先匹配目标记录,再交给智能体推理
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。
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。