Ecolab如何在Databricks和Anthropic Claude上重建零售智能

Ecolab是全球水、卫生和感染预防领域的领导者，负责监控北美数千家零售和快餐店的食品安全、害虫控制和水质。然而，这些服务的数据分散在九个独立的系统中，包括审计、健康检查、害虫物联网遥测、检查表、化学品使用日志、天气信息、Yelp评论、CDC社区数据和FDA食品法典。这种碎片化使得获取单个地点的全面视图变得极其困难。

为了改变这一现状，Ecolab构建了零售智能应用程序——一个基于Databricks的原生应用，使用Lakebase Postgres作为事务骨干。所有九个数据源通过Lakeflow和Spark声明式管道流入由Unity Catalog管理的治理湖仓，并通过Databricks资产包可重复部署。该应用运行在Databricks安全边界内，因此Ecolab获得了内置的身份验证、自动服务主体和Unity Catalog访问控制，无需建立单独的基础设施。

然而，统一数据只是挑战的一半。真正的难题是：如何让九个来源的智能感觉像一个对话专家？通过Databricks基础模型API，Ecolab使用Anthropic的Claude Sonnet进行复杂推理，Claude Haiku进行快速且经济高效的总结，以及Gemini进行图像分析。所有模型调用都保持在Databricks安全边界内。

在系统核心，多智能体编排遵循监督者模式。当商店经理输入问题时，协调智能体将其分解为子任务并分配给专门的子智能体。一个子智能体可能通过向量搜索检索相关FDA段落，另一个通过SQL和Unity Catalog函数查询结构化合规数据，第三个从外部MCP服务器拉取害虫遥测数据。响应智能体将所有内容整合成一个带有引用的答案。

体验个性化得益于双层记忆架构。短期记忆保留最近十个会话轮次，并由Claude Haiku每三轮总结一次。长期记忆维护用户档案（角色、偏好、关注领域、位置和模式），并在交互中不断更新。效果是：即使离职数周后返回，助理也能理解其管辖区域、未结工单和工作流程。

质量通过五个评判LLM持续评估。用户反馈和隐式信号驱动自动提示优化。MLflow追踪每个执行路径，仪表板实时监控延迟和错误率。团队甚至挖掘查询日志以构建更好的默认问题。对于高吞吐量离线工作负载，Ecolab使用ai_query()在单个SQL调用中跨数千条记录应用Claude。

影响立竿见影：之前从九个系统手动拉取数据编制单个客户地点的合规报告需要两周，现在不到两分钟。FDA食品法典问题在几秒钟内返回带有引用的答案。由于会话智能体支持约十二种语言，准确率达到约98%，一线员工可以使用自己最熟悉的语言交互。

未来，Ecolab计划添加基于MCP的自动化操作，将系统的角色从智能层转变为全面的运营智能体。