515 lines
17 KiB
Markdown
515 lines
17 KiB
Markdown
# 06 - Case Analyst Agent (案例分析师) 设计详解
|
||
|
||
## 1. 核心职责
|
||
|
||
Case Analyst 是系统中的**案例匹配引擎**。当 Coordinator 需要用真实案例来增强说服力时（评估后展示、异议处理、犹豫用户激励），调用此 Agent 从知识库中查找并呈现最相关的成功案例。
|
||
|
||
核心能力：
|
||
1. **案例检索** -- 从知识库中搜索与用户画像最匹配的成功案例
|
||
2. **相似度评估** -- 计算用户条件与案例主角的匹配程度
|
||
3. **关键因素提取** -- 分析案例成功的关键因素，映射到当前用户的优劣势
|
||
4. **时间线参考** -- 提供案例从准备到获批的时间线供用户参考
|
||
5. **差异化呈现** -- 在多个案例之间做差异化展示，覆盖不同角度
|
||
|
||
> 设计原则：**案例必须来自知识库，不可捏造。** 如果没有匹配的案例，诚实说明而不是编故事。
|
||
|
||
## 2. 模型与参数
|
||
|
||
```typescript
|
||
{
|
||
model: 'claude-haiku-3-5-20241022', // 主要是搜索+格式化，不需要 Sonnet
|
||
max_tokens: 1500,
|
||
temperature: 0, // 案例呈现需要准确性
|
||
system: [
|
||
{
|
||
type: 'text',
|
||
text: caseAnalystPrompt,
|
||
cache_control: { type: 'ephemeral' }
|
||
}
|
||
],
|
||
}
|
||
```
|
||
|
||
选用 Haiku 的理由：
|
||
- 核心工作是搜索知识库 + 结构化整理，不涉及复杂推理
|
||
- 需要快速返回结果（用户在等待中）
|
||
- 成本敏感 -- 案例查找可能频繁触发，Haiku 成本仅为 Sonnet 的 1/10
|
||
- 输入/输出格式固定，Haiku 足以胜任
|
||
|
||
## 3. 可用工具 (Available Tools)
|
||
|
||
Case Analyst 有 **2 个工具**：
|
||
|
||
### 3.1 search_knowledge
|
||
|
||
```typescript
|
||
{
|
||
name: 'search_knowledge',
|
||
description: '搜索知识库中的成功案例、客户故事、申请经验。搜索时应包含用户的核心特征（行业、学历、年龄段）作为关键词。',
|
||
input_schema: {
|
||
type: 'object',
|
||
properties: {
|
||
query: {
|
||
type: 'string',
|
||
description: '案例搜索查询，如"IT行业硕士30岁高才通成功案例"'
|
||
},
|
||
category: {
|
||
type: 'string',
|
||
enum: ['QMAS', 'GEP', 'IANG', 'TTPS', 'CIES', 'TECHTAS'],
|
||
description: '移民类别，用于缩小案例搜索范围'
|
||
}
|
||
},
|
||
required: ['query']
|
||
}
|
||
}
|
||
```
|
||
|
||
### 3.2 get_user_context
|
||
|
||
```typescript
|
||
{
|
||
name: 'get_user_context',
|
||
description: '获取用户的详细背景信息，用于更精准地匹配案例。',
|
||
input_schema: {
|
||
type: 'object',
|
||
properties: {
|
||
query: {
|
||
type: 'string',
|
||
description: '检索用户背景，如"用户的学历工作行业信息"'
|
||
}
|
||
},
|
||
required: ['query']
|
||
}
|
||
}
|
||
```
|
||
|
||
## 4. System Prompt 要点
|
||
|
||
```
|
||
# 身份
|
||
你是 iConsulting 的案例分析师。你的任务是从知识库中查找与当前用户最匹配的成功案例。
|
||
|
||
# 核心原则
|
||
1. 所有案例必须来自知识库搜索结果，绝不能编造
|
||
2. 如果没有高度匹配的案例，诚实说明并提供最接近的参考
|
||
3. 案例呈现要突出与用户的相似点，让用户产生共鸣
|
||
4. 同时指出案例与用户的差异，保持客观
|
||
5. 优先展示最近的案例（时效性更强）
|
||
|
||
# 搜索策略
|
||
- 第一轮搜索：用用户的核心特征组合（行业+学历+类别）
|
||
- 如果结果不足：放宽条件，搜索同行业或同类别的案例
|
||
- 最多搜索 2 轮
|
||
|
||
# 相似度评分标准（0-100）
|
||
- 同行业 +25
|
||
- 同学历层次 +20
|
||
- 年龄差在5岁内 +15
|
||
- 同移民类别 +20
|
||
- 同地区/城市 +10
