戶評分標準是一個固定的分數列表,但它目前存在於提示詞中,因此模型仍然需要進行加總。README 現在也說明了這一點。今天我會讓模型只提取輸入(線路數、角色、痛點、截止日期),然後將加總的邏輯放在程式碼節點或 Postgres 函數中,這樣規則就可以被測試。
目前的錯誤處理機制過於安靜。如果 JSON 格式錯誤,潛在客戶會得到 0 分並被標記為「冷」,而工單則會被標記為「中等」且服務水準協議為 24 小時。解析失敗可能會導致關鍵工單的優先級降低。原始輸出會進入描述,但沒有人會收到警報。我會將這些情況發送給人工處理。
目前沒有並行處理機制,因此來自同一客戶的兩個同時對話可能會產生重複。此外,也沒有對分類結果進行自動化評估。
兩個讓我花費調試時間的陷阱:嵌入向量方面,舊的模型別名開始提供一個較新的模型,它返回 3072 維度而不是 768 維度。沒有模型錯誤,只有插入失敗。pgvector 的 ivfflat 和 hnsw 索引在此欄位類型上不支援超過 2000 維度,因此這裡的搜尋是循序的,不過以目前的規模來說尚可接受。
作為工具呼叫的子工作流程必須是一個獨立且已發布的工作流程。同一個畫布上的代理無法被直接定址。專案儲存庫:GitHub - rodrigoteixeiraferreira/agente-prevendas-telecom-n8n。歡迎提供回饋意見,特別是關於您如何放置分數計算邏輯以及如何處理解析失敗的警報。
覺得值得一看?分享給朋友。
以上為 AI 自動翻譯導讀。原文版權歸 n8n Community 所有, 建議透過「閱讀原文」前往原始網站,以取得最完整資訊並支持原作者。
43 個來源、每 2 小時更新,太多看不完。電子報每週挑最值得看的幾則,附上 Max 的看法。