大模型落地 B 端營(yíng)銷：京東物流如何用 Agentic Workflow 破解"機(jī)械感"難題，實(shí)現(xiàn)降本 50%

作者｜ 王春陽

編輯｜李忠良

策劃｜AICon 全球人工智能開發(fā)與應(yīng)用大會(huì)

導(dǎo)語：
在數(shù)字經(jīng)濟(jì)與物流產(chǎn)業(yè)深度融合的背景下，B 端營(yíng)銷正面臨著決策鏈路長(zhǎng)、獲客成本高、轉(zhuǎn)化邏輯復(fù)雜等深層次挑戰(zhàn)。傳統(tǒng)的營(yíng)銷模式受限于人力規(guī)模與標(biāo)準(zhǔn)化程度，往往難以在激烈的市場(chǎng)競(jìng)爭(zhēng)中兼顧“效率”與“精準(zhǔn)”。

InfoQ 榮幸邀請(qǐng)到了王春陽在 AICon 全球人工智能開發(fā)與應(yīng)用大會(huì)上分享《從觸達(dá)到轉(zhuǎn)化，京東物流 B 端營(yíng)銷的數(shù)據(jù)閉環(huán)與 AI 驅(qū)動(dòng)增長(zhǎng)實(shí)踐》，他深入解析了京東物流如何通過 AI 技術(shù)重構(gòu) B 端營(yíng)銷全鏈路。

從破解“獲客難、轉(zhuǎn)化差”的兩大核心痛點(diǎn)出發(fā)，分享將揭示京東物流從“人機(jī)協(xié)同”到“大模型平替”，再到“全流程大模型培育方案”的進(jìn)化歷程。通過構(gòu)建 Agentic Workflow，系統(tǒng)實(shí)現(xiàn)了從僵化指令向動(dòng)態(tài)決策的跨越；而底層自動(dòng)化數(shù)據(jù)飛輪與維智能評(píng)估體系的建設(shè)，則為模型的持續(xù)迭代與業(yè)務(wù)的穩(wěn)健運(yùn)行提供了堅(jiān)實(shí)支撐。

以下是演講實(shí)錄（經(jīng) InfoQ 進(jìn)行不改變?cè)獾木庉嬚恚?/p>

1 獲客難、轉(zhuǎn)化差？B 端物流營(yíng)銷的兩大"致命傷"

首先，獲客難的根源在于銷售獲客渠道過于單一。目前銷售主要依賴線下自主挖掘及老客戶轉(zhuǎn)介紹等傳統(tǒng)方式，雖然此類客戶質(zhì)量較高，但受限于個(gè)人社交圈，獲客數(shù)量極其有限。

而來自市場(chǎng)部引流的線上“冷線索”雖然在數(shù)量上有所補(bǔ)充，但由于其真實(shí)性難以保障。這種獲客方式的局限性使得銷售人員面臨巨大的業(yè)績(jī)壓力，即便京東物流有 60% 的銷售每天花費(fèi) 3 小時(shí)以上的時(shí)間用于拓展新客，依然難以支撐其完成新客 KPI 指標(biāo)。

其次，轉(zhuǎn)化差則是另一核心問題。除銷售個(gè)人能力差異外，B 端客戶的特殊性是導(dǎo)致轉(zhuǎn)化困難的主因。由于 B 端業(yè)務(wù)具有較高的認(rèn)知門檻，客戶往往會(huì)針對(duì)多家供應(yīng)商的解決方案進(jìn)行比價(jià)，考量?jī)r(jià)格競(jìng)爭(zhēng)力與服務(wù)質(zhì)量，這導(dǎo)致了 B 端客戶的決策鏈路漫長(zhǎng)。在漫長(zhǎng)的決策周期中，任何跟進(jìn)不及時(shí)的情況都會(huì)直接造成客戶流失。數(shù)據(jù)顯示，京東物流銷售每天處理的線索整體轉(zhuǎn)化率不足 1%。

獲客難與轉(zhuǎn)化差的雙重困境，是當(dāng)前 B 端營(yíng)銷發(fā)展的核心制約因素。

深入剖析上述兩個(gè)問題的本質(zhì)可以發(fā)現(xiàn)，其核心矛盾在于銷售團(tuán)隊(duì)不僅極度匱乏高質(zhì)量的精準(zhǔn)客戶資源，且即便在獲取優(yōu)質(zhì)客戶后，仍需投入巨大的溝通成本與長(zhǎng)期關(guān)系維系精力。

由此我們面臨著兩大核心挑戰(zhàn)：首先，如何通過前置線索挖掘與 AI 篩查機(jī)制，規(guī)模化地為銷售團(tuán)隊(duì)持續(xù)輸出高質(zhì)量線索，從而提升銷售效率；其次，如何利用 AI 技術(shù)實(shí)現(xiàn)對(duì)客戶的深度培育，以此破解 B 端業(yè)務(wù)簽約周期長(zhǎng)的痛點(diǎn)。

2 從"人機(jī)協(xié)同"到"大模型平替"：AI 營(yíng)銷的三次進(jìn)化

針對(duì)上述挑戰(zhàn)，我們進(jìn)行了多輪方案迭代。

首先是“營(yíng)銷解耦”。通過拆解 B 端營(yíng)銷全鏈路，明確 AI 團(tuán)隊(duì)的切入點(diǎn)，即規(guī)模化、持續(xù)性地為銷售提供高質(zhì)量線索。

