14 篇博文 含有标签「AI」

客户说“又扣了一次费，不处理就取消续费”，客服系统首先需要的，可能不是一段流畅的回答，而是识别投诉、找到负责账单的团队，并判断是否需要人工介入。

微语（Bytedesk）计划评估通过 Ollama 接入开源决策模型 Laya，让专门做判断的模型辅助客服意图识别与路由。目前仍是方案评估阶段，尚未实现或上线；本文介绍的是预期价值，不是已验证的产品能力。

微语不会锁定只使用 Laya。 规划中的决策能力将支持按需切换模型，包括通过 API 接入阿里云、智谱等提供方；Laya 是首个验证选项，而不是唯一选择。

2026 年 9 月 1 日，我国首个聚焦「人工客服与智能客服协同机制」的国家标准——GB/T 47746—2026《顾客联络服务 人工与智能客户服务协同要求》正式实施。央媒在密集报道中把标准精神概括为四条红线：

1. 人工入口清晰醒目：客服菜单必须设置清晰醒目的「转人工」选项，不得层层隐藏；
2. 人机分工科学：简单标准化问题交给 AI，复杂纠纷、风险场景和用户明确要求人工的，及时流转人工；
3. 人机切换顺畅：切换时完整同步客户身份信息、历史交互记录与工单状态，消费者不必反复复述；
4. 企业为 AI 答复担责：不得以「算法生成内容仅供参考」推卸义务。

对正在选型客服系统的企业而言，这四条红线实际上是一份「采购验收清单」。本文对照国标要求，逐条介绍微语（Bytedesk）智能客服系统已经落地的能力——不是口号式合规，每一项都能在产品里找到对应的功能与运行机制。

企业的知识资产大量沉淀在飞书知识库（知识空间/Wiki）中，但要让 AI 客服用上这些知识，往往还需要人工"搬运"：导出、格式转换、重新录入。微语（Bytedesk）新增飞书知识库导入能力：在管理后台绑定飞书应用、选择知识空间，即可把飞书文档一键同步进微语大模型知识库，同步完成后自动建立全文索引与向量索引，直接用于 AI 客服问答。

DeepSeek 已正式发布 DeepSeek-V4.1-Flash 模型，并建议所有新接入统一使用 deepseek-flash 作为模型名。微语已在默认模型列表中增加 deepseek-flash，企业可以直接在微语管理后台完成切换与配置，无需改动任何集成方式。

微语 3.x 版本的核心升级方向已经非常清晰：聚焦 Agent，构建以智能体为中心的下一代客服平台。

这是一次产品形态的跃迁——从"功能驱动的客服工具"走向"Agent 驱动的业务平台"。

本文将围绕三个问题展开：

• 微语 3.x 的 Agent 路线图是什么？
• MCP/CLI/Skills 模块如何赋能第三方 Agent？
• 如何让 AI 更方便地使用微语？

过去几年，微语在和不同行业客户持续沟通、参与项目落地、复盘客服现场问题的过程中，越来越清晰地感受到一个变化：客服系统正在从“工具集合”走向“由 Agent 组织和驱动的业务系统”。

这类产品强调的已经不只是回答问题，而是让系统能够理解上下文、联动知识、调用能力、自动完成部分流程，再把人工坐席从机械操作里释放出来，转向确认、判断和兜底。

这些判断并不是来自一次性的灵感，而是来自长期的客户反馈、实施经验和对未来服务方式的持续思考。对微语来说，更重要的问题不是“还能多加一个什么 AI 功能”，而是如何把现有的客服、工单、知识库、工作流、机器人和 AI 模块真正串成一个可落地的企业级 Agent 平台。

微语基于长期客户沟通、项目实施、业务复盘和产品演进思考，整理出来的一份阶段性产品路线白皮书。

过去几年，微语不断接触到来自政务、金融、零售、电商、企业服务、售后支持等场景的真实需求。我们越来越明确地看到，企业已经不满足于“接入一个大模型”或“加几个智能按钮”，他们真正关心的是另一件事：系统能不能在服务流程里稳定地理解上下文、辅助坐席、推动任务、沉淀知识，并最终形成持续优化的闭环。

因此，微语下一阶段的建设重点，不是单点 AI 能力的继续堆叠，而是把客服、工单、知识库、工作流、质检、多模型和运营后台，升级成一套面向企业服务场景的 Agent 平台。

本文希望回答四个问题：

• 微语为什么要走向 Agent 平台
• 这套平台的目标结构应该是什么
• 路线图应该按什么阶段推进
• 每个阶段要拆成哪些明确模块

DeepSeek 已于 2026 年 4 月发布 DeepSeek-V4 预览版，正式推出 deepseek-v4-flash 与 deepseek-v4-pro 两个新模型。微语当前版本已经支持这两个最新模型，企业可以直接在微语管理后台完成切换与配置，无需改动集成方式。

最近读到一篇很值得做企业客服产品的人认真看的论文：SkillForge: Forging Domain-Specific, Self-Evolving Agent Skills in Cloud Technical Support。它讨论的不是泛泛的“大模型更强了”，而是一个更落地的问题：当 Agent 真正进入企业技术支持、客服、工单、诊断这些高要求场景后，如何持续把“技能”做对、做稳、做深。

这篇论文给出的答案很直接：不要只盯着模型本身，而要把 Agent Skill 当成一个可版本化、可诊断、可优化的资产，围绕它建立“创建 - 执行 - 评估 - 诊断 - 优化”的闭环。

对微语来说，这个方向非常有价值。因为微语本身已经具备多模型接入、知识库检索、机器人路由、工作流配置、人工接管这些基础能力，下一步真正拉开差距的，不会只是“接了多少模型”，而是谁能先把客服机器人做成一个会自我沉淀、会利用失败持续进化的系统。

在数字化浪潮下，客户服务正从"被动响应"的成本中心，转向"主动创造"的价值枢纽。微语客服系统深度融合人工智能（AI）与大数据技术，系统性解决了传统客服"排队久、应答机械、体验割裂"的痛点，通过全渠道数据整合、智能意图识别、个性化服务匹配，构建起"预判—响应—优化"的闭环体系。