Thrad.ai sadarbībā ar AWS ir izstrādājis daudzaģentu sistēmu, kas automatizē potenciālo klientu meklēšanu un personalizētu e-pastu sagatavošanu, izmantojot Strands Agents un Amazon Bedrock. Šis risinājums samazina manuālo izpētes laiku no 45 minūtēm līdz dažām sekundēm, demonstrējot jaunu pieeju datu apstrādei.
Uzņēmuma pārdošanas komandām bieži vien nākas tērēt stundām ilgu laiku, lai manuāli analizētu dažādus avotus un atrastu kvalitatīvus kontaktus. Kad jauna produkta dibinātājs uzdod jautājumu Reddit platformā, vienlaikus palaižot risinājumu Hacker News, šie atsevišķie signāli paši par sevi rada tikai fonu. Tikai tad, kad tie tiek analizēti kopā, kļūst redzama reāla pirkšanas interese. Manuāla šādu datu apkopošana nav mērogojama. Thrad.ai pārdošanas darbinieki veltīja pat 45 minūtes katra klienta izpētei pirms pirmās saziņas. Lai to risinātu, uzņēmums ieviesa daudzaģentu sistēmu, kas balstīta uz Strands Agents un Amazon Bedrock AgentCore tehnoloģijām.
Kāpēc viens aģents nespēj atrisināt šo problēmu
Viens mākslīgā intelekta aģents nespēj efektīvi apstrādāt tik dažādus informācijas avotus, jo katram no tiem ir sava specifiska API un datu struktūra. Risinājums ir specializētu aģentu izmantošana, kur katrs veic savu konkrēto uzdevumu, bet gala rezultātus apkopo un analizē atsevišķs analītiskais aģents.
Šādus sarežģītus procesus palīdz automatizēt mākslīgā intelekta asistenti uzņēmumiem, ļaujot komandām koncentrēties uz darījumu slēgšanu, nevis datu ievadi.
Lai nodrošinātu precizitāti un drošību, katram aģentam ir stingri definētas atbildības jomas un Pydantic datu validācijas shēmas. Tas novērš kļūdainu datu nodošanu tālākajā procesā.
Sistēmas arhitektūra un aģentu lomas
Daudzaģentu sistēma sastāv no četriem specializētiem aģentiem, kas darbojas saskaņotā ķēdē:
- Trend Research (Tendenču izpēte): Meklē aktuālos produktus un pirkšanas signālus sešos dažādos avotos, tostarp Hacker News, Reddit, YouTube un Stack Overflow.
- Search Specialist (Meklēšanas speciālists): Papildina atklāto kontaktu profilus ar kontekstu no GitHub un Wikipedia.
- Analysis (Analīze): Novērtē potenciālos klientus skalā no 0 līdz 100, izmantojot Claude Sonnet 4.6 modeli.
- Email Generation (E-pastu izveide): Izveido personalizētu uzrunas e-pastu, pamatojoties uz atrastajiem datiem un zīmola vadlīnijām.
Sarežģītu sociālo signālu apvienošana palīdz atklāt tos klientus, kuri ir gatavi pirkt tieši tagad, novēršot nepieciešamību veikt simtiem auksto zvanu.
Divi orkestrācijas modeļi
Tranzīcijas un koordinācijas nodrošināšanai tika salīdzināti divi populāri aģentu sadarbības modeļi.
| Parametrs | Swarm (Bariņa) modelis | Graph (Grafika) modelis |
|---|---|---|
| Darbības princips | Dinamiska kontroles nodošana starp aģentiem pēc vajadzības | Stingri noteikts, iepriekš definēts ceļš |
| Sarežģītība un kontrole | Pašorganizējoša, grūtāk paredzama | Augsta kontrole, viegli auditējama |
| Atmiņas izmantošana | Kopīga darba atmiņa visā ciklā | Izolēta vai stingri nodota specifiskiem mezgliem |
| Piemērotība | Radošiem un pētnieciskiem uzdevumiem | Stingriem biznesa procesiem ar konkrētiem soļiem |
Precīza vērtēšanas sistēma un laika faktors
Klientu izvērtēšanai tiek izmantoti pieci svērtie kritēriji, kas nodrošina objektīvu analīzi:
- Tematiskā atbilstība (25%)
- Laika aktualitāte (20%)
- Iesaistes potenciāls (20%)
- Nodoma signāli (20%)
- Datu kvalitāte (15%)
Papildus tiek piemērots laika sabrukuma koeficients. Signāli, kas saņemti pēdējo 24 stundu laikā, saņem 1.5x lielāku svaru, savukārt vecāki par 7 dienām tiek novērtēti tikai ar 0.5x svaru. Tas nodrošina, ka pārdošanas komanda reaģē uz aktuālākajiem notikumiem.
Kā norādīts AWS oficiālajā vietnē publicētajā materiālā, šāda pieeja novērš lieku resursu tērēšanu neaktīviem kontaktiem.
Datu struktūras definēšanai un drošai apmaiņai starp aģentiem tiek izmantots Python kods ar Pydantic validāciju:
from pydantic import BaseModel, Field
class ProspectLead(BaseModel):
company_name: str = Field(description="Uzņēmuma nosaukums")
source_platform: str = Field(description="Avots, kur atrasts signāls")
intent_score: float = Field(ge=0, le=100, description="Nodoma vērtējums")
raw_text: str = Field(description="Sākotnējais ziņas teksts")Biežāk uzdotie jautājumi (FAQ)
Kas ir Strands Agents?
Strands Agents ir ietvars, kas atvieglo vairāku specializētu mākslīgā intelekta aģentu izveidi un to savstarpējo sadarbību (orkestrāciju), nodrošinot vienotu atmiņu un rīku integrāciju.
Cik droša ir šāda automatizēta e-pastu izveide?
Izmantojot Pydantic validāciju un stingri definētas zīmola vadlīnijas, aģentu ģenerētais saturs tiek filtrēts. Papildu drošībai ieteicams ieviest manuālas apstiprināšanas soli pirms e-pasta nosūtīšanas saņēmējam.