為此，我們構(gòu)建了擁有 3 億至 4 億量級(jí)的上游潛客池，作為數(shù)據(jù)支撐。利用常規(guī)召回與排序算法，并面向轉(zhuǎn)化簽約進(jìn)行建模，從海量數(shù)據(jù)中篩選出意向潛客并進(jìn)入“線索工廠”。

為了進(jìn)一步優(yōu)化線索質(zhì)量，我們?cè)凇熬€索工廠”與銷售環(huán)節(jié)之間引入了人機(jī)協(xié)同機(jī)制。通過設(shè)置 SDR（線索培育人員）角色，對(duì)初篩線索進(jìn)行質(zhì)量把控，確保輸送給銷售的均是有明確意向的客戶。

為破解意向客戶轉(zhuǎn)化率不穩(wěn)的難題，進(jìn)一步增設(shè)了 Pod（線索運(yùn)營(yíng)人員）環(huán)節(jié)。Pod 負(fù)責(zé)對(duì)已確認(rèn)意向的客戶進(jìn)行持續(xù)跟進(jìn)，直至其達(dá)到準(zhǔn)簽約狀態(tài)后，再交由銷售跟進(jìn)。

通過這一鏈路，簽約量與轉(zhuǎn)化率均實(shí)現(xiàn)了成倍增長(zhǎng)。該方案的本質(zhì)是利用智能化工具輔助人工，通過數(shù)據(jù)挖掘與智能匹配技術(shù)，提升了線索培育人員的工作效能與線索流轉(zhuǎn)效率，最終實(shí)現(xiàn)銷售轉(zhuǎn)化的提升。

方案演進(jìn)的第二部分核心在于逐步采用大模型平替。

此前人機(jī)協(xié)同模式中的 SDR 與 Pod 角色，畢竟有人力成本在，所以規(guī)模化擴(kuò)張受限。為此，我們逐步推行了大模型平替方案：在 SDR 環(huán)節(jié)，通過 AI 外呼及營(yíng)銷機(jī)器人分別替代傳統(tǒng)的電話外呼與線上入口（如企業(yè)微信、小程序、在線客服）的接待工作；在 Pod 環(huán)節(jié)，則通過構(gòu)建智能銷售助手及優(yōu)化客戶自助簽約鏈路，確保簽約鏈路順暢執(zhí)行。

這一方案的應(yīng)用成效顯著，不僅實(shí)現(xiàn)了 50% 的運(yùn)營(yíng)降本，更由于擺脫了人力規(guī)模的限制，促使簽約量實(shí)現(xiàn)了翻倍增長(zhǎng)。為了支撐大模型在營(yíng)銷場(chǎng)景的深度落地，我們同步構(gòu)建了包括自動(dòng)化樣本構(gòu)建、指令遵循、查詢意圖識(shí)別及多模態(tài)處理在內(nèi)的核心技術(shù)能力，從而支撐整個(gè)大模型的平替。

在經(jīng)歷了從部分替代到深度融合的演進(jìn)后，我們最終形成了全流程的大模型培育實(shí)踐方案。

該流程鏈路主要由三大板塊構(gòu)成：

首先是 CDP 潛客池，它整合了算法自動(dòng)挖掘與各省區(qū)及業(yè)務(wù)部門的實(shí)際需求，通過調(diào)度中心的智能調(diào)度與全局優(yōu)化，確保輸出高質(zhì)量線索；

其次是內(nèi)部客戶培育體系，該環(huán)節(jié)完全依托 AI 技術(shù)，重點(diǎn)通過 AI 外呼與企業(yè)微信兩大渠道進(jìn)行自動(dòng)化觸達(dá)；

最后是通過銷售助手實(shí)現(xiàn)的反饋閉環(huán)，銷售人員對(duì)線索質(zhì)量與數(shù)量的需求會(huì)實(shí)時(shí)回傳至潛客畫像端，從而指導(dǎo)新一輪的客戶圈選，使整個(gè)營(yíng)銷鏈路實(shí)現(xiàn)閉環(huán)滾動(dòng)。

在上述體系中，核心環(huán)節(jié)在于企業(yè)微信與 AI 外呼的智能化建設(shè)。企業(yè)微信的優(yōu)勢(shì)在于能以極低的成本與客戶進(jìn)行深度、長(zhǎng)頻的溝通，有利于維持長(zhǎng)期關(guān)系，但其瓶頸在于覆蓋率受限，即客戶添加好友的門檻較高。相比之下，AI 外呼具備極強(qiáng)的規(guī)模化觸達(dá)能力，理論上只要資源充足，每日可實(shí)現(xiàn)百萬級(jí)的營(yíng)銷觸達(dá)，但其缺點(diǎn)在于語音交互的深度有限且難以維持長(zhǎng)期維護(hù)。

