过去两年,不少企业在客服上做过同一个实验:接入一个大模型机器人,希望它接管客户咨询。结果往往相似——寒暄和常见问题应付得不错,可只要涉及具体的业务规则,机器人就开始“打太极”:要么给一堆通用建议,要么把问题原样转给人工。2026 年 9 月,Zendesk 发布的 Specialized AI Agents,正是针对这个困局给出的官方解法。本文把它拆开来看:为什么通用路线走不通、专用智能体如何分工、落地要分几步做,以及上线前必须补齐哪些功课。
一、通用机器人的两堵墙
客户的问题从来不像它说出口的那句话那么简单。就拿最常见的退款咨询来说:客户问的是“钱什么时候到”,系统要做的是查出对应订单、确认是否符合退款条件、追踪支付通道的状态、核实货物是否已在退回途中、套用本企业的退款政策、更新工单状态——如果哪个环节出了例外,还得由人来拍板。客户经历的是一次对话,支撑这次对话的却是一整条业务链。
在这条链上,通用方案会在两个地方撞墙:
第一堵墙:AI 广而不深。通用机器人什么话题都能接,但它不掌握企业的政策细则、例外情形和系统操作权限。它能告诉客户“您可以申请退款”,却没法真的替客户把退款办完。
第二堵墙:专家深而不广。真正懂业务的那几个人,被各种临时问题反复打断;他们的经验装在脑子里、散落在文档里,既复制给不了新人和夜班,也覆盖不了海外团队的工作时间。深度是有的,规模永远上不去。
两堵墙看着方向相反,病根却是同一个:专业知识从未被“结构化”——既没有进入 AI,也没有沉淀成人人可用的组织资产。
Zendesk 的调研数据印证了这一点:40% 的客服负责人表示,他们的智能体已经能在单个流程中协调多个系统;另有 49% 计划在 12 到 24 个月内达到这个水平。但与此同时,76% 的受访者把“数据孤岛、数据难以获取”列为推广智能体的最大障碍。换句话说,行业缺的从来不是更会说话的机器人,而是一套能让专业能力随叫随到、直接执行的服务架构。
二、两类智能体,一支队伍
Zendesk 的 Specialized AI Agents 由两类互补的角色组成,思路是“先给行业底座,再装企业个性”。
Industry Agents:行业共性的部分,出厂自带。一个行业里总有大量高频、成熟、各家做法大同小异的工作。Zendesk 首批聚焦电商场景,把商品咨询、订单管理、退换货、配送异常、退款这些流程做成了现成能力,并且可以直接对接 Shopify、Narvar、Stripe、Riskified 等业务系统。这一层让企业不必从零搭积木。
Custom Agents:企业个性的部分,按需定制。真正让品牌彼此不同的,从来不是“有没有退货流程”,而是退货窗口多长、会员有什么特权、审批线怎么画、对客户承诺什么时效、例外情形怎么处理。Custom Agent 就是围绕企业自己的政策、知识和系统搭建的:它会依据规则和例外做推理,只使用经过审核的知识和工具,能在已连接的系统里执行动作,而且职责范围、系统权限、哪里必须由人批准,都在定义阶段写得清清楚楚。
市场反馈相当直接:据 Zendesk 披露,Custom Agents 上线七周,客户侧累计运行已突破 100 万次;部分客户部署后自动化解决率提升了 10%。
在 Zendesk 的智能体团队(Agentic Workforce)里,四类角色各守一段:
| 角色 | 服务对象 | 承担的工作 |
|---|---|---|
| AI Agents | 终端客户 | 在前台独立对话,按场景处理咨询 |
| Copilot | 人工坐席 | 提供建议,或代坐席发起操作 |
| Custom Agents | 智能体、流程与人 | 在后台做复杂判断、专业推理和跨系统操作 |
| 人工团队 | 客户与内部团队 | 把握方向、处理例外、提供同理心并承担最终责任 |
理解 Custom Agent 最贴切的比喻,是把它当成一位“随叫随到的专业同事”:前台 AI 碰到退款例外,可以请它裁定;坐席的 Copilot 可以让它核验一份质保申请;自动化流程跑到需要判断的那一步,也可以把这一步整个交给它。
这套设计背后还有一个重要的工程思想:把编排和推理分开。很多企业的自动化是“打补丁”打出来的——触发器、宏、API 层层叠加,一旦出现例外情形,流程图就膨胀到没人能读懂;更麻烦的是,身份核验、附件识别、政策判断、风险检查这些公共逻辑被复制到了几十个流程里,改一条规则要动十处配置。解法是按性质拆分工作:步骤固定、结果确定的,交给 Action Flows 去编排;需要理解语境、权衡政策、处理例外的,才交给 Custom Agents。拆出来的专业能力成了公共模块——一处维护,处处复用。
三、客户衡量的从来是结果,不是你的组织架构
客户并不知道、也不关心答案出自哪位员工或哪个系统。不管回应来自资深坐席、新人还是一个智能体,他们用的标准只有两条:说得对不对,事办没办成。当专业能力真正铺开之后,客户能直接感觉到三个变化:答案和结果更稳定了;处理更快了,无谓的转接变少了;真的需要人来介入时,来的人是带着完整上下文来的,不用客户从头再讲一遍。
