专题演讲嘉宾：冯旻伟

传统客服机器人依赖规则与固定流程，难以处理复杂意图、跨系统操作和服务营销协同；直接接入大模型，又面临幻觉、成本、稳定性与知识退化问题。基于多个真实项目，我们总结客服营销 Agent 从 Demo 走向生产必须跨越的“敢上线、敢交办、敢放量、敢长用”四道关，并拆解意图路由与多 Agent、知识萃取与混合检索、Workflow/Skill 执行、大小模型调度、AOP 风控、人机协同及 Benchmark+TraceID 评测闭环。实践中，代表项目实现意图匹配率 99%+、问题解决率 80%+、满意度提升 20%+；另一项目解决率由 65%+ 提升至 94%+，每周减少超 1000 通人工会话。

演讲大纲

1. 背景：客服 Agent 为什么最容易落地，也最容易“翻车”
   • 客服系统从规则机器人、大模型问答、Workflow 走向业务 Agent 的演进路径。
   • 客服营销场景的三重压力：海量实时响应、个性化服务升级、服务与转化链路融合。
   • Demo 与生产的差距：回答得像人，不等于能够稳定、安全地承担业务结果。
   • 高价值场景的选择方法：综合评估业务频次、规则成熟度、系统可连接性、风险等级和结果可量化程度。
   • 为什么应从高频、边界清晰、可度量的场景起步，再逐步进入复杂决策与主动营销。
2. 产品方案：从“回答问题”到“完成业务”的服务营销一体化 Agent
   • 构建“路由中枢+专家 Agent”体系：售前导购 Agent、订单服务 Agent、售后处理 Agent、会员服务 Agent与人工兜底。
   • 售前场景：结合商品知识、库存、渠道和用户偏好完成选品推荐、商品对比、门店导航与多语种服务。
   • 售中售后场景：通过 Skill 连接商品、订单、会员、物流和工单系统，执行查询、修改、催办、退款与售后流程。
   • 会员服务场景：结合会员等级、历史行为、情绪和上下文，提供个性化关怀与权益服务。
   • 交互形态升级：从纯文本回复转向商品卡片、订单卡片、导航卡片等可交互结果，缩短从咨询到行动的路径。
3. 技术方案：让企业“敢上线、敢交办、敢放量、敢长用”的四道生产关
   • 敢上线：建立生产级安全与稳定底座
     • 租户、部门、角色、用户与知识范围的多层权限隔离。
     • 输入、输出及工具调用的横切风控：敏感信息、Prompt 注入、违规承诺、服务边界和高风险操作拦截。
     • 多模型冗余、限流熔断、故障隔离与灰度发布，避免单一模型或单个 Agent 故障扩大。
     • 每次对话生成唯一 TraceID，串联意图、模型、知识、工具和答案生成链路，实现审计与问题回放。
   • 敢交办：让 Agent 真正理解业务并完成任务
     • 从历史会话、工单和业务文档中萃取结构化知识，解决一线经验难沉淀的问题。
     • 通过 Query 改写、关键词检索、向量检索、元数据过滤和 Rerank 构建混合召回链路。
     • 使用实体关系处理商品昵称、型号、机芯、业务规则等多层映射，提升行业术语理解能力。
     • Workflow 优先承载确定性流程，ReAct 仅用于边界较模糊、需要跨知识源探索的任务。
     • 通过 Skill 调用真实业务系统，使 Agent 可以查库存、查订单、改地址、建工单和执行售后动作。
   • 敢放量：在效果、成本与风险之间取得平衡
     • 以规则、小模型和大模型分层处理不同复杂度问题，避免所有流量都进入高成本大模型。
     • 采用规则匹配、语义向量和 LLM 判断组合的混合路由，低置信度时主动澄清而不是强行分流。
     • 将安全合规风控与业务质量风控分层：前者守红线，后者处理情绪、话术、价格、库存与服务规则。
     • 按风险等级设计 AI 自主处理、AI 建议人工确认、纯人工决策三类人机协同模式。
     • 通过业务指标而非模型指标验收：问题解决率、转人工率、满意度、响应时效、人效与业务转化。
   • 敢长用：建立可持续评测与运营闭环
     • 从线上会话持续提取答错、卡住、跳出等 Bad Case，区分路由、知识、工具、Prompt 和模型问题。
     • 建立黄金测试集与场景化 Benchmark，每次知识、Prompt、模型或流程变更后自动回归。
     • 新版本先对小比例用户灰度发布，验证效果优于旧版本后再逐步放量。
     • 通过 TraceID 回放完整决策链，定位“召回错、切片错、工具错、生成错”的具体环节。
     • 将人工修正、未知问题和评测结果反哺知识库与测试集，形成数据飞轮。
4. 案例拆解：三类业务如何跨过四道生产关
   • 孩子王：多 Agent 与业务系统联动，处理近 600 个细分场景
     • 打通商品库、订单中心和会员中心，将退换货、价保、赠品和会员规则转化为可执行流程。
     • 通过多 Agent 分流、工作流决策树和角色/技能/边界三层约束，同时解决准确性与情绪价值问题。
     • 上线半年内意图匹配率达到 99%+、问题解决率达到 80%+、满意度提升 20%+，Agent 承载超过 70% 的高频咨询。
   • 酷家乐：大小模型与人机协同，解决复杂售后问题
     • 将问题分为单轮、多轮和复杂流程三类，通过场景洞察确定优先级。
     • 小模型负责高频、确定性问题，大模型负责复杂语义和多轮判断，人工处理低置信度与高风险请求。
     • 问题解决率由 65%+ 提升至 94%+，转人工率下降近 3 个百分点，每周减少超过 1000 通人工会话。
   • 王府井集团：从客服应答走向多语种推荐与线下导航
     • Agent 同时承担商品推荐、门店导航、离境退税咨询和多语种服务，将服务入口转化为导购入口。
     • 根据用户入口识别所在门店，调用商品和门店数据，返回商品卡片与精确到楼层的导航信息。
     • 超过 90% 的问题实现自动化解决，转人工率仅 5.97%，并补足非工作时段 23% 的咨询缺口。
5. 实施经验：Agent 落地不是模型项目，而是持续运营的业务工程
   • 先定义业务目标和效果基线，再选择模型与架构，避免从技术能力倒推伪需求。
   • 采用“内部 Copilot 验证—小流量 Agent 试点—分场景逐步放量”的渐进式上线策略。
   • 组织上需要业务、客服运营、知识运营、算法和工程共同负责，不能把效果问题只交给模型团队。
   • Agent 的最终价值不是生成了多少内容，而是独立完成了多少业务、降低了多少人工负担、减少了多少风险并创造了多少增量价值。
   • 未来方向：从单个客服 Agent 走向覆盖售前、售中、售后与会员运营的智能服务团队。

