ESC · 关闭
围绕两个核心指标展开：接通率与转人工解决率。通过五层 Agent 协作，将外呼全链路拆解为可测量、可独立优化的系统工程。
在着手设计 Agent 之前，有必要先把两个指标背后的问题讲清楚。接通率低和转人工解决率低，表面上都是外呼效果差，但原因来自完全不同的地方，解法也完全不同。把这两件事混在一起优化，只会产生互相干扰的设计决策。
接通率的问题，本质上是系统层的效率损耗。号码名单里混入了大量空号、停机号和 DNC 黑名单；拨号时段没有根据行业特征优化，在客户最不方便接听的时间密集拨出；并发策略粗放，高峰时段线路拥堵而低峰时段资源闲置；IVR 系统、语音信箱、传真线路没有被及时识别和终止，这些无效占线消耗了大量并发资源，而背后的真实客户始终没有被触达。
转人工解决率的问题，是 Agent 设计层面的判断失误。意向识别不准，热线索被错过；转人工时机太晚，客户情绪已经恶化才触发，坐席接手时局面已经被动；交接信息断层，坐席不知道 AI 和客户聊了什么，第一句话就要从零开始重建信任；路由规则粗糙，有购买意向的客户和投诉客户被送进同一个处理队列。
接通率由 Agent 1（调度层）负责。转人工解决率由 Agent 3 和 Agent 4（对话层与交接层）负责。两个指标由不同 Agent 承载，必须各自独立优化，不能混淆设计责任。
end_call，每一次这样的接通都在消耗真实客户能用到的并发资源。AI 和真人的分工边界，决定整个 Agent 架构的设计逻辑。这个问题必须在编排之前回答，因为它不是技术问题，是对销售过程本质的判断：客户在什么阶段愿意和 AI 对话，在什么阶段需要感受到真人的存在。
客户在标准化信息交换阶段并不在意对方是不是 AI——「有没有类似需求」「方便留个联系方式吗」，这些问题 AI 问得比真人更稳定一致，不受疲劳和情绪波动的影响，执行一致性是 AI 在这个阶段的真正优势。
客户进入考量决策阶段时，情况完全不同。当他开始追问竞品差异、询问定制可能性、在价格上反复试探，他实际上是在通过问题测试对方的判断力和反应速度。这时候他需要感受到对方在真正理解他——这是真人销售的核心价值：感染力与临场判断。
销冠能听出客户说「没预算」时语气里的犹豫，能判断「他问了三次价格却说没兴趣」背后的矛盾信号，知道什么时候该沉默，什么时候该推进看 demo，什么时候该主动让步。这种判断力，当前 AI 在技术层面还达不到。AI 很聪明，但聪明和有感染力是两件事。
AI 是情报官，不是替代者。最佳分工是：AI 完成筛选阶段的全部工作，识别出进入决策阶段的客户后立即移交真人。转人工不是 AI 失败的兜底，是整个系统设计的主动策略。
| 阶段 | 客户行为特征 | 分工 | 核心原因 |
|---|---|---|---|
| 初步触达 | 防御心高，不知道你是谁 | AI 主导 | 标准化开场，AI 不受情绪影响，稳定执行 Permission-first 结构 |
| 信息采集 | 回答固定问题，配合度一般 | AI 主导 | 槽位填充是结构化任务，AI 执行比真人更一致，不遗漏 |
| 意向确认 | 开始问具体问题，出现购买信号 | 边界地带 | AI 识别信号并触发转人工，交接要快，热线索最怕冷却 |
| 方案沟通 | 追问竞品差异、定制可能性 | 真人主导 | 客户在测试判断力，这是感染力和临场应变的主场 |
| 促单谈判 | 价格敏感，迟疑，需要被推动 | 真人主导 | 读懂话外音、临场判断进退，是真人销售不可替代的核心价值 |
B2B 场景和 B2C 有两个根本性差异，使得 AI 主导外呼在 B2B 几乎没有合理的成本收益比。
第一，试错成本远高于效率收益。B2B 的客户数量少，但每一个客户的生命周期价值都很高。真人销售在 B2B 场景下本来就没有效率压力——客户本来就不多。一旦因为 AI 体验不好在客户那里留下负面印象，损失的不是一单，而是整个关系链条和未来所有的转介绍机会。AI 带来的效率收益覆盖不了这个风险。
