最近,我参与了一个销售智能体项目。看需求文档时,有一种熟悉的感觉:客户说了什么,应该进入哪个场景;出
最近,我参与了一个销售智能体项目。看需求文档时,有一种熟悉的感觉:客户说了什么,应该进入哪个场景;出现哪些信号,购买意向加多少分;到了哪个等级,接下来应该说什么。
整个方案安排得很细。用户画像、意向评分、商品推荐,都有对应的规则。为了避免智能体一直追问、不推荐商品,还规定了同一个需求最多问一个问题,下一轮必须推荐;客户询价,则被视为成交信号,可以直接发送购买卡片。
这些安排都有现实原因。业务方希望回复更及时、推荐准确,低意向客户少被打扰,高意向客户尽快进入购买环节。方案里还考虑了状态存储、接口失败和异常处理,能看出团队花了不少心思。
但我读着读着,就产生了一个疑问:当我们把每一步都提前安排好之后,还有多少事情需要模型发挥能力呢?
以销售为例,客户说的话,常常同时包含好几层意思。
假设卖的是一套企业软件,客户说:"价格有点高。不过,我们旧系统里的资料要是能迁过来,下周就可以试。"这句话里有价格顾虑,有明确的时间安排,还有一个购买前提:旧资料能否迁移。如果系统只识别到"价格高",就去强调优惠;或者识别到"下周可以试",立刻发送购买入口,都可能错过客户眼下最需要解决的问题。

更合适的做法,是先核实迁移条件:现有资料是什么格式、产品是否支持,再决定怎样帮客户验证。迁移问题解决了,后面的试用才有意义。
这些判断完全可以交给模型:理解几句话之间的关系,识别哪些是条件、哪些是顾虑,判断当前缺少什么信息,再选择下一步。
这个判断还需要参考上下文。客户已经说过预算,就不用换种说法再问一次;已经推荐过商品,后面问退款条件,就应该继续围绕那件商品回答。发出一张购买卡片,只说明入口发出去了,客户的考虑过程未必结束。
所以,智能体发挥的能力,包括理解上下文、发现信息缺口、选择合适的行动,以及根据客户反馈调整判断。它还应该知道,什么时候资料不足,需要查询;什么时候已经清楚,可以直接行动。
如果这些判断都由我们提前写死,模型能发挥的作用,就很容易只剩下识别关键词和改写话术。
带着这个问题,我去看了Salesforce Agentforce的官方资料。
他们的设计中,同样使用客户画像、资格条件和评级。
官方文档介绍,系统可以结合客户对话判断需求与时间紧迫程度;交流后更新线索评级,并生成包含评级依据、对话摘要和下一步建议的记录。
这让我注意到,评级后面应该跟着依据和行动建议。一个"高意向"标签之外,销售还需要知道:客户为什么感兴趣,当前卡在哪里,接下来值得做什么。
更值得借鉴的,是Agentforce对模型与程序的分工。
Salesforce 在架构文档里介绍了混合推理的思路:条件明确、需要按固定顺序执行的部分,用确定性逻辑处理;需要理解语言、解释含义、应对模糊输入的部分,交给模型。
我觉得这些边界条件很值得借鉴。
规则的仍然很重要,模型也要有自己的判断空间。设计智能体时,我们需要认真决定,这两部分应该如何衔接。
回到这个销售项目,如果让我设计,我会先把职责分清楚:业务和产品:定义目标、商品适用条件、服务边界和评价标准;
模型:理解客户需求,识别顾虑,选择下一步,组织表达;
程序与业务系统:保存状态,校验权限,查询事实,执行操作并返回结果;
人:处理例外,复核重要判断,根据实际效果调整策略。
比如,商品是否在售、价格是多少、能否享受某项优惠,都应该有明确的数据和规则。模型可以调用工具查询,但不能自己编一个价格,也不能因为客户很想买,就突破授权范围。
至于客户说"太贵了",到底是预算不足,还是没有理解价值,或者担心买了用不起来,就值得让模型结合上下文判断。需要补充信息时,问一个有用的问题;已有足够信息时,就及时给出建议。
同样是"每轮少问一点",也可以有不同设计。"默认每轮只问一个关键问题",是在控制沟通节奏;"问过一次之后必须推荐",则提前替模型决定了信息已经足够。实际对话里,客户可能没有回答,也可能提出了新的条件,这些都需要按照场景调整。

Skill可以沉淀成熟的销售方法,告诉智能体如何澄清需求、比较产品、处理顾虑。
知识库负责准备事实依据,业务工具负责完成查询、发送入口、创建待办这些操作。它们配合起来,才能让模型的判断有依据,也能落到行动上。
与此同时,职责分工还要落实到结果检查上。模型认为适合推荐,可以查看它依据了客户的哪句话、商品的哪项能力;系统说已经安排回访,就应该确实创建了任务。客户明确拒绝,也需要保存并执行这个要求,不能聊了几句又忘掉。
这样,模型可以灵活处理对话,程序也能把关键边界守住。
再回头看这份需求,我能理解它为什么会越写越细。
智能体对大多数人来说,仍然是比较新的东西。我们过去积累的经验,主要来自传统软件:把条件列清楚,把分支补完整,把异常堵住,让程序按预期执行。研发出身的我,对这种思路也很熟悉。
当然,这些经验仍然有用。不过,设计智能体时,如果继续习惯性地替模型安排每一步,就容易模型能动性降低。
给模型更多工作,需要把目标交代清楚,提供必要的信息和工具,再用真实案例检验。它能否识别客户的实际顾虑?遇到新条件,会不会修正建议?查不到资料时,能不能诚实说明?这些都可以观察、测试,再决定扩大多少职责。
验收要看有没有按流程推荐,还要看问题是否答清楚、商品是否合适、客户是否愿意继续,以及这些动作有没有带来实际结果。
模型越来越强了,那些以前我们一条条写规则的事情,现在都可以直接交给模型试试了。我们也该给它从案例和反馈中学习的空间,让它自己尝试、总结和调整,不必总由我们一步步教,把每一步都替它安排好。
这个项目给我启示就是设计智能体,我们也需要逐渐放下替它安排每一步的习惯。把目标讲清楚,把依据准备好,把边界守住,再大胆地让模型承担它能够胜任的判断,用实际结果检验和调整。
模型在进步,我们对它的分工也该跟着调整。能力的提升,最终应该体现在它能多解决多少实际问题上。
(来源:T媒体)