---
title: "天潤雲（02167.HK）Zenava Userday 最佳實踐丨 G7 易流實踐表明：Agent 客服的關鍵在承接"
type: "Topics"
locale: "zh-HK"
url: "https://longbridge.com/zh-HK/topics/40164744.md"
description: "$天潤雲(02167.HK) 當客户一次性丟來上百台設備，要求立刻排查 “為什麼離線” 時，AI 客服值不值得做，已經不是一個概念問題。這是 G7 易流 AI 產品經理林萬勁，在 Zenava UserDay 廣州站上帶來的一場很有實操價值的分享。這是 G7 易流這樣的車聯網服務企業，在一線業務中面臨的，最真實的壓力：設備裝在卡車上，高峰時段客户可能一次性發來上百台設備..."
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-HK/profiles/13195040.md)"
---

# 天潤雲（02167.HK）Zenava Userday 最佳實踐丨 G7 易流實踐表明：Agent 客服的關鍵在承接

$天潤雲(02167.HK)

當客户一次性丟來上百台設備，要求立刻排查 “為什麼離線” 時，AI 客服值不值得做，已經不是一個概念問題。

**這是 G7 易流 AI 產品經理林萬勁，在 Zenava UserDay 廣州站上帶來的一場很有實操價值的分享。**

這是 G7 易流這樣的車聯網服務企業，在一線業務中面臨的，最真實的壓力：設備裝在卡車上，高峰時段客户可能一次性發來上百台設備，要求客服逐台排查；而一個設備往往就要花上幾分鐘，純靠人工很快就會碰到成本、效率和服務質量難以兼顧的天花板。

更復雜的是，這裏的客户進線並不只是簡單諮詢，而是諮詢、查詢、受理、投訴交織在一起。其中，設備故障排查與報修又是最核心的高頻場景，在總進線中的佔比高達 20% 到 30%。

也正因如此**，林萬勁在現場沒有再談模型和功能，而是直接回到業務現場，講透了 AI 客服為什麼做不深、知識和流程該怎麼改、Agent 又該怎樣真正進入業務。**

這場分享最有價值的地方，不在概念，而在方法。

# 一、Agent 項目做不深，問題在知識和流程

很多企業做 Agent 客服時，首先盯着模型和提示詞，但林萬勁卻認為，**很多項目做不深，首要問題不在模型，而在知識和流程。**

原因很簡單，對很多企業來説，內部知識並不是天然可用的，而是普遍存在 “散、亂、舊、缺” 的問題：

知識分散在文檔、系統和人的經驗裏，口徑不一致，內容過時，高頻問題反而沒有標準答案。

這樣的知識一旦餵給 AI，結果往往不是更聰明，而是更容易找不到上下文、產生幻覺，甚至給出看似正確、其實錯誤的答案。

更常見的誤區是，很多團隊以為把公司文檔一股腦丟進去，AI 自然就會學會。

但實際情況往往相反，**非結構化文檔、複雜排版、嵌套表格、水印、掃描 PDF，都會干擾 AI 理解。**

比如文檔被切片後，文檔中的 “它”“該設備” 這類代詞還會丟失指代，導致上下文斷裂；而大量未經加工的冗長文檔，也會稀釋有效信息，讓 AI 要麼復讀原文，要麼答非所問。

林萬勁用了一個很形象的比喻：**AI 不是一個什麼都懂的老教授，更像一個需要被精心餵養的新員工，你給它什麼質量的素材，它就輸出什麼質量的回答。**

但問題還不只在知識。

很多 Agent 項目停留在 “看起來能答”，卻始終做不深，也可能是因為流程沒有被梳理清楚。

因為很多時候，文檔裏寫出來的只是標準 SOP，只覆蓋最基礎的幾步；真正決定問題能不能解決的，往往是業務專家腦子裏的隱性判斷和例外經驗。這些內容沒有被寫進文檔，也沒有被沉澱成流程，AI 自然學不會。