針對(duì)這兩類工具的特性，我們構(gòu)建了“AI 外呼 + 企業(yè)微信”的協(xié)同矩陣。該矩陣采用“廣篩加深耕”的策略：利用 AI 外呼進(jìn)行前置的大規(guī)模篩查，精準(zhǔn)識(shí)別出高質(zhì)量潛客并引導(dǎo)其添加企業(yè)微信；隨后，由企業(yè)微信承接后續(xù)的深度培育與長(zhǎng)期價(jià)值轉(zhuǎn)化。這種協(xié)同模式不僅顯著提升了全鏈路的客戶培育效能，也實(shí)現(xiàn)了 B 端營(yíng)銷的業(yè)務(wù)的可持續(xù)增長(zhǎng)。

3 Agentic Workflow+ 上下文工程

底層技術(shù)的穩(wěn)固建設(shè)支撐了上述應(yīng)用的落地。

在應(yīng)用層，我們部署了覆蓋 AI 外呼、微信助手及智能客服的工具群；在基礎(chǔ)能力層，則依托多元知識(shí)庫，利用 RAG（檢索增強(qiáng)生成）技術(shù)實(shí)現(xiàn)了對(duì)客戶知識(shí)、銷售知識(shí)及通用知識(shí)的精準(zhǔn)檢索。

為了提升智能體的交互質(zhì)量，我們構(gòu)建了包含信息抽取、意圖識(shí)別、個(gè)性化回復(fù)及語音轉(zhuǎn)換（ASR/TTS）在內(nèi)的智能體能力集群。

在模型開發(fā)層面，通過數(shù)據(jù)飛輪 SFT（監(jiān)督微調(diào)）與 DPO（偏好對(duì)齊）等模型優(yōu)化工作。同時(shí)，針對(duì)線上長(zhǎng)期運(yùn)行的營(yíng)銷環(huán)境，我們建立了涵蓋自動(dòng)化評(píng)測(cè)、自動(dòng)化運(yùn)營(yíng)及模型幻覺檢測(cè)、回復(fù)質(zhì)量評(píng)估等核心功能，輔以對(duì)話摘要和智能編排等相關(guān)能力。

智能營(yíng)銷的核心目標(biāo)在于通過 AI 實(shí)現(xiàn)客戶培育與最終轉(zhuǎn)化。

為此，我們借鑒了銷售與業(yè)務(wù)人員在客戶培育方面的成功經(jīng)驗(yàn)，并對(duì)其進(jìn)行了任務(wù)解耦。

具體而言，培育流程被細(xì)化為開場(chǎng)引導(dǎo)、信息收集與核實(shí)、疑難解答以及基于追問的簽約引導(dǎo)等環(huán)節(jié)。這一任務(wù)架構(gòu)對(duì) AI 能力提出了明確要求。

首先，必須具備精準(zhǔn)的多輪意圖識(shí)別能力，以確保能夠根據(jù)用戶的每一輪反饋準(zhǔn)確引導(dǎo)對(duì)話走向；其次，需實(shí)現(xiàn)高效的信息抽取，以便將客戶提供的關(guān)鍵數(shù)據(jù)精準(zhǔn)錄入系統(tǒng)或下發(fā)給銷售人員；最后，AI 應(yīng)能提供高質(zhì)量的回復(fù)，在解答用戶疑問的同時(shí)，保持營(yíng)銷節(jié)奏的連續(xù)性。

在明確能力要求的基礎(chǔ)上，如何定義復(fù)雜的營(yíng)銷流程成為提升轉(zhuǎn)化率的關(guān)鍵。溝通節(jié)點(diǎn)的銜接與后續(xù)動(dòng)作的決策直接影響客戶體驗(yàn)，若流程配置不合理，極易因“機(jī)械感”過強(qiáng)導(dǎo)致客戶流失。

為此，我們構(gòu)建了基于 Workflow 與 Agentic Workflow 的標(biāo)準(zhǔn)化解決方案。

在項(xiàng)目初期，我們主要依托預(yù)設(shè)的工作流方案實(shí)現(xiàn)了營(yíng)銷機(jī)器人的快速落地，并在較長(zhǎng)一段時(shí)間內(nèi)以此作為核心解決方案。

初期流程圖的節(jié)點(diǎn)跳轉(zhuǎn)邏輯尚屬可控，系統(tǒng)根據(jù)識(shí)別到的用戶意圖進(jìn)行相應(yīng)流轉(zhuǎn)。然而，隨著業(yè)務(wù)對(duì)“精準(zhǔn)化培育”要求的不斷提升，傳統(tǒng)工作流的局限性日益凸顯。其弊端在于執(zhí)行邏輯的刻板性：系統(tǒng)必須嚴(yán)格遵循預(yù)設(shè)路徑，難以處理跳躍式的對(duì)話需求。當(dāng)客戶提供預(yù)期之外的信息或展現(xiàn)動(dòng)態(tài)變化的潛在需求時(shí)，工作流模式往往無法有效理解復(fù)雜的上下文語境，導(dǎo)致客戶體驗(yàn)極差。

實(shí)踐證明，傳統(tǒng)的 Workflow 模式僅適用于配合度極高、合作意向極其明確的 B 端客戶，即只需按部就班核對(duì)信息即可達(dá)成合作的場(chǎng)景。但在需要靈活互動(dòng)、需求多變的 B 端營(yíng)銷實(shí)戰(zhàn)中，這種僵化機(jī)制無法應(yīng)對(duì)客戶的動(dòng)態(tài)反饋，可能會(huì)引發(fā)刪除好友或掛斷電話等行為，最終導(dǎo)致客戶流失。

