提到客服自动化,多数人的第一反应是自动应答机器人、工单自动派发,或者一套按固定规则跑完的标准流程。但真实业务远比这复杂:退款要面对层出不穷的例外情况,质保理赔得先看懂用户上传的图片,风险评估需要跨多个系统调取数据,还有些任务必须在不同环节之间来回权衡、一步步推演。Zendesk Custom Agents 正是针对这一痛点:它把企业独有的政策条款、业务流程、例外规则与判断逻辑沉淀为可复用的专业智能体,再与 AI Agents、Agent Copilot、Action Builder 以及人工坐席协同配合,让复杂服务场景真正跑得起来。
从“会回答”到“会完成工作”
ROLE · 角色分工Zendesk 官方把 Custom Agents 定位为「处理服务后台复杂工作的 AI 专家」。它会依据企业的流程、政策与例外情形做推理,调用经过审批的知识与工具,并在已接入的系统中真正执行动作。在 Zendesk 的 Agentic Workforce 体系里,AI Agent、Copilot 与 Action Flow 三类智能角色分工明确,而 Custom Agents 是它们共同调用的那双手。换句话说,它不是又一个聊天机器人,更像一位随时待命的专业同事:AI Agent 找它判断一次退款例外,Copilot 请它核验一份质保申请,Action Flow 也能把某个需要推理的环节交给它。培训资料把它的价值归为三点:沉淀并复用复杂的业务逻辑;调用 OCR、PDF 阅读与推理等 AI 能力;承接那些不依附于单次对话、却直接决定问题能否解决的专业任务。
为什么传统流程会卡在复杂业务里
WHY · 复杂度来源企业里从来不缺工具——宏、触发器、API、自动化流程,该有的都有。真正的麻烦出在例外上:只要例外一多,流程就只能一层层往上叠,越堆越臃肿。以退款为例,系统得先核实身份和订单,再比对时限与金额,接着还要把客户类型、风险等级、库存状况、支付方式一并纳入判断,才能决定这一单是退款、换货、发代金券,还是转交人工处理。
问题通常来自两个地方
- 1单个流程越来越复杂:每一步都拖着自己的条件、分支和外部依赖,走到最后,读不懂、测不了,也不敢改。
- 2相同逻辑被重复复制:身份核验、附件解析、政策判断、风险检查,这些散落在各个流程里,规则只要动一次,就得一处一处跟着改。
Custom Agents 的意义,正在于把「理解上下文、作出判断」这项能力单独抽出来,做成可复用的专业模块。确定性的步骤仍然交给 Action Flows,需要推理的部分则由 Custom Agents 承接。
Custom Agent 如何创建
DEMO · 四步闭环定义角色与目标
先填名称和描述。这两项不只是给系统看的:人类团队要靠它知道智能体能接什么活,其他智能体也要靠它判断什么时候该把任务转过来。
所以描述要写得更收紧。视频里的写法把范围牢牢限定在「硬件标识识别」上,没有包装成什么都能干的万能智能体。范围越清晰,调用它的智能体才越敢用,人类同事也知道边界在哪。
用自然语言写清执行步骤
指令要按执行顺序逐条写下来,不要只写笼统的能力描述:
- 先读取工单与评论,定位其中的图片或 PDF;
- 再下载附件,逐一检查每个标签、贴纸和刻字;
- 随后把识别结果整理成结构化表格,写入内部备注;
- 最后按不同结果分别处理:识别成功、缺少图片、图片不可读,分别打上对应标签。
关键在于「按顺序」。智能体执行时依赖的就是这层顺序,哪一步写得含糊,执行行为就容易偏离预期。
授予必要工具,并定义输入输出
在 Actions 区域,为它配齐真正用得上的工具:Zendesk actions、custom actions、external actions、action flows,或者其他 custom agents。
输入和输出都要明确指定。示例里 ticket_id 明确设为 Number 类型;输出则按下游流程的需要来设计,比如 serial_id 就是一个典型例子。