**所以，很多 Agent 項目做不深，不是因為模型不夠強，而是企業還沒有把真正支撐業務運行的知識和流程，整理成 AI 可以理解、可以調用、可以執行的東西。**

# 二、高可用的 AI 客服，要把知識重構成 “AI 能用” 的形態

如果説前一部分回答的是 “問題出在哪裏”，那這一部分回答的就是 “現在該怎麼改”。

林萬勁分享時反覆強調一個判斷：**知識不是給人看的，而是給 AI 用的，結構比內容更重要。**

所以，知識庫建設的重點從來不是 “堆資料”，而是把資料重構成 AI 可以理解、可以調用、可以執行的知識單元。

比如同樣是處理 “數據沒更新”，模糊問答只會讓 AI 給出泛泛建議；真正能用的知識，必須把場景、條件和排查步驟寫清楚，讓 AI 知道在什麼情況下、按什麼順序去判斷和回覆。

圍繞這個邏輯，林萬勁總結了三步做法。

**第一步是做減法。**真正該優先保留的，是企業獨有的 SOP、案例、排查手冊、產品規格這類高價值內容；通用常識、過期制度、未定稿文檔，不必一股腦塞進去，否則只會增加干擾。

**第二步是治格式。**TXT、Markdown 這類結構清晰的內容，對 AI 最友好；複雜 PDF、掃描件、雙欄排版、水印文檔，都會增加解析難度，影響理解效果。很多知識不是內容有問題，而是在進入 AI 之前，格式就已經把它 “損耗” 掉了。

**第三步是做精加工。**複雜表格最好改寫成自然語言，“它”“該設備” 這類代詞要補成明確實體，高頻、易錯、反覆出現的問題，則最好直接整理成標準 Q&A。

林萬勁在現場把這套方法總結得很直白：**“PDF 儘量轉 TXT，表格儘量轉成話，‘它/這’ 要把名補全，搞不定就寫 Q&A。”**

**對企業來説，知識庫不是資料倉庫，而是 AI 的底層能力。這個基礎不先補，後面越往下做，返工成本越高。**

# 三、AI 客服真正創造價值，要 “能進流程、能做成事”

**在梳理好知識之後，Agent 客服再往下，關鍵就不是 “答得像不像”，而是 “能不能進流程、能不能把事做成”。**

前面提到，在很多場景裏，標準 SOP 只覆蓋了基礎步驟，真正讓問題被解決的，是一線人員在處理過程中不斷追加的判斷和驗證。

也就是説，企業必須先把 “人是怎麼幹的” 畫出來，把專家的處理邏輯和判斷鏈顯性化，AI 才能真正接手一部分業務動作。

但僅僅把邏輯梳理出來還不夠。

**林萬勁強調，企業如果真想讓 Agent 跑起來，就不能把它掛在旁邊當作輔助工具，而要真正嵌進業務系統裏，成為必須執行的標準動作。**

否則，一線人員很容易回到原來的處理方式，AI 也就永遠跑不進真實業務。

同樣，判斷 AI 客服有沒有價值，也不能只看它答得像不像人，而要看它有沒有帶來真實結果。比如，是否減少了無效派單，是否壓縮了重複勞動，是否在業務增長的同時穩住了服務質量。

林萬勁給出的判斷很務實：真正的價值，一類是看得見的財務結果，比如減少無效派單、降低外包支出；另一類是感受得到的業務結果，比如業務量增長了，但團隊規模沒有同比擴大，服務質量也沒有下降。

相反，那種 “AI 幫我省了兩小時”，但省下來的時間並沒有轉化成業務產出的 “提效”，其實只是空轉。

**因此，Agent 客服説到底，不是一個問答工具項目，而是一場知識重構、流程重塑和組織協同的升級。**

$天潤雲(02167.HK)

### 相關股票

- [02167.HK](https://longbridge.com/zh-HK/quote/02167.HK.md)