以上圖具體案例為例：在對(duì)話初始階段，機(jī)器人首先進(jìn)行身份表述并詢問客戶需求。當(dāng)客戶明確表達(dá)寄送櫻桃的需求后，由于系統(tǒng)預(yù)設(shè)的工作流專注于核心要素信息的采集，機(jī)器人僅簡(jiǎn)短確認(rèn)櫻桃可寄送，便立即切換回既定的信息追問環(huán)節(jié)。

此時(shí)，客戶進(jìn)一步詢問關(guān)于櫻桃寄送的具體服務(wù)，但受限于僵化的工作流配置，機(jī)器人未能針對(duì)性地解答其關(guān)切，而是機(jī)械地繼續(xù)執(zhí)行信息核對(duì)任務(wù)。

這種處理方式使得機(jī)器人無法基于客戶提及的特定品類，導(dǎo)致對(duì)話節(jié)奏失調(diào)。這種高度機(jī)械化的交互體驗(yàn)極易引發(fā)客戶反感，降低其提供后續(xù)信息的意愿，最終導(dǎo)致 AI 客戶培育的線索轉(zhuǎn)化率受限。

為有效解決以上問題，我們推出了 Agentic Workflow 解決方案。該方案的核心點(diǎn)在于以自主決策機(jī)制取代了傳統(tǒng)的固定工作流模式，將大模型作為整體決策中樞，實(shí)現(xiàn)對(duì)用戶意圖的實(shí)時(shí)解析與后續(xù)動(dòng)作的動(dòng)態(tài)生成。

這一架構(gòu)賦予了系統(tǒng)在流程節(jié)點(diǎn)上自由跳過、插入及回溯的靈活性，使人機(jī)交互過程更具人性化與靈活性，并成功將客戶從進(jìn)線到最終轉(zhuǎn)化的轉(zhuǎn)化率提升了約 20%。

本質(zhì)上，該方案堅(jiān)持以客戶需求為中心，通過場(chǎng)景識(shí)別、互動(dòng)平衡與專業(yè)賦能的三維協(xié)同革新了傳統(tǒng)的信息采集模式，使溝通過程更具溫度，在確保轉(zhuǎn)化效果的同時(shí)，實(shí)現(xiàn)了營(yíng)銷全鏈路的優(yōu)化。

在場(chǎng)景觸發(fā)維度上，通過自動(dòng)提取用戶表達(dá)中的核心關(guān)鍵詞，精準(zhǔn)匹配業(yè)務(wù)場(chǎng)景庫，從而識(shí)別出當(dāng)前及同類客戶的最優(yōu)歷史轉(zhuǎn)化鏈路。基于此路徑，系統(tǒng)可實(shí)現(xiàn)個(gè)性化的互動(dòng)觸發(fā)與針對(duì)性的細(xì)節(jié)追問。

在獲取上述信息后，后續(xù)關(guān)鍵在于精準(zhǔn)把握主題回歸的時(shí)機(jī)。在任務(wù)動(dòng)態(tài)平衡層面，為了兼顧客戶深度培育與留資轉(zhuǎn)化這一核心目標(biāo)，我們采取了“先話題培育、后要素采集”的遞進(jìn)策略，有效規(guī)避了規(guī)范式審問體驗(yàn)。

此外，在專業(yè)賦能層面，通過深度嵌入垂直領(lǐng)域知識(shí)，來實(shí)現(xiàn) AI 營(yíng)銷助手的角色從原始信息采集員升級(jí)為行業(yè)顧問的形式。

在實(shí)現(xiàn) Agentic Workflow 的過程中，我們將場(chǎng)景觸發(fā)與任務(wù)動(dòng)態(tài)平衡整合，核心是通過構(gòu)建“主題生成模型”控制對(duì)話主題的自動(dòng)化流轉(zhuǎn)。

首先，針對(duì) B 端營(yíng)銷場(chǎng)景進(jìn)行意圖建模，通過界定業(yè)務(wù)邊界約束大模型的回復(fù)范圍，確保交互的聚焦性。隨后，通過分析 SDR 與銷售的外呼數(shù)據(jù)進(jìn)行主題映射及關(guān)系推斷，并利用這部分?jǐn)?shù)據(jù)做出相似場(chǎng)景下主題生成模型。

該方案的核心初衷在于復(fù)現(xiàn)一線銷售與客戶培育人員的歷史最優(yōu)鏈路，并將其能力賦能至現(xiàn)有業(yè)務(wù)場(chǎng)景。

針對(duì)歷史數(shù)據(jù)中可能存在的偏差，我們通過在垂直領(lǐng)域構(gòu)建仿真交互環(huán)境，采用模擬用戶與機(jī)器人多輪對(duì)話的形式，并跳轉(zhuǎn)生成新場(chǎng)景主題數(shù)據(jù)，再利用強(qiáng)化學(xué)習(xí)技術(shù)進(jìn)行新場(chǎng)景主題下的生成，從而保障了數(shù)據(jù)的無偏性，且實(shí)現(xiàn)了該主題生成模型在該場(chǎng)景下的適用性。

