Przykład praktyczny: Zautomatyzowany CRM
Na tej stronie
CRM sterowany konwersacją
Wyobraź sobie system CRM, w którym handlowcy nie muszą już nawigować po skomplikowanych interfejsach. Rozmawiają z asystentem, który automatycznie tworzy, aktualizuje i pobiera dane kontaktowe. To właśnie umożliwia Ci wywołanie funkcji (function calling). Różnica w stosunku do śledzenia płatności z poprzedniej lekcji jest znacząca: do tej pory model jedynie odczytywał dane. Tutaj zapisuje dane, co przenosi ciężar ćwiczenia na walidację, potwierdzanie i zarządzanie duplikatami.
Zaimplementujesz konwersacyjny CRM z operacjami CRUD (Create, Read, Update, Delete) na bazie danych kontaktów.
Symulowana baza danych
Słownik Pythona pełni w tej demonstracji rolę bazy danych. Wystarczą dwa kontakty: jeden klient i jeden potencjalny klient (prospect). Taka konfiguracja pozwoli nam później przetestować zmianę statusu.
import json
import os
from mistralai.client import Mistral
# Baza danych kontaktów w pamięci (w produkcji: PostgreSQL, MongoDB itp.)
contacts_db = {
"CT001": {
"name": "Marie Dupont",
"email": "[email protected]",
"company": "TechCorp",
"role": "Chief Technology Officer",
"phone": "+33 6 12 34 56 78",
"status": "client",
"notes": "Interested in the enterprise solution"
},
"CT002": {
"name": "Pierre Martin",
"email": "[email protected]",
"company": "StartupIO",
"role": "CEO",
"phone": "+33 6 98 76 54 32",
"status": "prospect",
"notes": "Meeting scheduled for April"
}
}
next_id = 3 # Licznik dla nowych kontaktów
Funkcje CRUD
get_contact i search_contacts obsługują operacje odczytu. Ta druga przyjmuje argument pola wyszukiwania, aby uniknąć tworzenia wielu niemal identycznych funkcji. create_contact to pierwsza funkcja modyfikująca stan systemu i ilustruje zasadę często pomijaną w trybach konwersacyjnych: sprawdzanie unikalności musi odbywać się w Twoim kodzie, nigdy w prompcie przekazanym modelowi. Nic nie阻止 handlowcowi podyktowania tego samego kontaktu dwukrotnie; weryfikacja e-maila na początku funkcji zwraca duplicate_email wraz z istniejącym ID, co pozwala modelowi precyzyjnie wyjaśnić odmowę.
update_contact stosuje podejście z opcjonalnymi polami: modyfikowane są tylko dostarczone pola, a funkcja zwraca listę tego, co faktycznie uległo zmianie. Lista ta nie jest ozdobnikiem – umożliwia asystentowi potwierdzenie modyfikacji dokładnym zdaniem, zamiast mglistego „gotowe“.
def get_contact(contact_id: str) -> str:
"""Pobiera informacje o kontakcie."""
if contact_id in contacts_db:
contact = contacts_db[contact_id].copy()
contact["contact_id"] = contact_id
return json.dumps(contact, ensure_ascii=False)
return json.dumps({"error": f"Contact {contact_id} not found"})
def search_contacts(query: str, field: str = "name") -> str:
"""Wyszukuje kontakty po imieniu i nazwisku, firmie lub statusie."""
results = []
for cid, contact in contacts_db.items():
if field in contact and query.lower() in contact[field].lower():
entry = contact.copy()
entry["contact_id"] = cid
results.append(entry)
if results:
return json.dumps({"results": results, "count": len(results)},
ensure_ascii=False)
return json.dumps({"results": [], "count": 0,
"message": f"No contact found for '{query}' in '{field}'"})
def create_contact(name: str, email: str, company: str,
role: str = "", phone: str = "",
status: str = "prospect", notes: str = "") -> str:
"""Tworzy nowy kontakt w CRM."""
global next_id
# Sprawdź, czy e-mail już istnieje
for cid, contact in contacts_db.items():
if contact["email"].lower() == email.lower():
return json.dumps({
"error": "duplicate_email",
"message": f"A contact with this email already exists: {cid}"
})
contact_id = f"CT{next_id:03d}"
next_id += 1
contacts_db[contact_id] = {
"name": name,
"email": email,
"company": company,
"role": role,
"phone": phone,
"status": status,
"notes": notes
}
return json.dumps({
"success": True,
"contact_id": contact_id,
"message": f"Contact {name} created with ID {contact_id}"
}, ensure_ascii=False)
def update_contact(contact_id: str, **fields) -> str:
"""Aktualizuje jedno lub więcej pól istniejącego kontaktu."""
