Проблема одиночных сессий
В B2B-продажах закрытие сделки требует многоэтапного взаимодействия, где контекст и доверие накапливаются со временем. Существующие LLM-агенты часто работают в рамках одной сессии, не сохраняя опыт, или хранят уроки как неструктурированный текст, не отличая ошибки стратегии от внешних факторов. Это ограничивает их способность адаптироваться к долгосрочным отношениям с клиентами.
Архитектура двойного цикла SPAR
Авторы предлагают SPAR (Experience-Driven Strategy Evolution), которая рассматривает стратегии продаж как проверяемые гипотезы. Система использует двухуровневую архитектуру:
- Внутренний цикл: адаптируется к конкретному мерчанту через эпизодическую память, сохраняя контекст диалога.
- Внешний цикл: эволюционирует общую «книгу стратегий» (playbook) на основе каузального вывода и проверки гипотез, без обновления параметров модели.
Результаты реального A/B-теста
Исследование было проведено на платформе 1688.com с участием более 200 000 продавцов. SPAR продемонстрировала значительное превосходство над существующими методами:
| Метрика | Результат SPAR | Значение |
|---|---|---|
| Рост конверсии | +15.8% | Относительное увеличение числа успешных сделок |
| Рост высокоинтенционных мерчантов | +35.8% | Количество продавцов с высоким потенциалом продаж |
| Оценка качества (эксперты) | 4.62 / 5.0 | Высший балл среди всех протестированных методов |
Научное признание
Работа принята к публикации в треке индустриальных решений конференции EMNLP 2026. Авторы подчеркивают, что подход SPAR позволяет ИИ-агентам не просто реагировать на запросы, а формировать и корректировать стратегию продаж на основе накопленного опыта, что критически важно для сложных B2B-сценариев.
Источник: Arxiv ↗