利用 MongoDB 和 Dataworkz 的代理式 RAG，为客户提供个性化聊天机器人，从而提升购物体验。
行业： 零售
产品： MongoDB Atlas，MongoDB Atlas Vector Search
解决方案概述
随着生成式人工智能和代理等创新技术的兴起，零售商正在将这些解决方案用于各种使用案例。示例包括实时客户数帮助、个性化推荐和改进的搜索功能。这些进步正在改变品牌与客户数建立有意义的联系的方式。
最近的研究显示，基于AI的聊天机器人将美国的在线销售额同比增长了近 4%，这进一步证明了这样一个观点：AI不仅是一种趋势，而且是零售增长的持久驱动程序。RAG 是一项可以进一步彻底改变零售领域的尖端技术。基于这一想法，本文提出了一种解决方案，使用MongoDB和 Dataworkz 来统一操作数据和非结构化数据，从而改善客户数体验。
什么是代理？
代理是一种人工计算实体，能够感知其环境和上下文中的关联数据。这些代理可以在电子商务中交互，也可以根据需要执行部分复杂任务。
检索增强生成
RAG 是一种通过专有数据增强 LLM 的方法，使其能够生成更准确和上下文感知的响应，同时减少幻觉。
图 1. 传统 RAG
Agentic RAG
Agentic RAG 引入了基于 AI 代理的 RAG 实现。在这个模型中，代理可以访问不同的工具和功能，使其能够超越信息检索和生成，允许其进行规划。代理可以确定是否需要检索特定信息，决定使用哪个工具进行检索，并制定查询。这些功能至关重要，因为它们使代理能够从多个数据源提取信息，处理需要多个数据源才能做出响应的复杂查询。Agentic RAG 可以增强客户互动，简化各行业的流程。
图 2。Agentic RAG
有关更多详细信息，请参阅 Dataworkz Agentic RAG。
图 3.常规 RAG 与自主式 RAG 比较
对零售行业的影响
零售迅速采用了生成式AI。在 2024，四分之一的消费者在购物体验中使用了AI，比上一个年增加了 4%。
在零售领域，生成式人工智能的一些使用案例包括：
客户数支持聊天机器人：由 Gen AI驱动的聊天机器人可提供实时帮助，并对业务策略、用户历史记录和偏好进行上下文感知。
个性化产品推荐：根据客户的具体喜好、需求和过去的订单进行推荐。这些个性化推荐使客户数的购物更加愉快，并增加成功购买的机会。
动态市场营销内容：Gen AI应用程序可以为每个客户数生成个性化的促销信息、电子邮件和消息，从而提高互动、销量和保留率。
参考架构
介绍 Dataworkz
Dataworkz 是一个 RAG 即服务平台，它改变了组织构建和部署AI应用程序的方式。其基于代理的架构和图表优化的检索可帮助大型企业在数小时内（而不是数月内）启动复杂的 RAG 应用程序。
该平台通过直观的无代码生成器，自动实施 RAG 开发的最佳实践，从而消除了对专业 AI 团队的需求。与将您锁定在早期架构决策中的传统方法不同，Dataworkz 支持快速实验，您可以在投入生产之前，在受控环境中测试不同的检索策略、提示变化和模型组合。
Dataworkz 提供可立即投入生产的 RAG 应用程序，无需构建和维护复杂AI基础架构的传统开销。
该架构由以下关键组件构成：
针对复杂关系的图表优化知识检索。
基于代理的架构，用于复杂推理。
内置最佳实践的无代码构建器。
从实验到生产的全生命周期支持。
BYO 灵活性 — LLM、嵌入模型和矢量数据库。
企业级安全性和可扩展性。
利用 MongoDB 与 Dataworkz
Dataworkz 通过提供友好的体验，简化了创建 RAG 管道的过程，包括提取非结构化数据、配置数据块策略以及创建向量嵌入。Dataworkz RAG 构建器还允许开发者选择基于词法、语义或图数据库的不同检索机制，并通过设置不同阈值来构建回答用户问题的上下文。
该集成还支持实时数据处理和分析，确保AI模型使用最新数据做出准确、相关的响应。