|
||
- 工作年限差在3年内 +10
|
||
|
||
# 输出格式
|
||
必须返回 JSON，包含 matched_cases[]、similarity_analysis、timeline_reference
|
||
```
|
||
|
||
## 5. 输入/输出格式
|
||
|
||
### 输入 (Coordinator 传入)
|
||
|
||
```typescript
|
||
interface CaseAnalystInput {
|
||
/** 用户的核心画像 */
|
||
userProfile: {
|
||
age?: number;
|
||
education?: string;
|
||
university?: string;
|
||
industry?: string;
|
||
yearsOfExperience?: number;
|
||
annualIncome?: number;
|
||
targetCategory?: string;
|
||
};
|
||
/** 目标移民类别 */
|
||
targetCategory: 'QMAS' | 'GEP' | 'IANG' | 'TTPS' | 'CIES' | 'TECHTAS';
|
||
/** 案例搜索的侧重点（可选） */
|
||
focus?: 'success_story' | 'timeline' | 'similar_background' | 'overcoming_weakness';
|
||
}
|
||
```
|
||
|
||
### 输出 (返回给 Coordinator)
|
||
|
||
```typescript
|
||
interface CaseAnalystOutput {
|
||
/** 匹配到的案例列表（按相似度排序） */
|
||
matched_cases: Array<{
|
||
/** 案例标题/代号 */
|
||
case_title: string;
|
||
/** 案例主角的背景摘要 */
|
||
profile_summary: string;
|
||
/** 申请的移民类别 */
|
||
category: string;
|
||
/** 与当前用户的相似度（0-100） */
|
||
similarity_score: number;
|
||
/** 相似点列表 */
|
||
similarities: string[];
|
||
/** 差异点列表 */
|
||
differences: string[];
|
||
/** 成功的关键因素 */
|
||
key_success_factors: string[];
|
||
/** 案例时间线 */
|
||
timeline?: {
|
||
preparation: string; // 准备期
|
||
application: string; // 申请期
|
||
approval: string; // 审批期
|
||
total: string; // 总耗时
|
||
};
|
||
/** 来源引用 */
|
||
source?: {
|
||
title: string;
|
||
article_id?: string;
|
||
};
|
||
}>;
|
||
|
||
/** 综合相似度分析 */
|
||
similarity_analysis: {
|
||
best_match_score: number; // 最高匹配分数
|
||
average_score: number; // 平均匹配分数
|
||
match_quality: 'high' | 'medium' | 'low' | 'none';
|
||
summary: string; // 一句话总结匹配情况
|
||
};
|
||
|
||
/** 时间线参考（综合多个案例） */
|
||
timeline_reference: {
|
||
estimated_preparation: string; // 预计准备时间
|
||
estimated_processing: string; // 预计审批时间
|
||
estimated_total: string; // 预计总时间
|
||
factors_affecting_timeline: string[]; // 影响时间的因素
|
||
};
|
||
|
||
/** 如果无匹配案例 */
|
||
no_match_reason?: string;
|
||
}
|
||
```
|
||
|
||
## 6. 触发时机 (When to Trigger)
|
||
|
||
Coordinator 在以下场景调用 `invoke_case_analyst`：
|
||
|
||
| 场景 | 目的 | 触发条件 |
|
||
|------|------|----------|
|
||
| 评估结果呈现后 | 用案例增强推荐说服力 | 评估完成，需要展示同类成功案例 |
|
||
| 用户犹豫不决 | 用案例激励用户 | Strategist 建议 build_rapport |
|
||
| 异议处理中 | 用案例回应"能成功吗"的顾虑 | Objection Handler 建议 provide_more_data |
|
||
| 用户主动要求 | "有没有类似的案例？" | 用户直接询问案例 |
|
||
| 时间线问题 | 用案例提供时间参考 | 用户问"要多久" |