第二，还没有找到 AI 能稳定替代真人的边界。B2B 的每通电话都涉及定制化需求描述、多层次的决策路径确认，以及大量非标准化的谈判逻辑。AI 的标准化流程在这里系统性地失效。在找到清晰的可替代边界之前，让 AI 主导 B2B 外呼是在用高风险换取有限的效率提升。
以上对边界的判断，直接决定了后续五层 Agent 编排的核心逻辑：筛选阶段全部交给 AI，决策阶段立即移交真人。这不是妥协，是对两者能力边界的诚实认知。
整个系统不是一个统一的 LLM 在处理所有事情，而是按职责边界拆分的多 Agent 协作体系。每个 Agent 有明确的输入来源、处理逻辑和输出标准。上游 Agent 的 output 作为下游 Agent 的输入，每个 Agent 维护独立的 Prompt，不共享内部状态。
这样设计的原因是：外呼链路中每个环节的失败原因和优化方向完全不同。把所有事情交给一个 Agent，意味着无法精确定位问题在哪个环节，也无法对单个环节进行针对性的数据优化和 Prompt 迭代。拆分 Agent 的本质，是把一个模糊的系统变成一个可以逐段测量、逐段改进的系统。
负责接通率的系统层优化，是整个链路的入口。在拨号发生之前，完成号码清洗（去重、空号验证、DNC 黑名单过滤）、行业标签打标、并发数和时段窗口配置。拨号发生后，实时检测接通状态并精细分流：无人接听进入带间隔的重试队列；占线短间隔重试；空号、IVR、语音信箱、传真线路立即执行 end_call 标记无效；正常接通才进入 Agent 2。时段优化是这一层最重要的长期能力——系统持续从历史接通数据中学习，自动调整各行业最优拨号窗口，不依赖人工经验配置。
判断当前对话对象是否为决策人。输入包括 Agent 1 传递的号码归属信息、公司基本信息，以及历史通话记录（如果有）。若识别为前台、助理或其他非决策人角色，使用不暴露 AI 身份的话术礼貌应对，目标是获取转接机会或确认决策人的回电时机。这个阶段不做任何产品介绍，不浪费在错误的人身上。如果多次尝试仍无法触达，记录门卫姓名和建议时段后退出，进入后续跟进任务。
系统的核心 Agent，承载最关键的判断逻辑。输入为 Agent 2 确认的决策人身份、行业专属 Prompt、RAG 知识库，以及实时维护的对话状态记忆。完成：意图识别（有意向、明确拒绝、追问、沉默、情绪激动）、情绪状态判断（中性、不满、愤怒）、关键槽位填充（预算、使用场景、决策周期）、主次 Goal 追踪与自动降级，以及多轮对话状态管理。每轮对话结束后触发决策：继续对话、转人工，或礼貌挂机。RAG 知识库在这一层动态注入，客户追问专业问题时先检索再回答，减少不必要的转人工。
转人工的触发点在 Agent 3，但解决率的决定性因素在这里。Agent 4 在转人工发生前自动运行，基于 Agent 3 的完整对话状态生成结构化交接卡：客户基本信息、本次对话意图、情绪状态评估、已采集的关键槽位、建议的开场话术。坐席接手时不需要客户重复任何背景，第一句话就能切入真实问题。交接卡同时承担路由决策：有购买意向的路由到销售顾问队列，情绪愤怒或有投诉性质的路由到客服坐席队列。
通话结束后异步触发，不在主链路上。输入为完整通话录音、Agent 3 的对话记录和 Prompt，以及行业知识库配置。完成三件事：合规风险检测（高风险通话标记人工复核）、话术偏差识别（与 Prompt 预期行为不符的对话模式）、高质量样本筛选（成功识别意向、成功处理负面情绪、成功执行 Goal 降级的通话）。筛选出的样本回流用于 NLU 模型和 TTS 音色的持续迭代。线索状态同步写入 CRM：有意向进入跟进队列，无意向进入冷却期，未接通进入重试队列。
Agent 3 是整个系统里最复杂、也最需要持续打磨的部分。接通率由 Agent 1 决定，但接通之后能不能产生价值，完全取决于 Agent 3 的判断质量。意向识别、情绪识别、Goal 追踪、对话节奏，每一项都直接影响最终转化。
