RAGとAIエージェントによるリード適格性評価エンジンの構築
従来のB2Bにおけるリード適格性評価（リードクオリフィケーション）のプロセスには根本的な課題が存在します。標準的なWebフォームは静的な連絡先データをCRMに送るだけであり、営業担当者は見込み顧客のWebサイトの事前調査、購買意図の判定、そして繰り返しの商談調整メールの送信に膨大な手作業の時間を費やしています。一方で、従来のチャットボットウィジェットは硬直したルールツリーに依存しているため、高価値な見込み顧客を失望させ、複雑な質問には対応できません。 この問題を解決するため、私たちは「Agentic AI（自律型AIエージェント）リード適格性評価エンジン」を構築しました。リアルタイムのWebhook処理、ハイブリッド・ベクトル検索（Pinecone + Zep）、Retrieval-Augmented Generation（RAG）、およびイベント駆動型ワークフロー自動化（n8n）を組み合わせることで、本システムはインバウンドの意図を自律的に評価し、見込み顧客のプロファイルを補強し、企業ナレッジに基づく的確な回答を提供しながら、商談の自動獲得までをリアルタイムで実行します。 以下が、私たちが実際に構築・運用しているシステムのアーキテクチャ設計図です。 コア・システムアーキテクチャ 単一のプロンプトや単純なLLMラッパーに依存するのではなく、本適格性評価エンジンはイベント駆動型のステートマシン（状態遷移モデル）として動作します。 Step 1: リアルタイム・インバウンドキャプチャ & エンリッチメント 見込み顧客が Next.js の画面上で問い合わせを送信すると、非同期 Webhook が発動して n8n オーケストレーションワークフローが即座に起動します。 リード情報を LLM に引き渡す前に、システムは即時のデータ補強（エンリッチメント）を実行します： Step 2: ハイブリッド・ベクトル検索 & RAG コンテキスト注入 一般的な汎用LLMは、詳細なサービス価格、エンタープライズ層の要件、理想的な顧客プロファイル（ICP）といった自社固有の内部ビジネスコンテキストを把握していないため、リード判定において不正確な回答を出しがちです。AIにハルシネーション（幻覚）ゼロの完璧な記憶を与えるため、私たちは Pinecone と Zep を組み合わせたハイブリッド RAG（検索拡張生成）アーキテクチャを展開しています。 1. 静的ナレッジ検索（Pinecone） 製品ドキュメント、エンリッチメント価格表、対応サービス、適格性の境界条件のベクトル埋め込み（Embeddings）を Pinecone に格納しています。例えば、ユーザーが「GCPと連携し、エンタープライズアプリ開発におけるHIPAAコンプライアンスに対応していますか？」といった質問を送信した場合、エンジンはコサイン類似度検索を実行し、正確な社内規定や技術ガイドラインを瞬時に引き出します。 2. 対話メモリー & ユーザー履歴管理（Zep） 適格性評価がインタラクティブなチャットや複数ターンのやり取りで行われる場合、Zep が長期記憶（Long-term Memory）を管理します。過去のやり取りを維持し、「顧客は予算5,000万円と発言した」といったエンティティ事実を自動抽出し、AIが同じ質問を繰り返すのを防ぎます。 Step 3: Agentic Evaluation & インテントスコアリング 補強された見込み顧客データとベクトルコンテキストが結合されると、ペイロードは …