if contact_id not in contacts_db:
return json.dumps({"error": f"Contact {contact_id} not found"})
updated_fields = []
for key, value in fields.items():
if key in contacts_db[contact_id]:
contacts_db[contact_id][key] = value
updated_fields.append(key)
if updated_fields:
return json.dumps({
"success": True,
"contact_id": contact_id,
"updated_fields": updated_fields,
"message": f"Contact {contact_id} updated: {', '.join(updated_fields)}"
}, ensure_ascii=False)
return json.dumps({"error": "No valid fields to update"})
Parametr ensure_ascii=False obecny w kilku miejscach zwrotu nie jest szczegółem kosmetycznym: bez niego słowo „Interested“ zamieniłoby się w ciąg sekwencji escape Unicode w kontekście modelu, co jest mniej czytelne i kosztowniejsze pod względem tokenów.
Specyfikacje narzędzi JSON
Dwa mechanizmy odpowiadają tu za większość niezawodności. Wyliczenie (enum) dla pola status zapobiega wymyślaniu przez model wartości: musi on wybrać spośród prospect, client, partner i inactive, chroniąc integralność danych bez dodatkowej walidacji. Tablica required robi resztę, rozróżniając pola obowiązkowe od opcjonalnych – dla create_contact kontakt bez imienia i nazwiska, e-maila lub firmy nie ma sensu, podczas gdy numer telefonu może zostać dodany później.
tools = [
{
"type": "function",
"function": {
"name": "get_contact",
"description": "Retrieves all information for a contact by ID",
"parameters": {
"type": "object",
"properties": {
"contact_id": {
"type": "string",
"description": "Contact ID (e.g., CT001)"
}
},
"required": ["contact_id"]
}
}
},
{
"type": "function",
"function": {
"name": "search_contacts",
"description": "Searches for contacts by name, company, or status",
"parameters": {
"type": "object",
"properties": {
"query": {
"type": "string",
"description": "Search term"
},
"field": {
"type": "string",
"enum": ["name", "company", "status", "role"],
"description": "Field to search in (default: name)"
}
},
"required": ["query"]
}
}
},
{
"type": "function",
"function": {
"name": "create_contact",
"description": "Creates a new contact in the CRM",
"parameters": {
"type": "object",
"properties": {
"name": {
"type": "string",
"description": "Full name of the contact"
},
"email": {
"type": "string",
"description": "Email address of the contact"
},
"company": {
"type": "string",
"description": "Company name"
},
"role": {
"type": "string",
"description": "Job title or function within the company"
},
"phone": {
"type": "string",
"description": "Phone number"
},
"status": {
"type": "string",
"enum": ["prospect", "client", "partner", "inactive"],
"description": "Contact status"
},
"notes": {
"type": "string",
"description": "Free-form notes about the contact"
}
},
"required": ["name", "email", "company"]
}
}
},
{
"type": "function",
"function": {
"name": "update_contact",
"description": "Updates information for an existing contact",
"parameters": {
"type": "object",
"properties": {
"contact_id": {
"type": "string",
"description": "ID of the contact to modify (e.g., CT001)"
},
"name": {"type": "string", "description": "New name"},
"email": {"type": "string", "description": "New email"},
"company": {"type": "string", "description": "New company"},
"role": {"type": "string", "description": "New job title"},
"phone": {"type": "string", "description": "New phone number"},
"status": {
"type": "string",
"enum": ["prospect", "client", "partner", "inactive"],
"description": "New status"
},
"notes": {"type": "string", "description": "New notes"}
},
"required": ["contact_id"]
}
}
}
]
Dyspozytor i pętla
Ponieważ funkcje nie zależą od żadnych zewnętrznych obiektów, słownik dyspozytora sprowadza się do bezpośredniego mapowania. Wiadomość systemowa niesie jednak dwa ograniczenia behawioralne, których nie ma w kodzie: potwierdzaj każdą akcję tworzenia lub aktualizacji szczegółami oraz żądaj brakujących informacji przed utworzeniem kontaktu. Bez tej drugiej instrukcji model ma tendencję do wypełniania wymaganych pól prawdopodobnymi wartościami.
available_functions = {
"get_contact": get_contact,
"search_contacts": search_contacts,
"create_contact": create_contact,
"update_contact": update_contact,
}
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
model = "mistral-large-latest"
messages = [
{
"role": "system",
"content": "You are a CRM assistant. You help sales reps "
"manage their contacts. Respond in English. "
"When you create or modify a contact, confirm "
"the action with details. Request missing "
"information before creating a contact."
