KeyFrame內部研究專用

Why We Killed Our Multi-Agent Pipeline — Subbiah Sethuraman and Abhilash Asokan, ZS Associates

AI Engineer15 min英文
觀看原始影片

三句話摘要

ZS 公司如何構建多智能體管道系統,自動化製藥行業的商業分析工作流程,並透過知識圖譜作為控制平面解決代理協調問題。 多智能體系統成功的關鍵在於分離確定性工作與智能推理、保持單一主代理的推理掌控、以及用知識圖譜作為控制平面約束和指導代理導航,而非將圖譜視為被動的數據查找工具。 多代理分割的失敗根源:初始設計為每個分析步驟(信號檢測、根本原因分析、驅動因素歸因、綜合建議)分別建立代理,但導致代理間上下文丟失、輸出不一致。例如根本原因分析正確識別保險覆蓋降低,卻被綜合代理忽視,導致建議方向錯誤。

重點整理

  1. 多代理分割的失敗根源:初始設計為每個分析步驟(信號檢測、根本原因分析、驅動因素歸因、綜合建議)分別建立代理,但導致代理間上下文丟失、輸出不一致。例如根本原因分析正確識別保險覆蓋降低,卻被綜合代理忽視,導致建議方向錯誤。

  2. 確定性工作與智能體工作的分離:信號檢測應由自動化統計管道負責(閾值、統計方法、異常檢測),而非交由語言模型判斷。這讓智能體專注於調查和推理,而非冗餘決策。

  3. 知識圖譜作為控制平面的核心角色:建立實體間關係圖(地理、支付方、品牌、KPI 及其驅動關係),指導代理可調查的維度、假設評估的邊界。代理透過遍歷知識圖譜的邊來形成假設,對照數據驗證,持續迭代直到找到根本原因。

  4. 單一主代理負責端到端推理:主代理掌控推理邏輯和判斷,必要時動態啟動子代理執行特定調查任務,但推理仍由主代理控制。這保證了邏輯一致性和業務上下文的連貫性。

實用技巧與重點

  • 製藥行業分析四步驟
  • 信號檢測:如處方量下降 18%(4 週內)
  • 根本原因分析:保險報銷等級降低
  • 行動建議:增加銷售代表拜訪
  • 結果預測:品牌銷售業績提升
  • 初始系統的三大問題
  • 語言模型執行確定性任務(信號檢測),效率低且判斷不穩定
  • 多代理間頻繁交接導致上下文遺失(如保險覆蓋權重信息丟失)
  • 各代理缺乏共同業務領域知識(對 KPI 關係、指標因果性的理解不一致)
  • 知識圖譜結構
  • 實體維度:地理(區域)、支付方(保險商)、品牌、帳戶
  • KPI 關係:一級 KPI → 二級 KPI → 三級 KPI(因果驅動關係)
  • 實體連接規則:地理如何與支付方/品牌/帳戶關聯
  • 代理循環流程
  • 從實體進入知識圖譜,查看鄰域找出邊(假設)
  • 對照原始數據評估假設
  • 推理是否發現支持/反駁證據
  • 若支持則繼續遍歷圖,直到找到根本原因或遍歷完所有假設
  • 性能結果
  • 50 多個迴圈、大量 token 消耗後,系統性能穩定
  • 完成時間:20-30 分鐘(對標人類分析師 3-4 週)

結論

多智能體系統成功的關鍵在於分離確定性工作與智能推理、保持單一主代理的推理掌控、以及用知識圖譜作為控制平面約束和指導代理導航,而非將圖譜視為被動的數據查找工具。

完整解析

ZS 公司面臨的核心問題源於製藥行業複雜的商業分析需求。製藥企業需要持續監控銷售訊號(如處方量變化),識別根本原因(競爭藥物、保險政策變更、銷售代表效能不足),制定對應行動方案,並預測行動結果。傳統流程需要分析師手動執行這四個步驟,耗時 3-4 週。

初期的多智能體方案看似邏輯完美:為每個步驟分配專門代理,透過協調代理連接。但實踐中暴露出三個致命缺陷。首先,訊號檢測被交由語言模型決策,但這本應是統計工作,導致代理時而正確、時而誤判噪聲。其次,多代理間頻繁交接導致關鍵信息丟失——根本原因分析正確識別保險覆蓋降低是瓶頸,但綜合代理無法理解這一上下文,只是機械地建議增加銷售代表,最終預測結果與原因脫鉤。第三,各代理對業務領域的理解不一致,無法把握 KPI 間的因果關係(如交易量如何驅動銷售業績、支付方政策如何影響患者可及性)。

轉折來自於團隊決定迴歸第一性原理,讓 Claude Code 在空白目錄中僅以 bash 和數據庫為工具自由探索如何解決問題。這次實驗啟發了三項核心改進。第一,將訊號檢測從智能體系統中完全分離,建立純粹的確定性自動化管道,使用統計方法、設定閾值和優先級,預先掃描數據識別異常、趨勢突破,只有訊號確認後才喚醒智能體進行調查。第二,觀察到 Claude Code 能夠反覆編寫函數、查詢數據庫、進行複雜推理,團隊決定將整個推理流程整合到單一主代理中,在必要時才動態啟動子代理執行特定調查,但推理邏輯始終由主代理控制,這消除了跨代理的上下文交接。

第三項改進是引入知識圖譜作為控制平面。這不僅是數據查找層,更是代理導航和決策的骨架。知識圖譜明確定義了所有業務實體(地理、支付方、品牌、帳戶)及其關係,以及 KPI 的多級因果結構。代理在知識圖譜中遍歷時,每條邊代表一個待驗證的假設。當代理發現交易量在全國下降,知識圖譜指導其按地理、支付方、帳戶等維度進行根因定位;一旦定位到具體維度,代理再透過 KPI 間的驅動關係推導根本原因。這個迴圈式過程持續進行,直到代理找到最終的根本原因或遍歷完所有合理假設。知識圖譜的存在確保代理不會超出業務邏輯邊界亂推測,同時保證了每個假設的評估都有數據支撐。

經過約 50 輪迴圈和大量 token 消耗的訓練後,系統達到穩定。現在它能在 20-30 分鐘內完成從訊號檢測、根因定位、假設驗證到建議生成的完整分析流程,相比人類分析師的 3-4 週,效率提升了 10 倍以上。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。