|
||
|
||
**不应触发的场景**：
|
||
- 对话初期，用户信息不足（无法做有效匹配）
|
||
- 用户在问纯政策问题（调 Policy Expert）
|
||
- 已经展示过案例且用户没有追问
|
||
|
||
## 7. 内部循环 (Internal Loop)
|
||
|
||
Case Analyst 的 agent loop 最多 **2 轮** tool 调用，设计为**快进快出**：
|
||
|
||
```
|
||
┌─────────────────────────────────────────────────────┐
|
||
│ Case Analyst Internal Loop (max 2 turns) │
|
||
│ │
|
||
│ Turn 0: 主搜索 │
|
||
│ ├── 构建搜索查询： │
|
||
│ │ "{industry} {education} {age}岁 │
|
||
│ │ {targetCategory} 成功案例" │
|
||
│ ├── search_knowledge({query, category}) │
|
||
│ │ │
|
||
│ ├── 结果分析： │
|
||
│ │ ├── 找到 2+ 相关案例 → 直接生成输出，结束 │
|
||
│ │ ├── 找到 0-1 条 → 放宽条件进入 Turn 1 │
|
||
│ │ └── 找到 0 条 → 返回 no_match_reason │
|
||
│ │ │
|
||
│ Turn 1: 补充搜索（放宽条件） │
|
||
│ ├── 放宽策略： │
|
||
│ │ ├── 去掉年龄限制 │
|
||
│ │ ├── 只保留行业 + 类别 │
|
||
│ │ └── 或搜索同类别的通用成功案例 │
|
||
│ ├── search_knowledge({query: 放宽后的查询}) │
|
||
│ │ │
|
||
│ └── 综合两轮结果生成输出 │
|
||
└─────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
**搜索查询构建逻辑**：
|
||
|
||
```typescript
|
||
function buildCaseSearchQuery(input: CaseAnalystInput): string {
|
||
const parts: string[] = [];
|
||
|
||
// 核心维度
|
||
if (input.userProfile.industry) parts.push(input.userProfile.industry);
|
||
if (input.userProfile.education) parts.push(input.userProfile.education);
|
||
if (input.userProfile.age) {
|
||
const ageRange = input.userProfile.age < 30 ? '20多岁' :
|
||
input.userProfile.age < 40 ? '30多岁' : '40多岁';
|
||
parts.push(ageRange);
|
||
}
|
||
|
||
// 类别
|
||
const categoryNames: Record<string, string> = {
|
||
QMAS: '优才计划', GEP: '专才计划', IANG: 'IANG',
|
||
TTPS: '高才通', CIES: '投资移民', TECHTAS: '科技人才'
|
||
};
|
||
parts.push(categoryNames[input.targetCategory] || input.targetCategory);
|
||
parts.push('成功案例');
|
||
|
||
return parts.join(' ');
|
||
}
|
||
```
|
||
|
||
## 8. 与其他 Agent 的关系
|
||
|
||
```
|
||
┌──────────────┐ invoke_case_analyst ┌──────────────┐
|
||
│ │ ─────────────────────────────→ │ │
|
||
│ Coordinator │ CaseAnalystOutput │ Case │
|
||
│ │ ←───────────────────────────── │ Analyst │
|
||
└──────┬───────┘ └──────┬───────┘
|
||
│ │
|
||
│ 常见协作模式： ├── search_knowledge
|
||
│ └── get_user_context
|
||
│ 模式 A：评估 + 案例（增强说服）
|
||
│ ├── invoke_assessment_expert (并行)
|
||
│ └── invoke_case_analyst (并行)
|
||
│ → Coordinator 综合评估结果和案例一起呈现
|
||
│
|
||
│ 模式 B：异议 + 案例（回应质疑）
|
||
│ ├── invoke_objection_handler
|
||
│ └── invoke_case_analyst
|
||
│ → Coordinator 用案例数据支撑异议回应
|
||
│