Agentic RAG 架构
为了构建变革性成果，传统的 RAG 系统主要采用向量搜索技术，必须与运营数据库中的最新信息进行集成。
MongoDB Atlas Vector Search 为矢量嵌入提供内置支持，无需单独的矢量数据库，从而简化了架构并降低了复杂性。
借助 Dataworkz 代理，零售商可将其配置为工具，从而提供对MongoDB集合的受控访问权限。在许多情况下，客户数有一个API层来抽象根本的集合。Dataworkz 可以与REST API或GraphQL集成。
此外，在 Dataworkz 中配置的任何 RAG 管道都可以作为代理的工具。这样，代理就能根据用户的问题，理解 SharePoint 网站、confluence 维基页面或 markdown 中的非结构化数据。
拥有利用MongoDB作为数据平台的应用程序的现有零售商可以从 Dataworkz 与MongoDB的紧密集成中受益，并且他们采用的AI可以将代理 RAG 纳入其解决方案。
Dataworkz 代理可以访问多个数据源，并使用推理 LLM 来决定使用哪种工具来回答用户的问题。代理可以访问并在不同的MongoDB集合或数据库之间切换，以检索运输状态、客户数、偏好和订单历史记录等结构化数据。此外，ERP (Epicor) 和 CRM (Salesforce) 等第三方解决方案可以通过提供商公开的 API 进行集成。这些工具共同启用代理能够理解上下文中的用户问题，并提供个性化的相关响应。
以下步骤解释了 Dataworkz 代理的工作原理：
Dataworkz代理框架将使用案例组织成场景，例如回答有关存储政策的问题、搜索订单或提供客户支持。
该代理使用推理LLM来计划如何根据用户的查询、对话上下文、内存和可用工具（例如对MongoDB集合的访问权限）来回答问题。法学硕士确定了收集必要信息的一系列步骤。这个进程是迭代的；在每个步骤之后，代理都会检查是否有足够的上下文来提供回答，或者是否需要进一步检索和规划。
最后，代理使用收集的上下文生成响应、采取操作或在需要时向用户询问澄清问题。
图 4. Dataworkz 和 MongoDB 的 Agentic RAG 架构
构建解决方案
请参阅 GitHub存储库 中的 README 以了解完整的实现详情。以下步骤说明了如何创建应用程序：
复制该演示数据库
您可以使用公开托管的预填充集群，也可以在您的Atlas帐户中预配自己的集群，并使用演示所需的数据填充数据库。如果您选择自带MongoDB，请在存储库中查找数据转储，以便使用一个快速的mongorestore命令快速复制包含所有必要数据和元数据的数据库。
创建 Dataworkz RAG 应用程序
注册Dataworkz 并为电商策略创建 RAG应用。 您可以使用存储库中的 PDF 作为电商政策文档。您可以使用这些非结构化数据作为 Dataworkz代理的工具。
创建 Dataworkz 代理
连接到上一个步骤中的MongoDB集群。使用 本指南 为 MongoDB 访问权限配置 Dataworkz。
配置您的应用程序前端
有关完整的实现细节，包括代码示例、配置文件和教程视频，请访问 GitHub 存储库。
关键要点
了解代理的 RAG：代理扩大了传统 RAG 架构的可能性。添加决策层使代理能够计划、采取操作并利用其工具来提高上下文感知和效率。
整合不同技术：通过结合 MongoDB 和 Dataworkz 的优势，您可以创建个性化体验，提供实时辅助，简化开发流程，并为您的应用程序构建独特功能。
利用AI创造零售的未来：使用 RAG 架构在客户数的整个购物体验中为其提供个性化内容和上下文感知支持。
快速原型设计和迭代：Agentic RAG 依赖于快速原型设计和迭代验证。选择一个允许您快速配置组件、评估其影响并安全地部署到生产环境的平台。
作者
Angie Guemes, MongoDB
Sachin Hejip，Dataworkz 的工程师