AI速度，CPQ安全：双层配置模型

“能不能让聊天机器人先顶上？”销售问。“不行，除非它能保证我们卖出去的东西造得出来。”运营答。

双方都对。你需要AI的灵活性来快速捕捉杂乱的需求，也需要规则的确定性来确保每份报价都可制造、可定价、可落地。想同时实现这两点，不是做取舍，而是做叠加。

一个经常被忽略的简单思路是：在确定性的规则层之上，再加一个对话层。让AI负责对话，让规则负责决策。

双层架构为何优于单层

CPQ项目的大多数痛点，不在于界面或功能，而在于信任。销售需要确信配置方案有效，财务需要确信价格算得准，产品部门则需要确信规则不会在项目紧急时被轻易绕过。

生成式AI擅长将邮件、PDF和零散笔记转化为清晰的客户需求。但它对同一问题的回答每天都可能不同。Gartner对此观点明确：生成式系统是概率性的，用于生产流程必须有“护栏”。这种不确定性适合探索，却是报价的风险。

而基于规则的配置器正好相反。它们一致、可审计，但有时也过于死板。它们从不猜测，只会阻拦。

AI收集意图，规则验证可行性。

将两者结合，你就能在不牺牲准确性的前提下获得速度。

双层CPQ架构如何运作

在销售复杂产品的实际项目中，我带队采用这种方法。流程被刻意设计得很“无聊”——当涉及真金白银时，“无聊”意味着可靠。

第一层：对话式捕捉。 大语言模型(LLM)通过对话、阅读和整理，处理前端模糊的需求、限制、偏好和权衡。它能用自然语言提问澄清，并指出矛盾之处，最终生成结构化的需求清单。

第二层：确定性验证。 符号引擎（Symbolic Engine）强制执行硬性约束和定价规则。它根据预设的有效组合、依赖关系和价格逻辑，来检验需求清单，最终返回一个有效的配置方案，或指出需要解决的具体冲突。

这不是AI与规则的对立，而是AI在前，规则在后。

几个设计原则能确保这套方法在真实世界中行之有效：

• 关注点分离： 需求捕捉是自由的，配置验证则不是。保持两者分离，避免用引擎的特定逻辑污染原始需求。
• 可解释性追溯： 对每个通过或被否决的选项，都要记录“为什么”。LLM可以将引擎返回的错误信息翻译成用户能懂的语言。没有解释，系统就没人用。
• 可组合的接口： 在两层之间设置一个轻量级API，便于在不重构整个系统的情况下，更换对话界面、规则引擎或定价模型。
• 测试套件，而非演示： 像对待代码一样对待规则。进行版本管理、自动化测试，并在每次发布时公布测试结果。演示成功不代表系统安全。

如果系统自己说不清楚，销售就会绕开它，自己去向客户解释。

请注意，我们并没有让LLM去“推断”兼容性或价格。我们让它表达意图、引导用户，然后将所有硬性检查交给一个行为稳定、可预测的规则引擎。

构建安全、高效混合模式的几条实战规则

这些规则来自真实项目——那些在上线后依然运行良好的系统。

规则一：将需求捕捉与规则执行分离。 不要让聊天机器人直接驱动规则引擎。对话层生成一个需求对象，规则引擎负责验证它。例如，用户说“需要长途重载，还要满足城市夜间低噪音配送”。LLM将其映射为具体型号和参数，而规则引擎负责判断这些参数能否共存。

规则二：只给AI提供上下文，而不是商业机密。 向LLM提供模块、型号、关键约束等可读的上下文信息，以及通俗易懂的权衡利弊解释。但将深层的制造规则和成本数据保留在规则引擎之后。你想要的是有用的引导，而不是泄露的价格表。

规则三：保留用户能读懂的“原因”。 每个约束冲突都应附带一条简短解释，供聊天机器人展示给用户，例如：“因重量和扭矩原因，卧铺驾驶室需要配备大马力发动机。” 这就把阻碍变成了引导。

规则四：用学习模型优化定价，用规则引擎验证价格。 使用规则引擎可以强制执行的定价逻辑，然后让对话层捕捉交易的上下文信息，用以长期优化定价模型。从价格区间和护栏开始，定价能力会在使用中提升，而不是空等完美数据。

规则五：警惕并规避“腹语式”机器人。 这种反模式是指LLM假装自己是配置器。它听起来信心十足，但偶尔会产生幻觉，并且无法保证配置的有效性。任何没有通过确定性规则检查的输出，都只是草稿，不是正式报价。

速度应源于有效引导，而非跳过检查。

每条规则都会增加未来变更的成本——保持规则的精简和可测试性。

本季度即可启动的行动项

不要把这当成一个为期两年的平台项目，而应将其视为一次90天的能力转型。

• 盘点产品知识： 选择一条产品线，整理一份轻量级的知识包，包括模块、型号、关键依赖关系以及简短的权衡说明。这是你给AI准备的“简报材料”。
• 搭建轻量级API： 暴露一个简单的API端点供对话层调用：提交需求，返回有效配置和价格，或是一份冲突清单。保持接口的简洁和良好的日志记录。
• 先写测试，再加功能： 为你关心的每条规则编写一个确定性测试。每次发布都必须看到测试通过。无法测试的功能，就不要上线。
• 用真实邮件进行试点： 将客户的真实邮件或RFP片段喂给对话层。衡量一下，在需要工程师介入之前，它减少了多少来回沟通的成本。

你会很快看到效果：AI降低了解读需求的负担，规则引擎降低了出错率。销售工作节奏加快了，因为他们不再需要费力地将模糊需求翻译成功能代码，或等待专家来检查配置方案的合理性。

复利优势

一旦这个模式建立起来，之后的工作每周都会变得更容易一点。对话层不断学习如何提出更好的问题，展示更清晰的权衡。规则层则保持稳定，因为你只是在添加小而可测的约束，而不是一次性堆砌庞大的逻辑。

赢家是那些将“思考”与“检查”分离的团队。思考是与客户一起，用他们能懂的语言进行的；检查则在后台安静、持续地发生，并留下审计记录。落后者则会继续打磨表单，为主观的必填字段争论不休，而他们最好的销售员早已绕开了整个系统。

这里的技术并无革命性之处。转变在于我们对待技术的方式：把AI当作专家的学徒，把规则引擎当作质检员。一个负责探索，一个负责认证。两者结合，才能赢得信任。

一个朴素的真理是：最快的报价流程，是人人都信赖的流程。