|
||
│ 模式 C：单独使用（用户主动问案例）
|
||
│ └── invoke_case_analyst
|
||
│ → Coordinator 直接转述案例
|
||
```
|
||
|
||
**并行调用优化**：
|
||
Case Analyst 和 Assessment Expert 可以**并行调用**，因为两者互不依赖：
|
||
|
||
```typescript
|
||
// Coordinator 同时发起两个 Agent 调用
|
||
const [assessmentResult, caseResult] = await Promise.all([
|
||
invokeAssessmentExpert({ userInfo }),
|
||
invokeCaseAnalyst({ userProfile, targetCategory: 'TTPS' }),
|
||
]);
|
||
// 综合两者结果生成回复
|
||
```
|
||
|
||
## 9. 示例场景
|
||
|
||
### 场景 1：IT 从业者查找高才通案例
|
||
|
||
**Coordinator 调用**：
|
||
|
||
```json
|
||
{
|
||
"tool": "invoke_case_analyst",
|
||
"input": {
|
||
"userProfile": {
|
||
"age": 32,
|
||
"education": "硕士",
|
||
"university": "浙江大学",
|
||
"industry": "IT/科技",
|
||
"yearsOfExperience": 8,
|
||
"targetCategory": "TTPS"
|
||
},
|
||
"targetCategory": "TTPS",
|
||
"focus": "success_story"
|
||
}
|
||
}
|
||
```
|
||
|
||
**内部执行**：
|
||
|
||
```
|
||
Turn 0: search_knowledge({
|
||
query: "IT科技 硕士 30多岁 高才通 成功案例",
|
||
category: "TTPS"
|
||
})
|
||
→ 找到 2 条相关案例
|
||
→ 信息充足，直接生成输出
|
||
```
|
||
|
||
**返回结果**：
|
||
|
||
```json
|
||
{
|
||
"matched_cases": [
|
||
{
|
||
"case_title": "资深前端工程师 高才通B类获批",
|
||
"profile_summary": "33岁，华中科技大学硕士，前端开发9年经验，曾就职于腾讯、字节跳动",
|
||
"category": "TTPS B类",
|
||
"similarity_score": 82,
|
||
"similarities": [
|
||
"同为IT/科技行业",
|
||
"硕士学历",
|
||
"年龄接近（33 vs 32）",
|
||
"工作经验相近（9年 vs 8年）",
|
||
"均为百强大学毕业"
|
||
],
|
||
"differences": [
|
||
"案例为华中科技大学（用户为浙江大学）",
|
||
"案例有大厂经历（腾讯、字节）"
|
||
],
|
||
"key_success_factors": [
|
||
"百强大学硕士满足B类学历要求",
|
||
"9年经验远超B类最低3年要求",
|
||
"IT行业为香港重点发展领域",
|
||
"准备了详细的项目经验证明"
|
||
],
|
||
"timeline": {
|
||
"preparation": "约2周（材料准备）",
|
||
"application": "1天（在线提交）",
|
||
"approval": "5周",
|
||
"total": "约7周"
|
||
},
|
||
"source": {
|
||
"title": "IT行业高才通成功案例集",
|
||
"article_id": "case-ttps-it-001"
|
||
}
|
||
},
|
||
{
|
||
"case_title": "AI算法工程师 高才通B类获批",
|
||
"profile_summary": "29岁，北京大学学士+硕士，AI/机器学习方向5年经验，年薪50万",
|
||
"category": "TTPS B类",
|
||
"similarity_score": 68,
|
||
"similarities": [
|
||
"IT/科技行业",
|
||
"百强大学",
|
||
"高才通B类路径"
|
||
],
|
||
"differences": [
|
||
"年龄较轻（29 vs 32）",
|
||
"工作经验较少（5年 vs 8年）",
|
||
"北大 vs 浙大"
|
||
],
|
||
"key_success_factors": [
|
||
"AI领域高度匹配香港科技发展战略",
|
||
"虽然经验年限不长但项目含金量高",
|
||
"准备了发表论文和专利清单"
|
||
],
|
||
"timeline": {
|
||
"preparation": "约1周",
|
||
"application": "1天",
|
||
"approval": "4周",
|
||
"total": "约5周"
|
||
},
|
||
