---
title: " 天润云（02167.HK）Zenava UserDay 广州站回顾：聚焦消费零售企业"
type: "Topics"
locale: "en"
url: "https://longbridge.com/en/topics/40165499.md"
description: "$TI CLOUD(02167.HK) 在消费零售行业，Agent 应不应该做？应该从什么地方开始做？怎么做才有效？围绕这些问题，3 月 24 日，Zenava UserDay 在广州举行。现场，有来自消费零售领域的数十家企业负责人展开热烈的讨论，大家相互交流，分享经验。当天的分享和交流中，既有对行业趋势的判断，也有对落地方法、典型场景和实际经验的拆解，信息密度很高，留下了许多值得反复思考的干货内容..."
datetime: "2026-04-24T09:07:24.000Z"
locales:
  - [en](https://longbridge.com/en/topics/40165499.md)
  - [zh-CN](https://longbridge.com/zh-CN/topics/40165499.md)
  - [zh-HK](https://longbridge.com/zh-HK/topics/40165499.md)
author: "[天润融通](https://longbridge.com/en/profiles/13195040.md)"
---

#  天润云（02167.HK）Zenava UserDay 广州站回顾：聚焦消费零售企业

$TI CLOUD(02167.HK)

在消费零售行业，Agent 应不应该做？应该从什么地方开始做？怎么做才有效？

围绕这些问题，3 月 24 日，Zenava UserDay 在广州举行。现场，有来自消费零售领域的数十家企业负责人展开热烈的讨论，大家相互交流，分享经验。

当天的分享和交流中，既有对行业趋势的判断，也有对落地方法、典型场景和实际经验的拆解，信息密度很高，留下了许多值得反复思考的干货内容。

基于此，我们从当天的内容中提炼出了一些更有参考价值的观点和方法，想和大家做一个分享。

若你也对 Zenava UserDay 感兴趣，欢迎与我们联系，全国巡回活动正在持续开展，也许下一站，就在你的城市。

# 一、Agent 现在不比 “会不会聊”，而比 “能不能把事做完”

这是广州站现场反复被提到的一个共识。

**企业今天看 Agent，已经不是在看它会不会回复、像不像真人，而是在看它能不能真正把事情做下去。**

过去做智能客服，更关注回复顺不顺、FAQ 覆盖够不够；到了 Agent 阶段，衡量标准已经变了。售后看独立解决率、独立接待率，售前看转化，服务流转看建单率和建单准确率。比起 “会不会聊天”，企业更在意的是，它能不能把一段业务流程往前推进。

点击添加图片描述（最多 60 个字）编辑

**这背后，其实是能力边界变了。**

传统 NLP 机器人更像问答匹配，用户问一句，系统答一句；但 Agent 已经开始具备理解意图、分解任务、调用接口、处理多模态信息和承接上下文的能力，能够继续把问题处理下去。

**现场举了一个很典型的例子：**用户说 “我上周买了一个耳机，一直没到”，虽然没有提 “物流”，Agent 依然能识别出这是物流查询，并进一步调取订单状态，给出处理方案。

所以，今天企业重新看 Agent，看的已经不是它像不像一个会说话的系统，而是它能不能接住问题、推进流程，最后把结果做出来。

# 二、很多 Agent 项目做了没效果，因为场景没选对

如果说前面讨论的是 “今天该怎么看 Agent”，那么另一个更现实的问题是**：什么样的场景值得先做。**

现场反复提到，Agent 落地难点往往不是怎么搭，而是哪些场景值得投、优先做哪一块、怎么把效益做出来。

判断一个场景值不值得做，至少可以先看三点：**能不能降低重复劳动，能不能突破原来人或旧系统做不到的能力边界，能不能沉淀成标准化流程，放进智能体里持续执行。**

也正因为如此，广州站把 “场景拆解” 放得很重。所谓拆场景，不是停留在 “售前”“售后” 这种大概念上，而是继续往下拆清楚：服务对象是谁，从哪个渠道进来，带着什么需求，最后要完成什么目标。

