14 篇文章 含有標籤「AI」

客戶說「又扣了一次費，不處理就取消續費」，客服系統首先需要的，可能不是一段流暢的回答，而是辨識投訴、找到負責帳單的團隊，並判斷是否需要人工介入。

微語（Bytedesk）計畫評估透過 Ollama 接入開源決策模型 Laya，讓專門做判斷的模型輔助客服意圖辨識與路由。目前仍是方案評估階段，尚未實作或上線；本文介紹的是預期價值，不是已驗證的產品能力。

微語不會鎖定只使用 Laya。 規劃中的決策能力將支援按需切換模型，包括透過 API 接入阿里雲、智譜等提供方；Laya 是首個驗證選項，而不是唯一選擇。

2026 年 9 月 1 日，中國首個聚焦「人工客服與智能客服協同機制」的國家標準——GB/T 47746—2026《顧客聯絡服務 人工與智能客戶服務協同要求》正式實施。央媒在密集報導中把標準精神概括為四條紅線：

1. 人工入口清晰醒目：客服選單必須設置清晰醒目的「轉人工」選項，不得層層隱藏；
2. 人機分工科學：簡單標準化問題交給 AI，複雜糾紛、風險場景和用戶明確要求人工的，及時流轉人工；
3. 人機切換順暢：切換時完整同步客戶身份資訊、歷史互動記錄與工單狀態，消費者不必反覆複述；
4. 企業為 AI 答覆擔責：不得以「演算法生成內容僅供參考」推卸義務。

對正在選型客服系統的企業而言，這四條紅線實際上是一份「採購驗收清單」。本文對照國標要求，逐條介紹微語（Bytedesk）智能客服系統已經落地的能力——不是口號式合規，每一項都能在產品裡找到對應的功能與運行機制。

企業的知識資產大量沉澱在飛書知識庫（知識空間/Wiki）中，但要讓 AI 客服用上這些知識，往往還需要人工「搬運」：匯出、格式轉換、重新錄入。微語（Bytedesk）新增飛書知識庫匯入能力：在管理後台綁定飛書應用、選擇知識空間，即可把飛書文件一鍵同步進微語大模型知識庫，同步完成後自動建立全文索引與向量索引，直接用於 AI 客服問答。

DeepSeek 已正式發布 DeepSeek-V4.1-Flash 模型，並建議所有新接入統一使用 deepseek-flash 作為模型名。微語已在預設模型列表中增加 deepseek-flash，企業可以直接在微語管理後台完成切換與配置，無需改動任何集成方式。

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？

過去幾年，微語在和不同行業客戶持續溝通、參與專案落地、復盤客服現場問題的過程中，越來越清晰地感受到一個變化：客服系統正在從「工具集合」走向「由 Agent 組織和驅動的業務系統」。

這類產品強調的已經不只是回答問題，而是讓系統能夠理解上下文、聯動知識、調用能力、自動完成部分流程，再把人工坐席從機械操作裡釋放出來，轉向確認、判斷和兜底。

這些判斷並不是來自一次性的靈感，而是來自長期的客戶回饋、實施經驗和對未來服務方式的持續思考。對微語來說，更重要的問題不是「還能多加一個什麼 AI 功能」，而是如何把現有的客服、工單、知識庫、工作流、機器人和 AI 模組真正串成一個可落地的企業級 Agent 平台。

這篇文章不是一篇泛泛而談的趨勢文章，而是微語基於長期客戶溝通、專案實施、業務復盤與產品演進思考，整理出來的一份階段性產品路線白皮書。

過去幾年，微語持續接觸來自政務、金融、零售、電商、企業服務、售後支援等場景的真實需求。我們越來越明確地看到，企業已經不滿足於「接入一個大模型」或「加幾個智慧按鈕」，他們真正關心的是另一件事：系統能不能在服務流程裡穩定地理解上下文、輔助坐席、推動任務、沉澱知識，並最終形成持續優化的閉環。

因此，微語下一階段的建設重點，不是單點 AI 能力的繼續堆疊，而是把客服、工單、知識庫、工作流、質檢、多模型和營運後台，升級成一套面向企業服務場景的 Agent 平台。

本文希望回答四個問題：

• 微語為什麼要走向 Agent 平台
• 這套平台的目標結構應該是什麼
• 路線圖應該按什麼階段推進
• 每個階段要拆成哪些明確模組

DeepSeek 已於 2026 年 4 月發布 DeepSeek-V4 預覽版，正式推出 deepseek-v4-flash 與 deepseek-v4-pro 兩個新模型。微語目前版本已經支援這兩個最新模型，企業可以直接在微語管理後台完成切換與配置，無需改動集成方式。

最近讀到一篇很值得做企業客服產品的人認真看的論文：SkillForge: Forging Domain-Specific, Self-Evolving Agent Skills in Cloud Technical Support。它討論的不是泛泛的「大模型更強了」，而是一個更落地的問題：當 Agent 真正進入企業技術支援、客服、工單、診斷這些高要求場景後，如何持續把「技能」做對、做穩、做深。

這篇論文給出的答案很直接：不要只盯著模型本身，而要把 Agent Skill 當成一個可版本化、可診斷、可優化的資產，圍繞它建立「建立 - 執行 - 評估 - 診斷 - 優化」的閉環。

對微語來說，這個方向非常有價值。因為微語本身已經具備多模型接入、知識庫檢索、機器人路由、工作流配置、人工接管這些基礎能力，下一步真正拉開差距的，不會只是「接了多少模型」，而是誰能先把客服機器人做成一個會自我沉澱、會利用失敗持續進化的系統。

在數位化浪潮下，客戶服務正從「被動回應」的成本中心，轉向「主動創造」的價值樞紐。微語客服系統深度融合人工智慧（AI）與大數據技術，系統性解決了傳統客服「排隊久、應答機械、體驗割裂」的痛點，透過全渠道數據整合、智慧意圖識別、個性化服務匹配，構建起「預判—回應—優化」的閉環體系。