在專業(yè)賦能的實(shí)現(xiàn)路徑上，我們采用了“上下文工程”。其本質(zhì)是構(gòu)建一套動(dòng)態(tài)信息支撐系統(tǒng)，使大模型在每次交互前均能自動(dòng)聚合當(dāng)前任務(wù)所需的全部資源，包括垂直領(lǐng)域知識(shí)庫與工具調(diào)用能力，從而在精準(zhǔn)解決用戶問題的同時(shí)，確保營(yíng)銷目標(biāo)的達(dá)成。

該工程包含了用戶的長(zhǎng)短期記憶、業(yè)務(wù)數(shù)據(jù)（如訂單狀態(tài)、促銷信息及客戶系統(tǒng)畫像）以及全量知識(shí)庫（涵蓋產(chǎn)品手冊(cè)、FAQ、政策文檔及權(quán)益折扣）等。在工具調(diào)用層面，系統(tǒng)集成了物流追蹤、優(yōu)惠券發(fā)放、工單創(chuàng)建、線索下發(fā)及銷售匹配等執(zhí)行功能。

以訂單查詢場(chǎng)景為例，傳統(tǒng)的提示詞工程往往止步于被動(dòng)索要單號(hào)，而上下文工程則能主動(dòng)識(shí)別用戶身份，并實(shí)時(shí)檢索業(yè)務(wù)系統(tǒng)，直接完成信息組裝并給出最終反饋。這種模式實(shí)現(xiàn)了營(yíng)銷助手從“會(huì)說話”向“會(huì)辦事”的關(guān)鍵跨越。通過讓大模型在準(zhǔn)確回答的基礎(chǔ)上實(shí)現(xiàn)精準(zhǔn)操作，成功將服務(wù)模式從“千人一面”的廣播升級(jí)為“千人千面”的私人管家的形式。

在營(yíng)銷場(chǎng)景中推行上下文工程，核心目標(biāo)可歸納為以下四個(gè)維度：首先是提升轉(zhuǎn)化率，基于用戶歷史行為與偏好，確保推薦內(nèi)容精準(zhǔn)契合用戶需求；其次是增強(qiáng)客戶忠誠(chéng)度，通過記錄用戶的長(zhǎng)期偏好信息并定期推送專屬權(quán)益，從而提升客戶體驗(yàn)；再次是降低運(yùn)營(yíng)成本，依托自動(dòng)化工具釋放繁重的人力；最后是保障營(yíng)銷合規(guī)，通過實(shí)時(shí)檢索最新政策文檔，有效規(guī)避相關(guān)風(fēng)險(xiǎn)。

傳統(tǒng)的上下文工程雖能使 AI 助手成為優(yōu)秀的“個(gè)人檔案管理員”和“業(yè)務(wù)研究人員”，能夠精準(zhǔn)識(shí)別用戶身份并解析業(yè)務(wù)邏輯，從而輸出“正確”的解答。

然而，在營(yíng)銷場(chǎng)景下，“正確”并不等同于“有效”。若 AI 僅提供標(biāo)準(zhǔn)化的事實(shí)回復(fù)而缺乏后續(xù)引導(dǎo)，用戶在獲取信息后往往難以產(chǎn)生轉(zhuǎn)化動(dòng)機(jī)。

為此，我們引入了“用戶行為結(jié)果知識(shí)圖譜”，實(shí)現(xiàn)了大模型決策邏輯的跨越：從理解單個(gè)用戶的靜態(tài)的畫像信息，進(jìn)化為對(duì)相似人群動(dòng)態(tài)轉(zhuǎn)化鏈路的深度洞察，賦予了大模型“群體智能”形式。

傳統(tǒng)上下文工程通常僅限于傳遞當(dāng)前用戶的相關(guān)信息，相比之下，基于圖譜的方案在整合當(dāng)前用戶數(shù)據(jù)的同時(shí)，能夠?qū)崟r(shí)檢索并聚合相似客群的歷史狀態(tài)信息。這一機(jī)制使大模型能夠“站在前人的肩膀上”，快速鎖定最佳參照組。依托于該參照組的成功經(jīng)驗(yàn)，系統(tǒng)可以精準(zhǔn)生成推薦話術(shù)并動(dòng)態(tài)設(shè)計(jì)轉(zhuǎn)化流程。

在圖譜上下文工程的構(gòu)建方法上，我們將用戶旅程抽象為由用戶、行為、產(chǎn)品及結(jié)果作為節(jié)點(diǎn)的結(jié)構(gòu)化圖譜，并通過“邊”來揭示用戶旅程的動(dòng)因及相關(guān)路徑。在線上應(yīng)用層面，系統(tǒng)能夠?qū)崟r(shí)檢索與當(dāng)前用戶畫像高度相似的客群，并將這些“群體記憶”注入提示詞中。

