企业级 AI 对话 Agent 落地指南：从 Demo 到 7×24 智能接待

01Demo 和生产之间，隔着一条运营鸿沟

做一个能聊天的 Agent Demo 只需要一个下午：调一个 API、塞一个 prompt、套一个前端界面。但把它变成 7×24 的智能接待，问题清单会长到让你重新认识这个项目——回答错了怎么办？半夜两点提问谁来兜？聊到一半断网怎么办？每一条都是生产问题，Demo 阶段一条都不会出现。

我们在官网部署智能接待的经验是：上线第一周，80% 的问题都出在 Demo 阶段从未考虑过的地方——敏感问题怎么答、访客提了需求怎么引导留资、大模型答不上来怎么体面地转人工。

对话 Agent 的体验上限由知识库决定，下限由兜底设计决定。

02三层架构：通道、大脑、兜底

把智能接待拆成三层，每一层的职责、技术选型与风险边界就都清晰了：

• 通道层：文本/语音接入、断线重连、多端适配。语音通道额外要考虑 ASR 识别误差、打断机制与网络抖动——给智能接待加语音通话时，最大的工作量不在模型，而在通话状态机
• 大脑层：意图理解、知识库检索、话术生成、留资引导。我们的做法是 qwen-flash 对话 + 向量检索知识库，命中知识组装进 system prompt，首字响应压到 1 秒内
• 兜底层：转人工、离线留言、意向分级与线索归档。模型答不上来时不是硬撑，而是体面地切换——这是用户感知最直接的环节

三层解耦的好处：任何一层出问题，只影响那一层——语音断了，文字通道还在；模型超时，兜底话术顶上；知识库没命中，转人工兜住。

04知识库决定体验上限

同一套大模型，知识库质量不同，接待水平就是两个物种。知识库的本质是把企业的业务语料——方案、案例、FAQ、话术——整理成模型真正能检索、能引用的形态。

数量级参考：官网接待场景几百条高质量知识配合向量检索，效果远好于把几千份原始文档直接倒进去。检索质量大于模型大小，这一条对预算有限的中小企业尤其重要。知识库治理的常见坑，我们在《企业知识库为什么建了没人用》里完整拆过。

05用四个数字管理智能接待

上线之后，管理 Agent 项目靠的不是感觉，是四个数字：

• 接待率：访客发起会话后，被 Agent 完整接住的比例。低于预期说明入口或响应有问题
• 首响时长：访客发出第一条消息到看到第一行回复的时间。我们的目标线是 1 秒——超过 3 秒，访客开始流失
• 转人工率：太低说明兜底没起作用（或者模型在硬撑），太高说明知识库没接住；多数场景的合理区间在 20%-40%
• 线索转化率：留资、跟进、成交的漏斗。智能接待最终不是技术项目，是营销项目

这四个数字每周看一次，哪一个异常就治理哪一层——这是把 Agent 当系统运营，而不是当 Demo 欣赏。

07上线只是开始

智能接待的运营工作是持续的：每天翻对话日志，把模型答不好的问题补进知识库；每周调话术，让留资引导更自然；每月看转化漏斗，决定要不要扩场景。

三个月不喂养，Agent 不会报错，只是悄悄变傻——答非所问越来越多，转人工率爬升，访客默默离开。

智能接待不是一次上线，而是一台需要持续喂养的机器。