邓白氏的 ChatD&B™ 如何利用 LangChain 和 LangSmith 提供可信赖、数据驱动的 AI 见解

邓白氏（Dun & Bradstreet，简称D&B）是全球领先的商业决策数据和分析公司，通过提供可信赖、精心整理的数据和分析，赋能企业解决关键问题，从而驱动明智的决策和改善业务成果。邓白氏服务于200多个国家/地区的240,000多名客户，其数据云为提升收入、降低成本、管理风险和实现业务转型提供了强大的解决方案。

传统的AI和ML一直是邓白氏产品的重要组成部分，使客户能够快速从其包含5.8亿多家企业的全球数据云中提取可操作的见解。最近，LLM（大型语言模型）使邓白氏能够通过公司可信赖的见解来转变客户互动。

与传统的聊天机器人不同，ChatD&B——使用LangChain构建——为用户提供了对海量多样化数据源的实时访问，包括结构化和非结构化格式。LangChain赋能的自主AI代理框架是为客户提供价值的颠覆性创新。

客户用例的复杂性：自主代理能够处理以前难以管理的复杂对话场景，例如，一次性跨多个维度比较多个企业实体，并提供整体摘要。
客户用例的多样性：ChatD&B支持广泛领域的业务流程，包括信用风险、销售与营销、供应链管理、KYC（了解你的客户）等，远超单一功能聊天机器人的能力范围。
可信信息：LangChain框架将LLM与API等传统工具集成，利用各自的优势，从而降低了幻觉风险。
可解释性：“展示你的工作”功能提供清晰的数据血缘，让客户能够看到每个答案由哪些数据生成，这是负责任AI的关键要素。
个性化体验：动态数据权限确保交互能够根据客户的个体需求进行定制。

客户报告说，他们节省了大量时间，并且能够执行以前无法完成的关键活动。

构建更智能的对话

ChatD&B面临的挑战不仅仅是回答问题——它需要提供有真实、准确和可信数据支持的答案，并确保完全透明和可解释。邓白氏深知，其客户不仅需要信任答案，还需要了解每个回应背后的推理。错误的回答可能会给基于此做出的决策或采取的行动带来高昂的风险。

邓白氏首席数据和分析官Gary Kotvets指出：

“我们的‘展示你的工作’框架使得ChatD&B中的数据源和血缘具有可解释性，这样我们的用户就能对所呈现信息的质量和有效性充满信心。ChatD&B的目标是让用户能够随时随地、大规模地便捷使用我们宝贵的公共和私营企业商业数据。”

这时，LangChain应运而生。LangChain使邓白氏能够通过动态访问各种数据块并将结果实时解释，将其原始数据转化为一个会话式的智能AI助手。例如，当客户提问，“[某公司]在德克萨斯是否属于高信用风险？”时，ChatD&B不仅会返回信用评分，还会提供更全面的信息。它会从多个数据点——诉讼、留置权、公司结构——中提取信息，并解释评分背后的原因，说明哪些因素在影响它。这种“展示你的工作”功能提供了可解释性，并且是最受欢迎的功能之一。

LangChain的模块化结构还使公司能够注入重要的上下文信息，使ChatD&B不仅仅是一个简单的问答AI助手。从风险评估到所有权结构，每个工具都有其自身的上下文和理解。例如，系统可以根据真实数据和预定义的量表解释为什么一个信用评分被认为是“好”或“坏”。现在，客户不再需要自己解读复杂的数据集——ChatD&B承担了繁重的工作，帮助清晰简洁地解释见解。

用ChatD&B提升行业标准

随着ChatD&B的复杂性和采用率的不断提高，邓白氏团队希望确保AI助手能够始终如一地提供准确、可靠的结果。通过集成LangSmith，邓白氏的数据科学团队能够逐步分析AI的性能。LangSmith允许团队查看和监控所做的每一个决策，将新的查询与历史数据进行比较，并评估响应的整体质量。

例如，当用户请求查询公司的失败风险时，LangSmith允许邓白氏团队追溯代理所采取的每一个行动，从而了解其推理过程。这种可观察性至关重要，特别是对于那些使用ChatD&B进行高风险决策的客户。

LangSmith的测试功能还使邓白氏能够运行“假设”场景。该团队可以比较系统对新查询的响应与之前提出的类似问题，以确保一致的高质量输出。通过构建大量真实数据并使用LangSmith的LLM-judging（LLM评判）功能，该公司可以持续改进ChatD&B，并在每一次早期采用者的用户交互中进行优化。

影响

ChatD&B通过一个精简的、会话式的“一站式”界面，使更广泛的客户用户能够访问邓白氏的可操作见解。早期用户已经看到了显著的时间节省和更高的满意度，因为他们不再需要手动筛选多个产品、数据集或文档。用户还在发现新的能力，既有即时的——例如在会议前快速获取供应商的关键见解——也有更具战略性的，例如以创新的方式识别新的增长机会。