--- title: "天润云（02167.HK）Zenava Userday 最佳实践丨 G7 易流实践表明：Agent 客服的关键在承接" type: "Topics" locale: "zh-CN" url: "https://longbridge.com/zh-CN/topics/40164744.md" description: "$天润云(02167.HK) 当客户一次性丢来上百台设备，要求立刻排查 “为什么离线” 时，AI 客服值不值得做，已经不是一个概念问题。这是 G7 易流 AI 产品经理林万劲，在 Zenava UserDay 广州站上带来的一场很有实操价值的分享。这是 G7 易流这样的车联网服务企业，在一线业务中面临的，最真实的压力：设备装在卡车上，高峰时段客户可能一次性发来上百台设备..." datetime: "2026-04-24T08:39:39.000Z" locales: - [en](https://longbridge.com/en/topics/40164744.md) - [zh-CN](https://longbridge.com/zh-CN/topics/40164744.md) - [zh-HK](https://longbridge.com/zh-HK/topics/40164744.md) author: "[天润融通](https://longbridge.com/zh-CN/profiles/13195040.md)" --- # 天润云（02167.HK）Zenava Userday 最佳实践丨 G7 易流实践表明：Agent 客服的关键在承接 $天润云(02167.HK) 当客户一次性丢来上百台设备，要求立刻排查 “为什么离线” 时，AI 客服值不值得做，已经不是一个概念问题。 **这是 G7 易流 AI 产品经理林万劲，在 Zenava UserDay 广州站上带来的一场很有实操价值的分享。** 这是 G7 易流这样的车联网服务企业，在一线业务中面临的，最真实的压力：设备装在卡车上，高峰时段客户可能一次性发来上百台设备，要求客服逐台排查；而一个设备往往就要花上几分钟，纯靠人工很快就会碰到成本、效率和服务质量难以兼顾的天花板。 更复杂的是，这里的客户进线并不只是简单咨询，而是咨询、查询、受理、投诉交织在一起。其中，设备故障排查与报修又是最核心的高频场景，在总进线中的占比高达 20% 到 30%。 也正因如此**，林万劲在现场没有再谈模型和功能，而是直接回到业务现场，讲透了 AI 客服为什么做不深、知识和流程该怎么改、Agent 又该怎样真正进入业务。** 这场分享最有价值的地方，不在概念，而在方法。 # 一、Agent 项目做不深，问题在知识和流程 很多企业做 Agent 客服时，首先盯着模型和提示词，但林万劲却认为，**很多项目做不深，首要问题不在模型，而在知识和流程。** 原因很简单，对很多企业来说，内部知识并不是天然可用的，而是普遍存在 “散、乱、旧、缺” 的问题： 知识分散在文档、系统和人的经验里，口径不一致，内容过时，高频问题反而没有标准答案。 这样的知识一旦喂给 AI，结果往往不是更聪明，而是更容易找不到上下文、产生幻觉，甚至给出看似正确、其实错误的答案。 更常见的误区是，很多团队以为把公司文档一股脑丢进去，AI 自然就会学会。 但实际情况往往相反，**非结构化文档、复杂排版、嵌套表格、水印、扫描 PDF，都会干扰 AI 理解。** 比如文档被切片后，文档中的 “它”“该设备” 这类代词还会丢失指代，导致上下文断裂；而大量未经加工的冗长文档，也会稀释有效信息，让 AI 要么复读原文，要么答非所问。 林万劲用了一个很形象的比喻：**AI 不是一个什么都懂的老教授，更像一个需要被精心喂养的新员工，你给它什么质量的素材，它就输出什么质量的回答。** 但问题还不只在知识。 很多 Agent 项目停留在 “看起来能答”，却始终做不深，也可能是因为流程没有被梳理清楚。 因为很多时候，文档里写出来的只是标准 SOP，只覆盖最基础的几步；真正决定问题能不能解决的，往往是业务专家脑子里的隐性判断和例外经验。这些内容没有被写进文档，也没有被沉淀成流程，AI 自然学不会。 **所以，很多 Agent 项目做不深，不是因为模型不够强，而是企业还没有把真正支撑业务运行的知识和流程，整理成 AI 可以理解、可以调用、可以执行的东西。** # 二、高可用的 AI 客服，要把知识重构成 “AI 能用” 的形态 如果说前一部分回答的是 “问题出在哪里”，那这一部分回答的就是 “现在该怎么改”。 林万劲分享时反复强调一个判断：**知识不是给人看的，而是给 AI 用的，结构比内容更重要。** 所以，知识库建设的重点从来不是 “堆资料”，而是把资料重构成 AI 可以理解、可以调用、可以执行的知识单元。 比如同样是处理 “数据没更新”，模糊问答只会让 AI 给出泛泛建议；真正能用的知识，必须把场景、条件和排查步骤写清楚，让 AI 知道在什么情况下、按什么顺序去判断和回复。 围绕这个逻辑，林万劲总结了三步做法。 **第一步是做减法。**真正该优先保留的，是企业独有的 SOP、案例、排查手册、产品规格这类高价值内容；通用常识、过期制度、未定稿文档，不必一股脑塞进去，否则只会增加干扰。 **第二步是治格式。**TXT、Markdown 这类结构清晰的内容，对 AI 最友好；复杂 PDF、扫描件、双栏排版、水印文档，都会增加解析难度，影响理解效果。很多知识不是内容有问题，而是在进入 AI 之前，格式就已经把它 “损耗” 掉了。 **第三步是做精加工。**复杂表格最好改写成自然语言，“它”“该设备” 这类代词要补成明确实体，高频、易错、反复出现的问题，则最好直接整理成标准 Q&A。 林万劲在现场把这套方法总结得很直白：**“PDF 尽量转 TXT，表格尽量转成话，‘它/这’ 要把名补全，搞不定就写 Q&A。”** **对企业来说，知识库不是资料仓库，而是 AI 的底层能力。这个基础不先补，后面越往下做，返工成本越高。** # 三、AI 客服真正创造价值，要 “能进流程、能做成事” **在梳理好知识之后，Agent 客服再往下，关键就不是 “答得像不像”，而是 “能不能进流程、能不能把事做成”。** 前面提到，在很多场景里，标准 SOP 只覆盖了基础步骤，真正让问题被解决的，是一线人员在处理过程中不断追加的判断和验证。 也就是说，企业必须先把 “人是怎么干的” 画出来，把专家的处理逻辑和判断链显性化，AI 才能真正接手一部分业务动作。 但仅仅把逻辑梳理出来还不够。 **林万劲强调，企业如果真想让 Agent 跑起来，就不能把它挂在旁边当作辅助工具，而要真正嵌进业务系统里，成为必须执行的标准动作。** 否则，一线人员很容易回到原来的处理方式，AI 也就永远跑不进真实业务。 同样，判断 AI 客服有没有价值，也不能只看它答得像不像人，而要看它有没有带来真实结果。比如，是否减少了无效派单，是否压缩了重复劳动，是否在业务增长的同时稳住了服务质量。 林万劲给出的判断很务实：真正的价值，一类是看得见的财务结果，比如减少无效派单、降低外包支出；另一类是感受得到的业务结果，比如业务量增长了，但团队规模没有同比扩大，服务质量也没有下降。 相反，那种 “AI 帮我省了两小时”，但省下来的时间并没有转化成业务产出的 “提效”，其实只是空转。 **因此，Agent 客服说到底，不是一个问答工具项目，而是一场知识重构、流程重塑和组织协同的升级。** $天润云(02167.HK) ### 相关股票 - [02167.HK](https://longbridge.com/zh-CN/quote/02167.HK.md)