天润融通UserDay杭州站：服务能力工程化，才是Agent落地的关键

很多企业做Agent，最容易误判的一点是：以为只要模型足够强、资料足够多，Agent就能跑起来。

但真实业务不是这样。

用户不会按标准话术提问，产品知识也不会天然适配每一个场景。售后问题背后，往往还连着型号确认、故障判断、保修查询、工单创建、上门预约和后续回访。任何一个判断没做好，Agent看似回答了问题，实际服务却没有完成。

所以，Agent落地真正难的地方，不是让它“会说”，而是让它能接住企业原本由人工完成的判断、流程和服务动作。

这也是天润融通Zenava UserDay杭州站讨论的核心：企业如何把分散在业务专家、客服团队和服务流程里的经验，整理成AI能理解、能调用、能执行的能力。

换句话说，Agent要从“会回答”走向“能交付”，企业首先要完成的，不是一次技术接入，而是一场服务能力的工程化改造。

我们将讨论结果，总结为下面关键的四步方法。

第一步：把隐性经验整理成可表达的判断逻辑

与传统机器人相比，Agent最大的不同在于，它学习的不是某一条标准答案，而是业务专家处理问题的方式。

但很多服务能力，并不写在资料里，而是藏在人的经验里。比如用户说“机器突然不工作了”，优秀客服不会马上给答案，而是会先追问型号、购买时间、当前提示、异常声音、近期是否更换过配件等信息。

这些追问背后，是多年积累下来的判断逻辑。对Agent来说，如果这套逻辑没有被拆出来，它面对的就只是一个模糊问题，很容易给出泛化回答。

所以，Agent落地的第一步，不是上传更多资料，而是把业务专家的经验显性化，变成AI可以理解和执行的判断链。

具体可以从三件事开始：

第一，整理专家的追问顺序

把专家处理问题时“先问什么、再确认什么、哪些信息必须补齐”整理出来。比如售后排障，不能一上来给方案，而要先确认型号、场景和故障现象。

第二，沉淀业务判断规则

明确什么是普通咨询，什么是故障排查，什么需要建单，什么必须转人工。否则Agent容易把需要报修的问题，当成普通问答处理。

第三，明确处理边界

划清AI能独立处理、只能建议、不能承诺、必须升级的场景。比如赔付、医疗建议、重大投诉等问题，都要提前设计兜底机制。

当隐性经验被整理出来，Agent才不只是“会答题”，而是具备处理真实业务的判断能力；服务组织也才能把个人经验，转化为可复制、可训练、可规模交付的AI能力。

第二步，把资料库升级为AI可调用的知识系统

把专家经验拆出来之后，下一步是把它沉淀到知识体系里。但这里最容易出现一个误区：

就是很多企业以为把资料上传进去，就等于完成了知识建设。但实则不然，因为用户提问并不会按照资料逻辑来。

用户不会说“某型号设备出现传感模块异常”，更可能说“机器一直响”“灯一直闪”“怎么按都没反应”。如果知识没有被重新整理，Agent很容易找不到重点，给出看似正确、实际不适用的答案。

所以，知识库建设的关键，不是堆资料，而是把资料整理成AI能检索、能理解、能判断、能调用的业务知识。

具体可以从四件事开始：

第一，按用户问题重组知识

不要只按产品线、部门、文档类型整理，而要回到真实服务场景。比如“不能开机”“无法连接”“预约安装”“查询进度”，这些才是Agent面对的真实入口。

第二，标清产品和场景边界

同一个答案，不一定适用于所有型号和场景。哪些功能支持哪些型号，哪些问题可以自助解决，哪些必须转人工，都要写清楚。

第三，把判断条件写进知识

知识不能只写“答案是什么”，还要写“什么情况下用这个答案”。比如异常声音是否属于正常运行，是否伴随报警提示，是否涉及安全风险，都决定了后续处理路径。

第四，沉淀高频易错问题

对那些经常答偏、容易误判、容易引发投诉的问题，要单独整理成规则。比如赔付口径、保修边界、安装责任、维修费用、医疗健康类建议等，都不能只依赖模型自由生成。

当知识完成结构化后，Agent调用的就不再是一堆静态资料，而是一套带有场景、边界和判断条件的业务知识系统。

第三步，把服务流程编排成AI可以执行的路径

当然，Agent不能只会回答问题，更要能把服务流程往前推进。但在真实场景里，很多问题不是一句答案就能解决的。比如用户说“机器坏了”，背后可能涉及型号确认、故障判断、保修查询、工单创建、上门预约和后续回访。如果Agent只是给出一段说明，服务并没有真正完成。

所以，企业要做的不是把人工流程原样搬给AI，而是重新设计一条适合Agent执行的服务路径，具体可以从四步开始：

第一，先做意图识别

判断用户到底是在咨询、查询、报修、投诉、预约，还是要求转人工。意图判断错了，后面的流程就会全部跑偏。

第二，再做信息补齐

围绕型号、订单、地址、时间、故障表现等关键字段进行追问。比如报修场景里，不能只知道“坏了”，还要知道是哪款产品、出现什么现象、是否还在保修期。

第三，进入业务判断

根据知识库和业务规则，判断是可以自助解决，还是需要建单处理；是继续追问，还是直接转人工。

第四，推动业务动作

Agent不能停在“建议您联系客服”或“建议您报修”，而要继续推进建单、派单、预约、回访等具体动作。

复杂服务不是让Agent背答案，而是让Agent把用户的模糊表达，一步步转成可处理的业务动作。只有流程可执行，Agent才能从“会回答”走向“能交付”。

第四步，让Agent从单点应用走向规模交付

当经验、知识和流程被整理成可执行路径后，Agent才真正具备进入业务现场的基础。它不再只是回答问题，而是可以承接咨询、判断、建单、预约、回访等具体服务任务，成为企业服务能力的新交付方式。

但Agent上线不等于自然跑稳。用户问法、产品规则、服务政策都会变化，新的异常问题也会不断出现。要从单点应用走向规模交付，企业还需要持续运营。

Agent的稳定效果，不是一次性交付出来的，而是在真实业务中持续训练出来的。具体可以从四件事开始：

第一，建立效果指标

不能只看回答率，还要看独立解决率、建单准确率、转人工率、用户满意度和任务完成率。企业最终要判断的，不是Agent说了多少，而是它完成了多少。

第二，持续回收bad case

哪些问题答偏了，哪些流程中断了，哪些知识没有被正确召回，哪些场景频繁转人工，都要进入复盘和优化。

第三，让业务人员参与训练

AI运营不能只交给技术团队。真正懂用户、懂产品、懂服务边界的人，应该参与知识修正、规则调整和流程优化。

第四，形成长期迭代机制

Agent上线不是终点，而是进入持续验证的新阶段。每一次真实对话、每一个异常案例、每一次用户反馈，都是后续优化的素材。

因此，只有把指标、反馈、业务参与和长期运营机制建立起来，企业才能把单点智能体，真正升级为可持续交付的AI服务能力。这也是天润融通Zenava UserDay持续希望提供的价值：不只展示Agent能做什么，更帮助企业判断怎么做、先做什么、如何把它真正做进业务。