基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
技术实践2026-11-18 04:30

先匹配目标记录,再交给智能体推理

dev.to · AI#实体匹配#上下文管理#工具调用
Editor brief · 编辑速览

当源 API 缺少所需筛选字段时,智能体逐页读取会消耗上下文并引入无关记录。文章建议先在可搜索的数据层定位目标,只把匹配结果传给模型,已知对象 ID 时可直读源 API。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

一个只查某位用户的请求,可能把整页整页的通话记录塞进 Claude。Airbyte 联合创始人兼 CEO Michel Tricot 在 Gong 演示里遇到的麻烦,来自接口缺少按用户筛选的能力。原文的建议是先在模型外确认查的是谁、筛出相关记录,再让模型回答。

对做 AI 编程工具或内部助手的开发者,这提供了一个直接的排查顺序:答错时先看工具调用到底返回了什么。只要确认接口支持哪些过滤条件、返回记录里有多少条命中,就能判断该先修查询还是继续排查模型。

为什么查一个人的通话,会拉回好几页记录?

Tricot 在 2026 年 3 月 25 日上线的《Chain of Thought》第 52 期里演示了当时处于 public beta 的 Airbyte Agent Engine。这期节目长 44 分钟。演示中,他把 Gong 连接器通过 MCP 暴露给 Claude,要查某位用户自 2 月 1 日以来的通话。Gong API 缺少按用户筛选的能力,直接查就得翻页,再从返回的记录里找这个人。

MCP 提供的是模型连接外部系统的方式。底层端点能接受哪些过滤条件、一次返回多少条、多久会碰到限流,接入 MCP 后依然由底层决定。如果工具把整页结果交回来,模型就得在大量无关记录里找线索。原文把这种检索结果拖累回答的情况称为「上下文污染」。

演示里,Claude 在收到这道查询之前,启动时就已经用了约 16K token。这个数字只交代了起点,原文没有给出通话查询新增了多少 token,也没有给出改用副本后节省了多少。

排查时可以先把问题翻成过滤条件。这个例子里有用户和日期,其他问题还可能涉及公司或状态。然后检查 API 支持哪些条件,最后数一下工具返回的记录有多少真正命中目标。问的是一个人,返回却是好几页通话,且几乎没有相关记录,这时就可以中止本轮检索,回头修查询。

哪些查询走副本,哪些还要读实时 API?

Tricot 演示的方案是在 Agent Engine 前面放一个上下文存储(context store),定期把源数据复制进去,让检索步骤先查这份副本。这样,需要按用户找通话时,就能对副本里的用户字段和日期做过滤,把筛出来的记录单独交给回答步骤。Tricot 当时描述的默认同步频率是每小时一次,其他套餐提供更快的同步。

实体解析在这里就是把问题里的名字对上系统里的记录。Tricot 用 Stripe 举例:如果缓存已经确认 Conor 的 ID 是 123,需要最新资料时,就可以用这个 ID 直接读取单条对象。按名字查找和读取最新对象由此分成两步,各自有明确的输入和输出。

通话检索还涉及一个容易漏掉的问题:正文里未必写着参会者是谁。原文举了一通讨论定价的电话,建议给记录或 RAG 文本块附上参会者、主题等结构化元数据。这样,查「某人参加的定价通话」时可以先按字段筛选,再对正文做语义检索。Tricot 认为,结构化记录可以先用模糊匹配处理,非结构化文本再按需引入 embedding。

Zendesk 和 Salesforce 里的公司怎么对上?

同一家公司在 Zendesk 里可能写成 Airbyte Inc.,在 Salesforce 里只写 Airbyte。依次向两个 API 试搜,会受限于各自的搜索能力和调用限额。原文示例先把公司名转成小写、去掉部分标点和公司后缀,再用归一化后的名称分组,最后用域名判断候选能否配对。