}
]
Cztery scenariusze i czego uczą
Pierwszy scenariusz pokazuje, jak model samodzielnie wybiera field="company", mimo że użytkownik nic nie指定ł: wyliczenie enum w schemacie dostarczyło opcji, a sformułowanie pytania zrobiło resztę. Drugi dostarcza informacje w chaosie, bez etykiet, a model poprawnie rozdziela je na imię i nazwisko, e-mail, firmę i stanowisko. Trzeci jest najbogatszy: „Zmień Pierre’a Martina na klienta“ nie zawiera ID, więc model musi połączyć wyszukiwanie z aktualizacją, wnioskując przy okazji kontekstową notatkę. Czwarty przypomina, że model może wykorzystać funkcję w sposób inny niż dosłowny, aby odpowiedzieć na pytanie dotyczące liczenia.
# Scenariusz 1: Wyszukiwanie kontaktu
chat("Find me contacts at TechCorp")
# -> Model wywołuje search_contacts(query="TechCorp", field="company")
# -> "I found 1 contact at TechCorp: Marie Dupont (CT001),
# Chief Technology Officer, status client."
# Scenariusz 2: Tworzenie kontaktu
chat("Add a new contact: Sophie Laurent, [email protected], "
"DataViz, Data Scientist")
# -> Model wywołuje create_contact(name="Sophie Laurent",
# email="[email protected]", company="DataViz", role="Data Scientist")
# -> "Contact created successfully! Sophie Laurent (CT003) has been added
# as a prospect at DataViz."
# Scenariusz 3: Aktualizacja statusu
chat("Switch Pierre Martin to client, he just signed")
# -> Model najpierw wyszukuje Pierre'a Martina, a następnie wywołuje
# update_contact(contact_id="CT002", status="client",
# notes="Contract signed in April 2026")
# -> "Pierre Martin (CT002) is now marked as a client.
# I added a note about the contract signature."
# Scenariusz 4: Pytanie bez dedykowanej funkcji
chat("How many prospects do we have?")
# -> Model wywołuje search_contacts(query="prospect", field="status")
# -> "You currently have 1 prospect: Sophie Laurent at DataViz."
Przejście do produkcji bez przepisywania wszystkiego
Słownik w pamięci oczywiście znika, gdy pojawi się wielu użytkowników. Zastąpienie go prawdziwą bazą danych wymaga jednak dotknięcia tylko jednej warstwy: funkcja odpytuje ORM lub API Twojego CRM i nadal zwraca ten sam ciąg JSON.
# Funkcje wywołują ORM lub API Twojego CRM
def get_contact_production(contact_id: str) -> str:
"""Wersja produkcyjna z PostgreSQL."""
contact = db.session.query(Contact).filter_by(id=contact_id).first()
if contact:
return json.dumps(contact.to_dict(), ensure_ascii=False)
return json.dumps({"error": f"Contact {contact_id} not found"})
Reszta kodu – narzędzia, dyspozytor, pętla konwersacji – pozostaje identyczna. To jest siła tej architektury: zmieniają się tylko funkcje logiki biznesowej, a warstwa konwersacyjna pozostaje nieświadoma wyborów dotyczących trwałości danych.
Kluczowe wnioski
- Wywołanie funkcji zamienia LLM w naturalny interfejs dla CRM
- Operacje CRUD mapują się bezpośrednio na funkcje ze schematem JSON
- Model potrafi łączyć w łańcuch wyszukiwanie, a następnie aktualizację w ramach jednej konwersacji
- Architektura jest rozsprzężona: zmień bazę danych bez dotykania logiki konwersacji
- Wiadomość systemowa jest kluczowa dla prowadzenia modelu w zakresie potwierdzeń i brakujących informacji