这里有一条原则值得单独说:不是权限越多越强,而是工具越精准越稳定。 给得太多,判断空间反而变大,出错概率也跟着上来。
另外,指令里提到的关键动作,最好用「工具引用」的方式直接引用,让智能体拿到明确的执行权限,而不是靠它自己去猜。
保存、激活并验证结果
保存之后还要激活,智能体才会真正进入可调用状态。这一步最容易被漏掉。
视频最后用一个真实工单做了验证:附件识别完成,设备信息以结构化结果写回内部备注,人工团队可以直接接着往下处理。到这里,这个智能体才算形成闭环。
真正可用,比“能跑一次”更重要
PRACTICE · 可靠性设计Zendesk Custom Agents 在设计上追求的并非技术上的花哨,而是三件事:靠得住、守得住边界、管得住长期演进。
先讲清楚输入
智能体得知道自己在处理哪张工单、哪个客户、哪条订单,这是它干活的前提。
一旦缺了 ticket_id,或者把 Number 误传成 String,后面所有动作就都丢了上下文,等于在没找准对象的情况下硬往下走。
工具只给必需要的
给少了,失败路径堵不住;给得太宽,又会带来选择上的干扰。
比起一个泛化的「更新工单」动作,读取评论、下载附件、添加内部备注、编辑字段这类粒度清晰的动作,更容易控制和验证。
把确定性与推理分开
能用固定规则完成的任务,没必要交给 Custom Agent。
能明确编排的确定性步骤,适合放进 Action Flow;而需要理解上下文、综合政策、处理例外,或者跨步骤推理的任务,才适合交给 Custom Agent
用知识划出事实边界
把已审核的政策、操作指南和内部知识交给智能体,它就会优先依据企业认可的内容做判断。
但知识并非「多多益善」,关键在可用、最新、无冲突,并且能对应到具体业务场景。
设计清晰的结束与升级条件
要明确告诉智能体「什么时候算完成」,以及哪些情况必须转人工。
同时还要留意一个容易忽略的点:Custom Agents 是在后台异步运行的。如果过早打上会触发下游流程的标签,后续动作就可能在智能体真正完成之前被启动。
哪些场景值得优先落地
USE CASE · 从价值出发Zendesk 官方给出的示例包括退款例外、质保处理、缺陷监控和账户风险。结合培训资料与企业的常见服务流程来看,更稳妥的路径是先挑那些价值高、边界清晰、结果可验证的场景下手。
退款与换货例外判断
这是最典型的例外场景。智能体要把客户身份、订单状态、购买时间、金额、风险和企业政策放在一起看,才能定下这一单该往哪走:批准、拒绝、转交审批,还是直接调用支付、库存与物流系统,把下一步执行完。
难点不在流程本身,而在于「政策」和「例外」之间那层判断。规则写得清的部分交给流程,判断说不清的部分才交给它。
图片与 PDF 信息提取
对象是设备铭牌、发票、检测报告、保修卡或物流凭证这类非结构化材料。要做的是从中抽出结构化数据,并完成序列号识别、质保核验、信息回写和异常升级这一整条链路。
这类任务特点是「输入乱、输出必须规整」。所以关键不在识别得多聪明,而在抽出来的字段能不能直接供下游用。
问题聚类与风险发现
智能体持续关注新进工单,从中找出重复故障、刚露头的产品缺陷,或者高风险账户。补全上下文之后,它会通知对应团队,并触发调查或升级流程。
它不做单张工单的判断,而是横向看整体。这正是人力最难持续做、也最容易漏掉的工作
工单结案总结与交接
工单关闭时,它把关键事实、处理过程和最终结果梳理汇总,写进内部备注或结构化字段,为质检、复盘、知识沉淀以及后续的客户沟通留下依据。
这一步看起来最不显眼,但决定了前面所有判断能不能被追溯。
写在最后
SUMMARY · 从功能到结果Custom Agents 把 Zendesk 的 AI 能力从「对话自动化」再往前推了一步,推向复杂业务的实际执行。但最终效果如何,仍取决于企业自身:流程有没有拆清楚、知识有没有治理好、系统有没有打通、人与 AI 的协作边界有没有划明白。



