场景与痛点
贸易销售企业的核心知识往往不是产品手册,而是围绕「这家客户」的一切:对方在乎交期还是价格、历史报价卡在哪个条款、上次投诉如何处理、惯用的物流与付款方式。这些信息通常分散在四类载体:个人微信与聊天记录、Excel 客户台账、邮件附件,以及老销售脑中的记忆。由此产生三个典型后果:新人上手慢,接手客户要翻几个月的聊天记录;报价口径不一致,同一客户在不同销售口中得到不同条件;人员流失即断档,销售离职带走的不只是客户名单,更是谈判上下文。根因在于客户知识从未被当作团队资产来管理,而是随人分散、随人流失。
总体思路:先结构化,再检索
直接把聊天记录整体倒进向量库,检索效果往往很差,建议把客户知识分成三层再入库:客户主数据层,即名称、行业、地区、客户等级等结构化字段,用表格存储;交易事实层,即报价、订单、退换货记录,来自 ERP 或手工台账,同样表格化;沟通纪要层,即跟进记录、通话摘要与聊天导出文本,这是需要语义检索的部分。前两层做精确匹配与权限控制,第三层做向量检索,最后由本地大模型把两层信息拼成带出处的答案。
步骤一:客户资料结构化归集
先用脚本把分散的台账统一为 JSONL,作为主数据层的基础:
import pandas as pd, json
df = pd.read_excel('customers.xlsx')
df.columns = [c.strip() for c in df.columns] # 规范字段名
df = df.dropna(subset=['客户名称'])
records = df.to_dict(orient='records')
with open('customers.jsonl', 'w', encoding='utf-8') as f:
for r in records:
f.write(json.dumps(r, ensure_ascii=False) + '\n')
print('归集客户数:', len(records))
步骤二:跟进纪要切分与向量化入库
沟通纪要按 300 字左右切片写入本地持久化向量库,每条纪要首行约定为「客户名|内容」,客户名作为元数据保留,便于后续按客户过滤:
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.schema import Document
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.vectorstores import Chroma
lines = open('followups.txt', encoding='utf-8').read().split('\n---\n')
splitter = RecursiveCharacterTextSplitter(chunk_size=300, chunk_overlap=50)
docs = []
for line in lines:
cust = line.split('|')[0].strip()
docs += [Document(page_content=t, metadata={'customer': cust})
for t in splitter.split_text(line)]
emb = HuggingFaceEmbeddings(model_name='paraphrase-multilingual-MiniLM-L12-v2')
Chroma.from_documents(docs, emb, persist_directory='./kb_sales')
print('入库片段数:', len(docs))
步骤三:面向销售场景的检索问答
查询时对纪要做语义检索,并要求本地大模型只依据命中片段作答、注明出处,避免模型自由发挥:
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.llms import Ollama
emb = HuggingFaceEmbeddings(model_name='paraphrase-multilingual-MiniLM-L12-v2')
kb = Chroma(persist_directory='./kb_sales', embedding_function=emb)
hits = kb.similarity_search('该客户对付款条件的历史要求', k=3)
ctx = '\n---\n'.join(h.page_content for h in hits)
llm = Ollama(model='qwen2.5')
prompt = f'仅依据以下跟进纪要回答,并指出依据哪条纪要:\n{ctx}\n问题:该客户对付款条件的历史要求是什么?'
print(llm.invoke(prompt))
提醒:客户沟通数据是敏感资产,知识库必须私有化部署并按角色设置检索权限,销售只能查到自己负责与被授权的客户;大模型回答必须附带来源纪要,正式报价与合同条款一律以 CRM 与 ERP 实单为准;聊天记录导出入库前应经企业合规确认。
落地效果怎么衡量
建议用三个可观察指标评估,而不是笼统地问「好不好用」:新人首单周期,即新销售从入职到独立成单的时间是否缩短;报价口径一致率,抽查同一客户多轮报价条件是否一致;纪要入库率,当日跟进当日写入纪要的比例。知识库只是容器,配套管理要求「当日跟进、当日留痕」,库里有活水,检索才有价值。
如果贵司希望在销售团队落地这套客户知识沉淀机制,可以了解上邦的私有 AI 知识库方案(https://aiwork.shangbon.com/ai-rag.html),支持本地部署、权限分级与按部门隔离检索,并可与上邦 CRM 的客户与跟进模块打通,把客户主数据与沟通纪要直接纳入统一知识库。
参考来源
LangChain 官方文档(文本切分、向量检索与模型调用) - python.langchain.com;Chroma 官方文档(持久化向量数据库) - docs.trychroma.com。