下面这段 Python 代码把跨系统关联拆成了两份结果,分别存放已匹配和待复核的记录。

def normalize_company(name):
    cleaned = " ".join(name.lower().replace(".", "").replace(",", "").split())
    for suffix in (" inc", " llc", " ltd"):
        if cleaned.endswith(suffix):
            cleaned = cleaned[: -len(suffix)].strip()
    return cleaned

def _resolve(left, right):
    paired = [
        (a, b)
        for a in left
        for b in right
        if a["domain"] and a["domain"] == b["domain"]
    ]
    if len(paired) == 1:
        return [paired[0][0]], [paired[0][1]]
    if len(left) == 1 and len(right) == 1:
        a, b = left[0], right[0]
        if not (a["domain"] and b["domain"]):
            return left, right  # name-only match, no conflicting evidence
    return None  # conflicting domains or several candidates: send to review

def join_accounts(zendesk_rows, salesforce_rows):
    grouped = {}
    for source_name, rows in (
        ("zendesk", zendesk_rows),
        ("salesforce", salesforce_rows),
    ):
        for row in rows:
            key = normalize_company(row["company"])
            slot = grouped.setdefault(
                key, {"company_key": key, "zendesk": [], "salesforce": []}
            )
            slot[source_name].append(
                {"id": row["id"], "name": row["company"], "domain": row.get("domain")}
            )
    resolved, needs_review = [], []
    for slot in grouped.values():
        if not slot["zendesk"] or not slot["salesforce"]:
            continue
        picked = _resolve(slot["zendesk"], slot["salesforce"])
        if picked is None:
            needs_review.append(slot)
            continue
        resolved.append(
            {
                "company_key": slot["company_key"],
                "zendesk": picked[0],
                "salesforce": picked[1],
            }
        )
    return resolved, needs_review

接入时看最后一行。先调用 join_accounts,再把 resolved 传给 call_model。域名冲突或无法消歧的同组候选会进入 needs_review。还有一处要看前面的 continue:如果拼写错误让两条记录落进不同的组,只有单侧数据的组会被跳过。要复核这种漏配,业务代码得额外保留这些未配对记录。

我的判断

先检查工具返回值,是这篇最容易落地的建议。换模型或改提示词可以改变模型处理记录的方式,但工具如果连目标记录都没查到,回答阶段就缺了依据。日志里能看到过滤条件、翻页次数和命中条数,就已经有了定位问题的起点。

定时复制数据的价值取决于接口限制和业务对时效的要求。如果 API 本身支持所需过滤,直接查少量记录更省事。如果查询反复跨系统,或者端点缺少关键筛选条件,维护可查询副本才有足够的理由。每小时同步也有明确边界:按 ID 实时读可以更新一个已知对象,但副本里还没同步进来的对象,仍可能在查找阶段被漏掉。

公司名归一化适合生成候选,单靠名称接受配对则要看业务能否承受误合并。示例在两边各只有一条且至少一边缺域名时会接受同名匹配,同名公司仍有可能被串起来。原文给了演示和实现思路,没有提供命中率、延迟或 token 消耗的对照数据。模糊匹配的效果和整套方案的收益,仍是需要用自己的数据验证的经验判断。

能拿来做什么

  • 给 Node 工具调用加上过滤条件、翻页次数、返回条数和命中条数四项日志。用一次指定用户和日期的查询跑通链路,确认交给模型的是哪几条记录。
  • 把实体查找和对象读取拆成两个函数。查找步骤只输出匹配结果和源系统 ID,业务需要最新值时,再按 ID 读取单条对象。
  • 给跨系统账户查询留一个复核出口。拿公司后缀、拼写错误、同名异域和缺失域名各跑一遍,检查哪些能自动关联,哪些需要人工确认。
  • 给已经接入 AI 助手的通话记录保留参会者和主题字段。用「某人参与的定价通话」做回归查询,核对元数据过滤后返回的记录。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
GPT-6.2 双模型上线,API 价格下调
下一篇
Spec Kit 生成的技能终于能追溯版本

资讯速览

dev.to · AI · 2026-11-18 04:30

AI 评分 8.0 / 10

相关标签

#实体匹配#上下文管理#工具调用

继续阅读

  • AWS 用统一字段管理 Agent 与 MCP
  • GPT-6.2 双模型上线,API 价格下调
  • Spec Kit 生成的技能终于能追溯版本
  • AgentCore 接入 Snowflake 的三种认证方案
  • AI 编辑视频先审分镜再渲染