logo

B端Agent的机会,不在于“助手”,而在基于垂直领域的任务式Agent微调

Coze、钉钉的Ai助理吸引了无数眼球,但是角色扮演的助理Agent落地一直很一般。同时“助理”型服务无法满足B端的实际业务场景,因为在B端工作中,特别是在客服场景下,十分强调回复准确性、稳定性,以及按照要求来执行具体的任务,解决实际业务问题。而相比助理Agent,通过对Agent框架的微调,在客服领域的表现完全强于coze、钉钉,更能落地在企业业务流程中。

“助手”Agent模式特点

“助手”Agent是设计用来执行广泛的基础任务,不特定于任何特定行业或复杂场景场景。它们通常处理简单的查询、日常信息查询、基本的客户互动问答。更多是为个人提供灵感,快速查找信息,总结文档等,他依赖于“使用者”下达合适的指令以及正确的引导,才能达到合适的效果。
如图中Coze的Agent创建,提示词中标注为技能、各种插件工具。他依赖于大模型的智能水平,在用户提问的时候,进行发散,决定要使用的“技能”,问什么答什么。

“任务式”Agent模式点

垂直领域的任务Agent是专门为特定行业或业务场景的问题,更强调落地,为用户解决具体的场景问题(用户不需要懂Ai,自需要使用即可),能够处理更理解复杂或特定的任务。它们通常需要Agent对业务场景有深入了解,并能够适配。自动处理用户意图下的问题,并切能准确有效的解答,不会发散。
如图为“TFLow Agent”(框架微调的Agent)产品截图。提示词为任务流程的描述、要求。他给到模型思考逻辑、执行逻辑、限制模型的发散。让模型的每一步执行都在规定的范围内,从而能够更好的代理确定的性的信息,以及稳定的流程。他能落地的具体的业务中,解决具体的用户问题,带来确定性事件。

同一客服问题下Coze“助手”与TFlow“任务”的对比

都选择常见售前留咨为例如,流程为:1、查询知识库进行解答问题;2、引导用户提供姓名、电话、公司名称;3、调用接口,讲信息插入到CRM中;Coze和TFlowAi的对比;
通过相同任务提示词的对比我们发现,框架微调的Agent,更能适合客服场景,能够很好的聚焦,模型不会随意的发散。表现更好的准确性,任务执行的稳定性,以及解决的幻觉问题。

“任务”Agent 客服机器人(如TFlow)优势亮点

相比于传统SaaS,不容易被抄袭,容易形成核心竞争力
1、场景微调:针对客服场景进行了专门适配,基于客服场景经验,优化多Agent与大模型的对话逻辑。实现一次客服会话中,同时交叉使用多个Agent,同时处理不同的任务。优化后能够准确识别用户意图,并进行切换处理。
2、优化流程式任务的处理:发挥Agent框架中的“思维链”和“反思”能力,让模型模型理解流程,观察用户输入,不断的反思,从而更能准确的执行任务。优化后能够根据提示词的任务,更精准地理解用户意图,按照提示词流程处理客服场景中的复杂任务,自主引导用户提供信息并执行任务。而且表现很高的稳定性和准确性。
和传统SaaS客服机器人相对优势
1、开发成本低:传统aaS的智能客服机器人依赖于知识图谱、FAQ、相似度问题、配会话逻辑等,需要庞大的开发团队进行维护复杂的功能模块,且需要专业的团队进行使用
2、使用成本低:通过自然语言来描述服务SOP就能创建的机器人,自动识别用户多种意图。不需要配置相似度问题、配会话逻辑等。
和钉钉、coze相比:能够直接服务于企业业务流程,直接落地。解决实际业务上的问题,实现降本增效。

为什么B端Agent的机会,而在基于垂直领域的任务式Agent?

个人两个观点:
1·、助手更多是提高员工的效率,也依靠员工适用于Ai的能力,个人的能力无法长期转变为组织的效能。而B端产品的价值必须给企业带来价格,降低成本or带来收益。通过微调Agent能够落地到企业业务中。
2、通过微调,适配业务场景的任务Agent,能够带来一定的壁垒。传统软件通过产品交互逻辑即可推测产品的实现逻辑。而通过大量场景的适配微调的Agent,通常无法通过产品直接推车出微调逻辑。随着时间的推移,更能带来一定的壁垒
评论
用户头像