这个行业做这件事，卡在哪
能源与化工品贸易的询报价流程，依赖企业内部的产品手册、ERP库存数据、价格政策文件等多类资料。业务人员接收客户询盘后，需逐一核对产品的规格、牌号是否与需求匹配，确认报价是否符合区域、大客户等特殊政策，同时核对库存与交货周期。由于该行业产品牌号众多，规格参数涉及纯度、压力、温度、成分比例等细节，不同客户的报价口径存在差异，人工核对需反复查阅多份文档，流程耗时较长。审核环节由销售主管与合规岗共同参与，需确认匹配结果与价格口径均符合公司规范，进一步拉长了整体流程。
动手之前要先确认的五件事
- 确认企业是否拥有标准化的产品库，包含产品牌号、规格参数、库存状态、基础价格等信息。确认不了则无法完成产品匹配与库存核对。
- 确认公司的报价口径规则已书面化，包括区域定价、大客户折扣、特殊成分加价等标准。确认不了则无法完成价格口径的自动核对。
- 确认客户询盘的输入渠道格式可被统一识别，包括邮件、企业微信、表单等。确认不了则无法自动提取询盘中的有效信息。
- 确认负责审核的岗位已明确合格判定的具体标准，包括匹配精度、价格合规要求等。确认不了则无法对齐验收的统一口径。
- 确认企业内部已完成AI工具使用的合规审批，允许处理客户询盘与内部产品数据。确认不了则存在合规使用风险。
怎么搭：四段工作流
| 阶段 | 这一段做什么 | 用到的节点 | 配置要点 |
|---|---|---|---|
| 1. 询盘接收与解析 | 接收客户询盘，提取核心需求信息 | 开始、HTTP请求、文本内容提取 | 配置文本内容提取节点时，指定提取客户名称、产品需求、采购数量、交货地点四个核心字段，设置置信度阈值为0.7及以上的结果才被采纳 |
| 2. 规格牌号匹配 | 基于提取的需求，匹配产品库中的对应牌号与规格 | 知识库搜索、重排、判断器 | 知识库搜索召回条数根据产品库规模调整，匹配结果需通过判断器校验参数一致性 |
| 3. 报价生成与核对 | 生成初步报价单，核对价格口径与库存状态 | 代码运行、文本拼接、知识库搜索引用合并、判断器 | 调用代码运行节点获取实时库存数据，通过知识库搜索引用合并公司价格政策，使用判断器校验报价是否符合规则 |
| 4. 结果输出与存档 | 将最终结果推送至审核岗与业务系统 | 用户选择、结束、HTTP请求 | 配置用户选择节点，允许审核岗确认或修正结果，最终将结果推送至企业内部系统存档 |
易出错配置点展开
第一处易出错配置为文本内容提取的置信度阈值。阈值设置过低会引入大量错误提取的信息，导致后续匹配出错；设置过高则会遗漏部分有效信息，无法覆盖完整的询盘需求。需结合历史询盘的提取准确率调整阈值，确保提取结果符合业务要求。 第二处易出错配置为知识库搜索的召回与重排组合。当产品库条目较少时，可适当减少召回条数以提升响应速度；当条目较多时，需增加召回条数并启用重排模型，确保筛选出最相关的产品信息。重排模型的选择需与向量模型匹配，避免出现向量与重排的适配问题。 第三处易出错配置为判断器的条件设置。判断器需覆盖规格匹配、价格合规、库存充足三个核心条件，每个条件的阈值需由业务负责人与审核岗共同确认，例如规格参数的匹配度需达到预设比例，价格偏差需在公司允许的范围内。
知识库与检索怎么配
切分策略：将产品库按产品牌号、规格参数组、价格政策三个维度进行切分，每个切分块的长度控制在300-500字符之间，避免跨块的信息丢失。例如，将同一牌号的所有规格参数、对应的价格政策放在同一个切分块中。 索引方式：针对文本类的规格参数（如成分比例、执行标准）使用通用向量模型进行编码，针对数值类的参数（如压力、温度、纯度）单独生成数值型向量，提升匹配精度。可选择PostgreSQL(pgvector)或Milvus作为向量库，根据企业现有IT架构确定。 召回条数设置：当产品库条目少于500条时，召回前10条结果；当条目在500-2000条之间时，召回前15条结果；当条目超过2000条时，召回前25条结果。召回条数过多会增加计算延迟，过少则可能遗漏匹配结果。 重排的取舍：当召回条数超过10条时，启用重排模型筛选前5条结果，提升匹配的相关性。重排模型的使用会增加一定的计算成本，但可有效降低误匹配率，适合产品库规模较大的场景。
验收怎么做
验收样本分为三类，常规产品询盘、特殊规格产品询盘、大客户询盘，每类选取至少50份历史询盘作为测试样本。 需关注的核心指标包括：产品规格牌号匹配准确率、价格口径核对准确率、报价单生成完整性。 合格阈值的标定需由业务负责人与审核岗共同完成，首先选取部分样本进行测试，统计各指标的实际表现，逐步调整匹配、核对的阈值，直到符合内部的审核标准。验收结果需经审核岗确认后才可正式上线。
这个行业容易踩的坑
- 匹配到错误的产品牌号，原因是未对规格参数的单位进行归一化处理，例如将MPa与bar的数值直接对比，导致匹配出错。
- 报价口径核对不符合公司政策，原因是未将区域定价、大客户折扣等特殊规则纳入知识库索引，导致AI无法获取对应的政策信息。
- 无法识别非标规格的询盘，原因是产品库未覆盖非标产品的参数信息，导致匹配失败。
- 提取的询盘信息不完整，原因是未针对多渠道的询盘格式进行适配，例如不同邮件客户端的格式差异导致部分字段无法提取。
- 重排模型选择不当导致匹配精度下降，原因是未根据产品库的类型选择合适的重排模型，例如使用通用重排模型处理专业化工参数时效果不佳。
什么情况下先不要做
当企业的产品库未完成标准化整理，存在大量零散的产品信息且未统一录入时，不宜搭建该场景。当公司的报价口径未形成书面化规则，存在较多临时调整的情况时，也无法完成自动核对。当询盘的来源过于复杂，例如包含大量手写、语音转写的无固定格式内容，且无法通过现有节点完成信息提取时，同样不宜立即启动搭建。此外，若未明确审核岗位的合格判定标准，也无法完成有效的验收与上线。
相关阅读
- AI 能全天候解答常见售后问题吗？ - FastGPT
- AI 能自动生成销售日报吗？ - FastGPT
- AI 能自动识别售后服务中的常见问题吗 - FastGPT
- AI 能在直播结束后自动整理销售数据吗？ - FastGPT
- AI 能自动记录客户的售后历史吗？ - FastGPT
- AI 能生成售后数据分析报告吗？ - FastGPT
需要进一步确认时
- 商务咨询：可咨询场景落地的适配细节与配置要点
- 立即开始：可启动工作流搭建与全流程配置
- 定价：可获取场景部署的相关报价信息
产品事实取自开源仓库枚举定义（FastGPT v4.16.2 · fastgpt-plugin v1.1.2），案例事实取自客户已回签的可公开范围清单。核验日 2026-09-28，当时的最新发布版本为 FastGPT v4.17.0 · fastgpt-plugin v1.1.3。