"source": {
|
||
"title": "AI领域人才高才通案例",
|
||
"article_id": "case-ttps-ai-001"
|
||
}
|
||
}
|
||
],
|
||
"similarity_analysis": {
|
||
"best_match_score": 82,
|
||
"average_score": 75,
|
||
"match_quality": "high",
|
||
"summary": "找到2个高度匹配的IT行业高才通B类成功案例，您的条件（浙大硕士+8年经验）与案例主角非常接近，匹配度较高。"
|
||
},
|
||
"timeline_reference": {
|
||
"estimated_preparation": "1-2周",
|
||
"estimated_processing": "4-6周",
|
||
"estimated_total": "5-8周",
|
||
"factors_affecting_timeline": [
|
||
"材料准备的完整度直接影响审批速度",
|
||
"申请高峰期可能延长1-2周",
|
||
"百强大学认证通常不需要额外时间"
|
||
]
|
||
}
|
||
}
|
||
```
|
||
|
||
### 场景 2：无高匹配案例时的处理
|
||
|
||
**Coordinator 调用**：
|
||
|
||
```json
|
||
{
|
||
"tool": "invoke_case_analyst",
|
||
"input": {
|
||
"userProfile": {
|
||
"age": 45,
|
||
"education": "大专",
|
||
"industry": "传统制造业",
|
||
"yearsOfExperience": 20
|
||
},
|
||
"targetCategory": "QMAS",
|
||
"focus": "overcoming_weakness"
|
||
}
|
||
}
|
||
```
|
||
|
||
**内部执行**：
|
||
|
||
```
|
||
Turn 0: search_knowledge({query: "传统制造业 大专 40多岁 优才计划 成功案例", category: "QMAS"})
|
||
→ 0 条直接匹配
|
||
Turn 1: search_knowledge({query: "大专学历 优才计划 成功案例 经验丰富"})
|
||
→ 1 条弱相关案例
|
||
→ 如实返回低匹配结果
|
||
```
|
||
|
||
**返回结果**：
|
||
|
||
```json
|
||
{
|
||
"matched_cases": [
|
||
{
|
||
"case_title": "制造业高管 优才计划获批",
|
||
"profile_summary": "42岁，本科学历，制造业20年经验，担任工厂副总经理，年薪80万",
|
||
"category": "QMAS",
|
||
"similarity_score": 45,
|
||
"similarities": [
|
||
"同为制造业从业者",
|
||
"工作年限相近（20年）",
|
||
"年龄接近（42 vs 45）"
|
||
],
|
||
"differences": [
|
||
"案例为本科（用户为大专）",
|
||
"案例有高管头衔",
|
||
"案例年薪较高"
|
||
],
|
||
"key_success_factors": [
|
||
"20年行业深耕，强调管理经验和行业贡献",
|
||
"持有多项行业专利和资质证书",
|
||
"在申请材料中突出了企业经营业绩"
|
||
],
|
||
"timeline": {
|
||
"preparation": "约4周（需额外准备补充材料）",
|
||
"application": "1天",
|
||
"approval": "约10周",
|
||
"total": "约15周"
|
||
},
|
||
"source": {
|
||
"title": "制造业人才优才申请经验分享",
|
||
"article_id": "case-qmas-mfg-001"
|
||
}
|
||
}
|
||
],
|
||
"similarity_analysis": {
|
||
"best_match_score": 45,
|
||
"average_score": 45,
|
||
"match_quality": "low",
|
||
"summary": "知识库中与您条件高度匹配的案例较少。找到1个同行业案例作为参考，但该案例的学历和职位层级与您有差异。建议通过详细评估确认最优路径。"
|
||
},
|
||
"timeline_reference": {
|
||
"estimated_preparation": "4-6周（可能需要额外补充材料）",
|
||
"estimated_processing": "9-12周",
|
||
"estimated_total": "3-4个月",
|
||
"factors_affecting_timeline": [
|
||
"大专学历可能需要额外的经验证明材料",
|
||
"需要突出工作成果和行业贡献弥补学历短板",
|
||
"建议准备推荐信增加申请说服力"
|
||
]
|
||
}
|
||
}
|
||
```
|