每个外呼任务在配置时定义三层目标。当上层目标受阻时，Agent 3 自动切换到下一层，不空手而归。这个机制保证了每通通话在无法达成核心转化时，仍然能积累有价值的线索信息。
在没有 RAG 的情况下，AI 遇到自己不确定的专业问题通常只有一个出路：说「这个问题我帮您转人工处理」。但频繁的转人工会打断对话节奏，让客户觉得这个系统没有能力，也浪费了坐席资源。
RAG 知识库按行业独立维护，在 Agent 3 处理每通对话时动态注入对应行业的产品知识、常见 FAQ、竞品对比话术、合规限制说明。客户追问专业问题时，先检索知识库，用检索到的内容生成回答，再判断是否需要转人工。RAG 无法覆盖、或检索置信度低的问题，才进入转人工流程。
前面四个板块建立了问题认知和架构框架。这里把两个指标的优化路径直接对应到每个 Agent 的具体设计机制上，说清楚每一项设计如何作用于指标，以及为什么这样设计而不是其他方式。
end_call，不占并发传统的外呼复盘方式有两种：人工抽听录音，或者用关键词在通话记录里搜索。前者效率极低，三千通通话没有团队愿意逐条听；后者的根本问题是关键词不等于意图——「价格」这个词可能出现在客户认真询问价格时，也可能出现在他说「你们价格太高我不考虑」时，关键词搜索无法区分这两种情况，而这两种情况对应的后续动作完全相反。
这套系统的复盘逻辑：用自然语言描述你想找的通话特征，系统通过意图理解返回匹配通话列表和匹配率。你定义什么叫成功，系统去找。不需要提前设计标签体系，也不需要知道关键词是什么。
Query 引擎不只是复盘工具，它是让系统持续变好的机制。每一次 Query 结果都指向一个可以优化的方向，优化后在下一批通话中验证，再次 Query 对比效果。
Agent 1 到 Agent 5 各自维护独立的 Prompt，它们的职责、输入和输出完全不同，不应该共享配置。但以下六条设计原则适用于全部 Agent，是系统整体表现质量的执行层保证。
把 Prompt 写成脚本是最常见的错误——脚本应对的是预期内的对话路径，而真实客户的对话充满不按预期走的岔路。好的 Prompt 是一套有优先级的指令体系：知道什么情况下必须做什么，什么情况下有灵活空间，什么情况下必须立即退出。
有名字、有清晰的职能定位，音色和语气风格与行业匹配。不同行业的客群对「专业感」的期待不同，金融行业期待沉稳，美容行业期待亲切，声线选择和语气配置需要分开维护。人格一致性不是形式要求，是信任建立的基础。
先获得对方说下去的许可，再介绍。这个顺序不能颠倒。「方便占用您两分钟了解一下吗」比直接开始介绍的转化率更高，原因是它把主动权还给了对方，降低了防御心理。Permission-first 本质上是一种尊重对方时间的表达，客户对被尊重的感受非常敏感。
「嗯……」「好的，让我确认一下」「我理解您的意思」，这些细节降低机器感，减少提前挂机率。它们在 Prompt 层面是低成本配置，但效果是可以被数据量化的——有填充词和没有填充词的版本，在客户自然挂机率上有可测量的差异。填充词的节奏要和 TTS 的停顿配合调试。
对决策人适时坦白 AI 身份，反而能建立信任——「我是 AI 助理，人工顾问稍后会联系您」比假装真人被识破更有信任度。对前台和助理不主动透露，避免在还没触达决策人的阶段就产生不必要的阻力。两种情况对应 Prompt 里的独立分支，不能用同一套话术应对。
护栏是不可妥协的边界，它的优先级高于任何 Goal。不谈价格（转人工）；遇 IVR 或语音信箱立即 end_call；情绪识别到愤怒立即触发转人工；DNC 声明立即写入黑名单退出，不再尝试挽留。在 Prompt 里，护栏应该在 Goal 描述之前出现，并用明确的条件语句表达，不留模糊空间。
每次回应控制在 2—3 句，主动听，不重复问已答问题，不急着推介。对话的节奏感本身是一种说服力——客户在感受到对方在认真听的时候，防御心会降低。回应长度和停顿节奏需要在 Prompt 层面约束，也需要在 TTS 配置层面配合，两层配合不好，Prompt 写得再精确也会被语音层的节奏感破坏。