以冷鏈物流場(chǎng)景為例，傳統(tǒng)方案僅能識(shí)別“從青島發(fā)貨需冷鏈”等基礎(chǔ)事實(shí)，而圖譜增強(qiáng)方案則能進(jìn)一步洞察到同類客群中 78% 的用戶高度關(guān)注時(shí)效性，且 50% 的用戶發(fā)貨量在 300 單以上。基于對(duì)客戶痛點(diǎn)的精準(zhǔn)洞察，開展更具針對(duì)性的營(yíng)銷干預(yù)，在有效提升客戶留存的同時(shí)，轉(zhuǎn)化率也得到進(jìn)一步的提升。

基于前述的 Agentic Workflow 與上下文工程，營(yíng)銷 Agent 整體技術(shù)架構(gòu)已初步成型。

系統(tǒng)首先對(duì)用戶輸入的語音、文本及圖片等多模態(tài)信息進(jìn)行解析，并由調(diào)度中樞完成意圖識(shí)別與關(guān)鍵信息抽取。依托前述的 Workflow 以及 Agentic Workflow 跳轉(zhuǎn)機(jī)制，系統(tǒng)能夠精準(zhǔn)確定下一輪對(duì)話主題，并通過 Planner 協(xié)同多尺度大、小模型進(jìn)行多步搜索與推理。

在此過程中，結(jié)合 RAG 與 MCP 工具的上下文工程實(shí)現(xiàn)了行業(yè)知識(shí)與相似客群信息的實(shí)時(shí)召回，從而生成精準(zhǔn)的回復(fù)內(nèi)容。此外，系統(tǒng)內(nèi)置了反思與評(píng)估機(jī)制，針對(duì)幻覺、合規(guī)、風(fēng)控及質(zhì)量等維度出具評(píng)估報(bào)告。任何未達(dá)標(biāo)的回復(fù)都將被攔截并強(qiáng)制觸發(fā)重修鏈路，最終保障了高質(zhì)量的生成回復(fù) 。

上述鏈路主要展示了營(yíng)銷 Agent 在被動(dòng)響應(yīng)模式下的交互過程。

但在真實(shí)的營(yíng)銷場(chǎng)景中，僅具備被動(dòng)問答能力往往難以觸達(dá)最終轉(zhuǎn)化目標(biāo)。鑒于 B 端客戶的決策通常具有長(zhǎng)周期的特點(diǎn)，即時(shí)成交并不常見。

為此，我們構(gòu)建了智慧管理中心，實(shí)現(xiàn)了從全局維度對(duì)客戶價(jià)值及狀態(tài)的實(shí)時(shí)追蹤與管理。該中心能夠根據(jù)監(jiān)控到的客戶動(dòng)態(tài)執(zhí)行差異化的營(yíng)銷策略，將交互模式從被動(dòng)變?yōu)橹鲃?dòng)。

例如，當(dāng)系統(tǒng)識(shí)別到用戶因忙碌而中斷對(duì)話時(shí)，管理中心會(huì)自動(dòng)計(jì)算最優(yōu)的二次觸達(dá)時(shí)間，并將其排入任務(wù)隊(duì)列，實(shí)現(xiàn)再次溝通。

在垂直業(yè)務(wù)場(chǎng)景中，模型幻覺治理是營(yíng)銷 Agent 核心能力建設(shè)的關(guān)鍵環(huán)節(jié)。

任何細(xì)微的信息偏差都可能引發(fā)嚴(yán)重的客訴，風(fēng)險(xiǎn)點(diǎn)涵蓋了過度承諾、非職責(zé)承諾、知識(shí)性錯(cuò)誤以及數(shù)值推理性錯(cuò)誤。以報(bào)價(jià)單為例，關(guān)鍵數(shù)值的任何細(xì)微差錯(cuò)都將直接觸發(fā)嚴(yán)重的客訴。

究其本質(zhì)，模型幻覺主要源于三個(gè)層面：利用知識(shí)庫動(dòng)態(tài)增強(qiáng)機(jī)制實(shí)時(shí)填補(bǔ)信息空白，通過 RAG 深度注入垂域知識(shí)以消除知識(shí)性幻覺；同時(shí)，依托規(guī)則引擎建立硬約束防線，對(duì)虛假承諾或合規(guī)敏感詞進(jìn)行實(shí)時(shí)識(shí)別與自動(dòng)糾偏。

在此基礎(chǔ)上，系統(tǒng)引入了獎(jiǎng)勵(lì)模型進(jìn)行在線判別，只有評(píng)分跨越預(yù)設(shè)閾值的回復(fù)才準(zhǔn)予輸出，否則將強(qiáng)制觸發(fā)重新檢索與推理鏈路，從而在工程層面實(shí)現(xiàn)了對(duì)回復(fù)質(zhì)量的嚴(yán)苛把控。

針對(duì)大語言模型的幻覺問題，我們有三個(gè)常規(guī)解決方法。

首先，針對(duì)線上尚未覆蓋的知識(shí)盲區(qū)，通過動(dòng)態(tài)補(bǔ)充知識(shí)庫進(jìn)行信息補(bǔ)位；其次，針對(duì)常規(guī)易于識(shí)別的錯(cuò)誤，引入基于規(guī)則的過濾機(jī)制，實(shí)現(xiàn)對(duì)虛假承諾等詞匯替換。此外，系統(tǒng)還配置了線上實(shí)時(shí)評(píng)估模型，要求最終生成的回復(fù)必須通過獎(jiǎng)勵(lì)模型的嚴(yán)格打分驗(yàn)證；否則，系統(tǒng)將立即觸發(fā)檢索鏈路的重啟與二次推理。

