--- title: " 天潤雲（02167.HK）Zenava UserDay 廣州站回顧：聚焦消費零售企業" type: "Topics" locale: "zh-HK" url: "https://longbridge.com/zh-HK/topics/40165499.md" description: "$天潤雲(02167.HK) 在消費零售行業，Agent 應不應該做？應該從什麼地方開始做？怎麼做才有效？圍繞這些問題，3 月 24 日，Zenava UserDay 在廣州舉行。現場，有來自消費零售領域的數十家企業負責人展開熱烈的討論，大家相互交流，分享經驗。當天的分享和交流中，既有對行業趨勢的判斷，也有對落地方法、典型場景和實際經驗的拆解，信息密度很高，留下了許多值得反覆思考的乾貨內容..." 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/zh-HK/profiles/13195040.md)" --- # 天潤雲（02167.HK）Zenava UserDay 廣州站回顧：聚焦消費零售企業 $天潤雲(02167.HK) 在消費零售行業，Agent 應不應該做？應該從什麼地方開始做？怎麼做才有效？ 圍繞這些問題，3 月 24 日，Zenava UserDay 在廣州舉行。現場，有來自消費零售領域的數十家企業負責人展開熱烈的討論，大家相互交流，分享經驗。 當天的分享和交流中，既有對行業趨勢的判斷，也有對落地方法、典型場景和實際經驗的拆解，信息密度很高，留下了許多值得反覆思考的乾貨內容。 基於此，我們從當天的內容中提煉出了一些更有參考價值的觀點和方法，想和大家做一個分享。 若你也對 Zenava UserDay 感興趣，歡迎與我們聯繫，全國巡迴活動正在持續開展，也許下一站，就在你的城市。 # 一、Agent 現在不比 “會不會聊”，而比 “能不能把事做完” 這是廣州站現場反覆被提到的一個共識。 **企業今天看 Agent，已經不是在看它會不會回覆、像不像真人，而是在看它能不能真正把事情做下去。** 過去做智能客服，更關注回覆順不順、FAQ 覆蓋夠不夠；到了 Agent 階段，衡量標準已經變了。售後看獨立解決率、獨立接待率，售前看轉化，服務流轉看建單率和建單準確率。比起 “會不會聊天”，企業更在意的是，它能不能把一段業務流程往前推進。 點擊添加圖片描述（最多 60 個字）編輯 **這背後，其實是能力邊界變了。** 傳統 NLP 機器人更像問答匹配，用户問一句，系統答一句；但 Agent 已經開始具備理解意圖、分解任務、調用接口、處理多模態信息和承接上下文的能力，能夠繼續把問題處理下去。 **現場舉了一個很典型的例子：**用户説 “我上週買了一個耳機，一直沒到”，雖然沒有提 “物流”，Agent 依然能識別出這是物流查詢，並進一步調取訂單狀態，給出處理方案。 所以，今天企業重新看 Agent，看的已經不是它像不像一個會説話的系統，而是它能不能接住問題、推進流程，最後把結果做出來。 # 二、很多 Agent 項目做了沒效果，因為場景沒選對 如果説前面討論的是 “今天該怎麼看 Agent”，那麼另一個更現實的問題是**：什麼樣的場景值得先做。** 現場反覆提到，Agent 落地難點往往不是怎麼搭，而是哪些場景值得投、優先做哪一塊、怎麼把效益做出來。 判斷一個場景值不值得做，至少可以先看三點：**能不能降低重複勞動，能不能突破原來人或舊系統做不到的能力邊界，能不能沉澱成標準化流程，放進智能體裏持續執行。** 也正因為如此，廣州站把 “場景拆解” 放得很重。所謂拆場景，不是停留在 “售前”“售後” 這種大概念上，而是繼續往下拆清楚：服務對象是誰，從哪個渠道進來，帶着什麼需求，最後要完成什麼目標。 **只有這些問題先説清楚，後面的知識準備、流程設計和效果驗證才有抓手。** 點擊添加圖片描述（最多 60 個字）編輯 現場舉的助聽器案例就很典型。用户從抖音進來，和從小紅書進來，真實訴求可能完全不同。如果系統能在進線的一刻就結合渠道信息識別需求，就不用再反覆試探、來回確認。這也説明，Agent 不是更容易輸在問題複雜，而是更容易輸在場景太大、太虛、太模糊。 所以，廣州站給出的一個很現實的提醒是**：項目不是從 “搭系統” 開始，而是從 “選對場景” 開始。**先找到一個邊界清楚、頻次夠高、鏈路完整的小閉環，先把它跑通，再往外擴，往往比一開始鋪得很大更容易看到結果。 # 三、Agent 做不深，是沒有把知識和流程準備好 這是廣州站現場反覆被提到的一個判斷。 很多企業一開始推進 Agent，先看的是模型、參數和能力，但真正落地後才發現，**決定效果上限的，不是模型有多強，而是企業有沒有把知識、規則和處理邊界真正梳理清楚。** 表面上看，企業並不缺資料，產品手冊、服務文檔、操作説明、常見問答都不少；但真正上項目時，這些內容常常是舊的、缺的、散的、亂的。 點擊添加圖片描述（最多 60 個字）編輯 更新時間不一致，表達口徑不統一，判斷規則沒有結構化沉澱，一線專家知道怎麼處理，系統卻不知道該怎麼判斷。結果就是，Agent 看起來什麼都知道一點，但一到真實業務裏，回答就容易飄，判斷不穩定，同類問題前後也不一致。 這也是為什麼很多企業會發現，Agent 演示時效果不錯，一進真實業務，表現就開始波動。原因就是企業並沒有把真正支撐業務判斷的知識整理出來。 **現場還特別提到一個常見誤區：很多企業以為 AI 足夠強，把公司文檔一股腦丟進去就行。** 但實際恰恰相反，非結構化內容、複雜表格、水印文件、口徑不一的文檔，都會讓效果變差。Agent 時代的知識庫，已經不是簡單 “喂資料”，而更像一次業務梳理和經驗重組。 真正需要整理的，不只是答案本身，而是專家平時怎麼判斷問題，什麼情況可以直接處理，什麼情況必須轉人工，遇到歧義信息時該怎麼追問，不同任務的邊界和優先級又是什麼。 換句話説，**Agent 真正需要的，不是一堆資料，而是一套能支撐判斷和執行的業務知識結構。**很多項目之所以做不深，不是輸在模型，而是輸在企業還沒有把自己的業務規則講清楚。 # 四、先把業務判斷做紮實，再談 Agent 大規模落地 回到活動本身，Zenava UserDay 想做的，並不只是一場關於 Agent 的分享會，而是一個面向客户服務與營銷行業的專業交流平台。 **我們希望把同行業、同場景、同樣在推進智能體落地的人聚到一起，不是停留在概念層面討論 “Agent 有多熱”，而是把真實問題攤開，把分歧講清，把經驗沉澱下來。** 點擊添加圖片描述（最多 60 個字）編輯 比起單向輸出觀點，Zenava UserDay 更關注的是：技術如何真正進入業務，企業如何在複雜現實裏作出更穩妥的判斷，項目又該如何一步步走向可驗證、可複用、可持續。 未來，Zenava UserDay 也將繼續以行業交流和實戰共創的方式，走進更多城市，幫助更多客户服務與營銷行業的從業者撥開概念迷霧，回到業務本質，在真實場景裏找到更清晰的落地路徑。 $天潤雲(02167.HK) ### 相關股票 - [02167.HK](https://longbridge.com/zh-HK/quote/02167.HK.md) - [BYTED.NA](https://longbridge.com/zh-HK/quote/BYTED.NA.md) - [XHS.NA](https://longbridge.com/zh-HK/quote/XHS.NA.md)