**只有这些问题先说清楚，后面的知识准备、流程设计和效果验证才有抓手。**

点击添加图片描述（最多 60 个字）编辑

现场举的助听器案例就很典型。用户从抖音进来，和从小红书进来，真实诉求可能完全不同。如果系统能在进线的一刻就结合渠道信息识别需求，就不用再反复试探、来回确认。这也说明，Agent 不是更容易输在问题复杂，而是更容易输在场景太大、太虚、太模糊。

所以，广州站给出的一个很现实的提醒是**：项目不是从 “搭系统” 开始，而是从 “选对场景” 开始。**先找到一个边界清楚、频次够高、链路完整的小闭环，先把它跑通，再往外扩，往往比一开始铺得很大更容易看到结果。

# 三、Agent 做不深，是没有把知识和流程准备好

这是广州站现场反复被提到的一个判断。

很多企业一开始推进 Agent，先看的是模型、参数和能力，但真正落地后才发现，**决定效果上限的，不是模型有多强，而是企业有没有把知识、规则和处理边界真正梳理清楚。**

表面上看，企业并不缺资料，产品手册、服务文档、操作说明、常见问答都不少；但真正上项目时，这些内容常常是旧的、缺的、散的、乱的。

点击添加图片描述（最多 60 个字）编辑

更新时间不一致，表达口径不统一，判断规则没有结构化沉淀，一线专家知道怎么处理，系统却不知道该怎么判断。结果就是，Agent 看起来什么都知道一点，但一到真实业务里，回答就容易飘，判断不稳定，同类问题前后也不一致。

这也是为什么很多企业会发现，Agent 演示时效果不错，一进真实业务，表现就开始波动。原因就是企业并没有把真正支撑业务判断的知识整理出来。

**现场还特别提到一个常见误区：很多企业以为 AI 足够强，把公司文档一股脑丢进去就行。**

但实际恰恰相反，非结构化内容、复杂表格、水印文件、口径不一的文档，都会让效果变差。Agent 时代的知识库，已经不是简单 “喂资料”，而更像一次业务梳理和经验重组。

真正需要整理的，不只是答案本身，而是专家平时怎么判断问题，什么情况可以直接处理，什么情况必须转人工，遇到歧义信息时该怎么追问，不同任务的边界和优先级又是什么。

换句话说，**Agent 真正需要的，不是一堆资料，而是一套能支撑判断和执行的业务知识结构。**很多项目之所以做不深，不是输在模型，而是输在企业还没有把自己的业务规则讲清楚。

# 四、先把业务判断做扎实，再谈 Agent 大规模落地

回到活动本身，Zenava UserDay 想做的，并不只是一场关于 Agent 的分享会，而是一个面向客户服务与营销行业的专业交流平台。

**我们希望把同行业、同场景、同样在推进智能体落地的人聚到一起，不是停留在概念层面讨论 “Agent 有多热”，而是把真实问题摊开，把分歧讲清，把经验沉淀下来。**

点击添加图片描述（最多 60 个字）编辑

比起单向输出观点，Zenava UserDay 更关注的是：技术如何真正进入业务，企业如何在复杂现实里作出更稳妥的判断，项目又该如何一步步走向可验证、可复用、可持续。

未来，Zenava UserDay 也将继续以行业交流和实战共创的方式，走进更多城市，帮助更多客户服务与营销行业的从业者拨开概念迷雾，回到业务本质，在真实场景里找到更清晰的落地路径。

$TI CLOUD(02167.HK)

### Related Stocks

- [02167.HK](https://longbridge.com/en/quote/02167.HK.md)
- [BYTED.NA](https://longbridge.com/en/quote/BYTED.NA.md)
- [XHS.NA](https://longbridge.com/en/quote/XHS.NA.md)