此外，我們?cè)黾恿司€上實(shí)時(shí)幻覺檢測(cè)與回復(fù)改寫鏈路。系統(tǒng)基于歷史幻覺樣本分類構(gòu)建了專門的分類器，并在質(zhì)檢模塊中實(shí)時(shí)調(diào)用幻覺檢測(cè) Agent 生成幻覺檢測(cè)報(bào)告。該報(bào)告能精確鎖定幻覺發(fā)生的具體詞句及其錯(cuò)誤類型，隨后由幻覺改寫 Agent 根據(jù)診斷結(jié)果進(jìn)行改寫。通過這三步大致鏈路，在實(shí)際的垂直業(yè)務(wù)場(chǎng)景中，已成功將模型幻覺率降低了約 80%。

盡管前述方案提供了有效的外部干預(yù)，但并未從根源上徹底解決幻覺問題。為此，我們實(shí)施了面向垂直領(lǐng)域的模型微調(diào)任務(wù)，重點(diǎn)針對(duì)多輪對(duì)話場(chǎng)景進(jìn)行幻覺樣本清洗。由于模型在訓(xùn)練過程中不僅會(huì)擬合最終標(biāo)簽，還會(huì)擬合整段對(duì)話的過程，而多輪交互的任一節(jié)點(diǎn)均存在潛在的幻覺風(fēng)險(xiǎn)。

針對(duì)這一特性，我們對(duì)多輪對(duì)話下每一輪幻覺均執(zhí)行“檢測(cè)、改寫及復(fù)測(cè)”的循環(huán)校驗(yàn)，確保產(chǎn)出樣本的每一處細(xì)節(jié)均無幻覺，并配合專屬獎(jiǎng)勵(lì)函數(shù)，最終將多輪對(duì)話場(chǎng)景下的幻覺率控制在1.64%左右。

針對(duì)通用模型在強(qiáng)指令約束下仍存在的意圖理解錯(cuò)誤與回復(fù)偏差的情況，模型微調(diào)已成為提升業(yè)務(wù)適配度的必然選擇。然而，垂直領(lǐng)域應(yīng)用面臨著樣本規(guī)模有限、數(shù)據(jù)質(zhì)量參差以及人工標(biāo)注成本高且多樣性不足等嚴(yán)峻挑戰(zhàn)，為此，我們構(gòu)建了自動(dòng)化數(shù)據(jù)飛輪解決方案。

第一階段，自動(dòng)化數(shù)據(jù)飛輪聚焦于解決新場(chǎng)景或新業(yè)務(wù)下的數(shù)據(jù)冷啟動(dòng)問題。該階段核心是通過構(gòu)建“自動(dòng)化樣本生成器”，以模擬用戶行為的方式還原線上真實(shí)的業(yè)務(wù)流程；同時(shí)，利用觸發(fā)器機(jī)制精準(zhǔn)調(diào)控樣本生成的方向。

整體架構(gòu)如圖所示：首先，樣本生成器的服務(wù)架構(gòu)與線上服務(wù)架構(gòu)保持高度一致，以確保意圖對(duì)齊與流程跳轉(zhuǎn)邏輯的完全同步。其次，為解決多輪對(duì)話中微小偏差易導(dǎo)致路徑漂移問題，我們引入了觸發(fā)器機(jī)制，通過前置設(shè)定每輪對(duì)話的意圖與回復(fù)主題，對(duì)生成方向進(jìn)行精確引導(dǎo)。這種模式下，系統(tǒng)僅需根據(jù)預(yù)設(shè)主題進(jìn)行上下文檢索即可產(chǎn)出回復(fù)，從而保障了生成樣本在分布均勻、質(zhì)量高及多樣性上的相對(duì)可控，實(shí)現(xiàn)了高質(zhì)量業(yè)務(wù)數(shù)據(jù)在任意任務(wù)規(guī)模下的按需供給。

在持續(xù)運(yùn)營(yíng)階段，對(duì)于常規(guī)線上 Badcase 及新數(shù)據(jù)擬合，數(shù)據(jù)飛輪機(jī)制構(gòu)建了一套涵蓋樣本生成、樣本評(píng)估、模型訓(xùn)練、模型評(píng)估及線上自動(dòng)化運(yùn)營(yíng)的全鏈路自動(dòng)化策略。

依托數(shù)據(jù)飛輪的持續(xù)驅(qū)動(dòng)，我們通過多版數(shù)據(jù)任務(wù)的迭代，顯著實(shí)現(xiàn)了模型回復(fù)效果的提升。

以家電行業(yè)客戶為例，針對(duì)其“次日中午 12 點(diǎn)前送達(dá)”及“百單規(guī)模報(bào)價(jià)”的特定需求，通用模型回復(fù)了類似正確的解決方案。

首先，它回避了“貨損”這一關(guān)鍵矛盾；其次，模型僅基于常規(guī)知識(shí)庫檢索將精準(zhǔn)的時(shí)效要求模糊處理為寬泛的“次日達(dá)”。整體來看，其回復(fù)相對(duì)泛化。

