某销售场景下如何利用LLM

某用户面临如下问题:

销售人员在数据检索过程中,认为操作太繁杂、花费大量时间,比如:

  • 对某些术语不了解,需要去查公司内部的知识库
  • 只想要某几个数据,但是检索系统返回一大堆相关数据,需要花时间自己查找出来
  • 业务系统比较多,有的支持手机,有的只能在PC上查询,来回操作影响效率
  • 一图胜千言,一表胜千语

解决思路:

  1. 利用对话交互方式轻松获取所需数据,无需等待技术人员生成特定报告,提高工作效率并增加自主权。

    • 实现一个智能对话系统,通过自然语言处理,销售人员可以直接提问系统,快速获取需要的信息,避免繁琐的手动检索流程。
  2. 提供对接其他业务系统的能力,包括知识库。

    • 集成各个业务系统,使销售人员能够在一个平台上访问不同系统的数据,同时整合公司内部知识库,解决术语不了解的问题。
  3. 帮助销售团队快速生成客户业务往来报告,省却繁琐步骤。

    • 设计一个简化报告生成流程的工具,销售人员只需输入关键信息,系统即可自动生成符合需求的客户业务报告,提高效率
  4. 通过直观的可视化报表,全面了解客户在我司的采购金额、数量等多维度情况,为决策提供更清晰的参考。

    • 引入直观的可视化仪表板,以图形化方式展示客户采购情况,帮助销售人员更快速、全面地理解数据,从而支持更明智的决策。

梳理客户业务主线

目的是找出哪里可以提高效率、提高体验、关键决策制定、切入点、实验数据

计划和方案确定

Done

和 LLM 相关时序图

func_rag

选择 Functon Calling 的目的

在以往的 prompting 中,LLM虽然表现了一定的逻辑推理能力,但是它的逻辑比较弱的,多轮对话,也比较耗token。
像思维链、思维树和自洽性等方法,能提高准确度,逻辑能力也就到天花板了。
所以引入自己公司内部已有的逻辑系统是必要的,不用重新建设,直接使用就可以

选择 RAG 的目的

LLM的通用能力是足够的、垂直领域的能力基本先用 RAG 实现。
用函数的方式,也比较适合有多个向量数据库的情形,让LLM告诉应用,去哪个库查询。
而且还可以调用业务数据库,这块也能体现NLUtoSQL的能力

Share