基于大模型的Multi-agent在客服、销售等场景的落地实践

发布日期：2024-10-22 07:36:18 浏览次数： 4500

作者：沙丘社区

微信搜一搜，关注“沙丘社区”

大模型缺少在最少的人类监督下自主行动的能力，以及在复杂环境中适应和执行目标的能力，基于大模型的AI Agent利用大模型理解、思考输出的“专家能力”，并附加规划、记忆、执行、工具调用能力，可以替代大量人工执行，消除大模型和真实世界沟通的障碍，解决大模型落地的“最后一公里”。

当前，AI Agent已经成为企业落地大模型时的必要路径之一。

按照智能体数量划分，AI Agent可以分为Single-agent和Multi-agent。Single-agent（单个智能体）较为常见，Multi-agent（多智能体）是在Single-agent的基础上，通过多个Agent之间的交互去解决更加复杂的问题。

根据沙丘智库发布的《2024中国AI Agent市场指南》，Multi-agent系统（MAS）由多个彼此独立但可互相交互的的Agent组成，每个Agent都能感知环境并采取行动。多个Agent朝着一个共同的目标努力，这个目标通常超出了单个Agent的能力范围。

多个Agent的联合应用可以解决单个Agent无法完成的复杂任务，同时创造出适应性更强、扩展性更高和更稳健的解决方案。但Multi-agent系统通常比单个Single-agent系统更难设计。这些系统可能会表现出难以提前预测的突发行为，需要更强大的训练和测试，以及持续的监控、追溯和文档记录。例如，Agent之间相互冲突的目标和互动可能会产生不良行为。

当前，大模型以及AI Agent技术仍处于快速发展阶段，在企业应用过程中，是Single-agent系统还是Multi-agent系统更为有效，没有确定答案，需要结合场景特点、技术能力等多方面的因素考虑。

Single-agent的潜力不可忽视，Multi-agent的价值同样值得期待。Single-agent系统在处理那些定义清晰、无需其他智能体角色或用户反馈的任务时表现较为出色，Multi-agent系统则在需要多方协作和能够采取多条执行路径的情况下，展现出其独特的优势。

沙丘智库长期跟踪调研大模型技术的发展，旨在帮助企业快速了解大模型最新、最全面的落地情况。在Multi-agent系统的落地实践方面，当前已有企业在客服、销售、运维等任务参与方较多、场景较为复杂、需要灵活调整的场景进行了探索。沙丘智库通过研究联想、百度、华为、蚂蚁等头部企业的Multi-agent落地实践，旨在为其他企业提供参考。

▎案例1：联想基于Multi-agent的销售提效实践

联想通过建立一个multi-agent系统来简化销售场景的产品配置建议流程，旨在生成精准的、定制化的产品配置建议。multi-agent系统的工作流程如下：

· 系统内的每个Agent都由一个大语言模型支持执行特定任务，如检查库存可用性、优先考虑高毛利产品以及根据营销策略推广产品；

· 根据用户输入的prompt，每个Agent从知识库中获取特定信息，并触发工具包中的相关应用来执行任务。工具包是一个API集合，这些API可以在配置过程中触发应用，不同的Agent会根据不同的任务需求选择不同的API来完成任务。

完整内容：联想基于Multi-agent的销售提效实践

▎案例2：百度客服AI Agent实践

基于Agent的对话系统需要做到在任务发起时理解任务并进行合理规划、在任务执行时根据任务状态进行灵活切换。

百度基于Agent的对话系统包括一个主Agent和多个子Agent，Master Agent作为规划器，三个子Agent（RAG Agent、信息收集Agent、观察Agent）完成知识答疑、信息收集等子任务。

完整内容：百度客服AI Agent实践

▎案例3：华为基于LLM和Multi-agent的智能运维探索

华为探索基于大语言模型（LLM）和多智能体（Multi-agent）的智能运维方案，该方案利用大模型的知识储备与运维专业知识的结合，以及多智能体的协同工作，显著提高了故障分析、异常检测和根因定位的效率。

以故障诊断为例，系统检测到节点异常后，主管Agent收到信息后下发具体任务流，请检测Agent执行详细检测、请根因定位Agent根据详细检测结果查找根因、请故障分析Agent给出故障分析报告，然后检测Agent进行检测，将指标异常、异常程度、异常开始时间等信息输入给根因定位Agent，根因定位Agent执行根因定位分析，找到根因。然后将检测出来的信息和根因输入给故障分类Agent，利用大模型进行故障分类，然后启动故障分析Agent，输出可执行代码和总结。