經(jīng)過大模型強(qiáng)化后，系統(tǒng)不僅能正面回應(yīng)“12 點(diǎn)前送達(dá)”的需求，且推薦匹配的“倉配一體”解決方案，更能敏銳識(shí)別用戶單量?jī)r(jià)值并主動(dòng)觸發(fā)專屬折扣。為了實(shí)現(xiàn)這一強(qiáng)化效果，我們對(duì)獎(jiǎng)勵(lì)函數(shù)進(jìn)行了獨(dú)特設(shè)計(jì)。除了常規(guī)指標(biāo)外，重點(diǎn)引入了用戶需求滿意度獎(jiǎng)勵(lì)、推理過程合理性獎(jiǎng)勵(lì)以及營(yíng)銷任務(wù)達(dá)成率獎(jiǎng)勵(lì)。

在系統(tǒng)意圖上的效果，以信息抽取場(chǎng)景為例，強(qiáng)化后識(shí)別準(zhǔn)確率從原有的 80% 大幅提升至 99%，同時(shí)系統(tǒng)時(shí)效性平均響應(yīng)耗時(shí)由 3 ~ 5 秒縮減至 0.5 秒左右。

為了確保線上系統(tǒng)的穩(wěn)定性并提升運(yùn)營(yíng)效率，我們構(gòu)建了覆蓋“事前、事中、事后”的全鏈路三維智能評(píng)估體系。在事前階段，通過自動(dòng)化評(píng)測(cè)平臺(tái)對(duì)模型進(jìn)行上線前的標(biāo)準(zhǔn)化性能驗(yàn)證；在事中階段，依托自動(dòng)化運(yùn)營(yíng)手段實(shí)時(shí)監(jiān)測(cè)并捕捉線上 Badcase；在事后階段，則利用大模型對(duì) Badcase 進(jìn)行深度歸因與分類，精準(zhǔn)定位引發(fā)故障的具體原因并將其規(guī)則化關(guān)聯(lián)至對(duì)應(yīng)的算法負(fù)責(zé)人，實(shí)現(xiàn)全流程的快速迭代。

該自動(dòng)化評(píng)測(cè)方案的核心在于其與業(yè)務(wù)的強(qiáng)關(guān)聯(lián)。系統(tǒng)首先使用大模型進(jìn)行自動(dòng)化評(píng)測(cè)，隨后引入業(yè)務(wù)規(guī)則對(duì)評(píng)估結(jié)果進(jìn)行二次修正，從而保障評(píng)估符合整個(gè)業(yè)務(wù)系統(tǒng)。得益于這套體系，模型及服務(wù)的迭代效率提升近 100% 左右。

在整體架構(gòu)上，系統(tǒng)依托協(xié)同控制引擎來統(tǒng)籌離線與實(shí)時(shí)評(píng)估任務(wù)，不僅能夠?qū)崿F(xiàn)跨服務(wù)的端到端評(píng)估，還支持服務(wù)內(nèi)部 Agent 組件級(jí)的評(píng)估。評(píng)估完成后，系統(tǒng)會(huì)自動(dòng)推送深度分析報(bào)告，并同步觸發(fā)樣本與評(píng)測(cè)指標(biāo)體系的更新。

4 總結(jié)與展望

我們通過多 Agent 架構(gòu)的實(shí)踐應(yīng)用，充分驗(yàn)證了智能化轉(zhuǎn)型的可行性及其蘊(yùn)含的核心價(jià)值。在智能化流程構(gòu)建方面，依托 Agentic Workflow 顯著提升了用戶轉(zhuǎn)化效率。

與此同時(shí)，上下文工程的優(yōu)化進(jìn)一步提升了大模型在垂直領(lǐng)域的適配性及響應(yīng)準(zhǔn)確率。而自動(dòng)化營(yíng)銷體系的建立，不僅大幅降低了人工運(yùn)營(yíng)成本，更實(shí)現(xiàn)了運(yùn)營(yíng)效率與標(biāo)準(zhǔn)化程度的提升。

在此基礎(chǔ)上，數(shù)據(jù)飛輪機(jī)制的形成持續(xù)驅(qū)動(dòng)著模型性能與營(yíng)銷效果的迭代優(yōu)化。展望未來，我們將致力于多 Agent 協(xié)同生態(tài)的構(gòu)建，并深入探索端到端的智能營(yíng)銷閉環(huán)。

會(huì)議推薦

測(cè)完 MBTI，快來解鎖技術(shù)人專屬 AITI ！前沿探索家、大模型工程師、Agent 實(shí)戰(zhàn)拆解師、行業(yè)賦能師… 你是哪一種？6.26-27 # AICon 上海站等你面基同頻人！世界模型與多模態(tài)智能突破、Agent 架構(gòu)與工程化實(shí)踐、Agent 安全與可信治理、企業(yè)級(jí)研發(fā)體系重構(gòu)等 14 大專題全面開啟，誠(chéng)摯邀請(qǐng)你登臺(tái)分享實(shí)戰(zhàn)經(jīng)驗(yàn)。AICon 2026，期待與你同行。