技术实践痛点

• 核心矛盾：客服营销 Agent 需要足够的自主性来理解口语化需求、处理流程跳转和调用多个业务系统，但企业生产环境又要求路径可预测、结果可审计、成本可控制、风险可兜底。自主性越强，灵活性越高，但确定性、稳定性和审计难度也随之上升。
• 具体痛点：
  • 多 Agent 路由容易转错或卡住：同一句话可能同时包含商品咨询、物流查询和退款诉求，纯靠大模型分类不稳定；用户中途跳出工作流后，原任务也容易丢失。
  • 知识召回正确不等于答案正确：问题可能出在文档解析、切片、召回、重排或最终生成任一环节；大模型还可能对正确参数进行“创造性改写”。
  • Workflow 与 ReAct 难以一刀切：Workflow 可控、可审计，但面对长尾问题适应性不足；ReAct 灵活，却存在路径不确定、Token 成本高和重复调用工具的风险。
  • 自动化率与业务风险相互制约：风控阈值过严会导致大量转人工，阈值过松又可能造成错误承诺、情绪升级或业务资损。
  • 上线效果会随业务变化退化：商品、政策、流程和模型版本持续变化，仅靠上线前测试无法保证长期质量。

当前应对方式

• 使用“规则+向量语义+LLM”混合路由，低置信度时追问澄清或转人工；通过状态机挂起与记忆栈恢复被打断的工作流。
• 确定性业务坚持 Workflow 优先，ReAct 被限制在明确的工具白名单、预算、最大步骤数与安全围栏内。
• 对产品参数、政策规则和高风险内容要求知识来源可追溯；生成前后增加一致性检查与 AOP 拦截。
• 使用大小模型分层处理，在延迟、成本和回答质量之间动态取舍；高风险决策始终保留人工确认。
• 建立黄金测试集、自动 Benchmark、小流量灰度、TraceID 回放和 Bad Case 数据飞轮，但长尾场景覆盖率与自动评测可信度仍需要持续提升。

听众收益

• 获得一套高价值场景选择与 ROI 验证方法：能够根据业务频次、规则成熟度、风险等级、系统可连接性和指标可量化程度，判断哪些 Agent 场景值得优先投入。
• 掌握一套生产级客服营销 Agent 架构：理解如何组合多 Agent 路由、知识系统、Workflow/Skill、大小模型调度、AOP 风控与人机协同，使 Agent 从“能聊”升级为“能办事”。
• 带走一套上线后的持续运营闭环：学习如何通过黄金测试集、场景化 Benchmark、灰度发布、TraceID 与 Bad Case 复盘，持续发现并修复路由、知识、工具和模型问题。
• 获取多个企业级Agent的落地实践案例：覆盖母婴、商综商超、B2B等各个行业，拆解孩子王、王府井集团、酷家乐等企业的Agent落地挑战、应用场景和业务收益。