对业务遍布多个市场的企业来说,“专用化”意味着把复杂业务拆解成一组可以设计、可以连接、可以度量的能力。看四个典型行业的画面:
跨境电商与 DTC 品牌。客户问包裹到哪了,订单智能体要做的不是甩一个物流链接,而是核对订单与收货地区、读取承运商实时状态、对照配送承诺判断是否超时,再按品牌自己的规则决定催件、补发还是升级处理。走退货流程时,标准件由行业能力承接,例外件由 Custom Agent 综合商品属性、支付方式、会员等级、退货时限和风险信号来裁定,高金额或疑似欺诈的场景交人工把关。客户感受到的是一次连续的服务,后台则是订单、物流、支付、风控和工作流的联合运转。
智能硬件与消费电子。“设备用不了”这五个字,背后可能是固件、网络、配件、安装,也可能是硬件本身出了故障。诊断智能体先收集型号、序列号、固件版本、错误码乃至现场照片,再调用对应知识引导排障。客户拍来的铭牌照片、发票、保修卡,由 Custom Agent 做图片与 PDF 识别,提取信息完成序列号核验和保修判定;确认需要返修,就创建返修单,并把已经查明的信息完整移交给人工或服务网点。
新能源与储能服务。这类设备的售后链上同时站着终端用户、安装商、经销商、现场服务商和二线技术团队。支持智能体依据地区、设备型号、序列号、告警码和历史工单分流:属于安装配置的给配置指引,能远程解决的走远程排障,需要配件的走备件申请,涉及安全的走升级路径。后台还有一只“眼睛”:Custom Agent 持续扫描新工单,发现重复告警或新型缺陷的苗头,补全上下文后通知对口团队。凡是安全风险或超出授权的操作,自动处理必须立刻停下、交回人工。
订阅、机器人与 AI 产品。退订这个动作看着简单,牵动的却是账单政策、套餐权益、挽留方案、退款条件和账号数据处理。专用智能体按顺序核验资格、讲清退订影响、给出合规方案、执行获批的动作,同时把高风险账户递给客户成功团队。这件事能跑顺,靠的是分工前置:账单团队定政策,产品团队给套餐知识,客户成功团队划挽留边界,支持团队管对话与人工接管。工单关闭时,Custom Agent 会把关键事实和处理结果写进内部备注,给质检、复盘和知识沉淀留下材料。
这四个画面指向同一个判断:智能体靠不靠谱,模型能力只占一半;另一半取决于最懂这块业务的团队,有没有把知识、规则和权责边界一起“写”进去。
四、四步,把一块业务经验装进智能体
光讲理念不够,看 Zendesk 官方演示里的 Attachment Agent 是怎么造出来的。它的岗位在 IT 支持:读取工单里的图片或 PDF 附件,认出设备标签上的序列号、资产编号、型号、部件号、MAC 地址和厂商信息,再把识别结果回写工单。整个过程四步。
第一步,定位。起名字、写描述,说清它负责什么、适用什么场景。注意演示里的描述把自己钉死在“硬件标识识别”上——刻意不做万能助手。角色越聚焦,后续越好测、越好管。
第二步,写指令。像给新同事做岗前交底那样,按顺序交代:读取工单和评论、找到图片或 PDF、下载附件并逐个检查标签贴纸和刻字、把识别结果以结构化表格写进内部备注、按“成功 / 缺少图片 / 图片不可读”分别打上标签。一份合格的指令,角色、输入、动作、条件分支、禁区、验收标准六个要素缺一不可,而不是丢给 AI 一句“帮我把附件信息整理一下”。
第三步,配工具、定接口。在 Actions 区域挂载它真正需要的 Zendesk actions、自定义 actions、外部 actions、自动化流程或其他智能体。输入参数要明确类型——比如 ticket_id 就是 Number;输出按下游流程的需要定义,比如 serial_id。这里的反直觉之处在于:工具不是越多越强,而是越精准越稳定。指令里点到的关键动作,最好用工具引用的方式显式授权。
第四步,保存、激活、验证。不激活就不生效。演示的结尾是真实工单的效果:附件识别完成后,设备信息以结构化备注写回工单,人工团队接手即可继续处理。
整个执行闭环可以概括成三段:上下文进入(输入与知识)→ 判断与执行(推理与工具)→ 结果回写(接续与治理)。
要让智能体长期稳定运行,有五个维度需要守住:
- 输入维度:交代清楚它处理的是哪张工单、哪个客户、哪条订单。参数缺失或类型传错(比如把 Number 写成 String),后面所有动作都会失去着力点。
- 工具维度:按需授权。缺了动作会走出失败路径,权限太宽又会干扰判断。“读取评论”“下载附件”“添加内部备注”这类细粒度动作,远比一个笼统的“更新工单”更可控、更好验证。
- 分工维度:该硬则硬。固定规则就能稳定完成的事,放进 Action Flow 就够了;只有需要理解语境、综合政策、处理例外的环节,才值得动用 Custom Agent。为了“用 AI 而用 AI”,只会平添不确定性。
- 知识维度:用审核过的政策、操作指南和内部知识给智能体划定事实边界。知识不在多,而在可用、最新、无冲突——互相矛盾的知识库会让它无所适从。
- 出口维度:写明何时算完成、什么情况必须升级人工。另外要留意 Custom Agent 在后台异步运行的特性:接入时机不当,下游标签会提前触发,动作在它完成之前就开跑了。
五、上线之前,先把三件事做扎实
Zendesk 在相关材料里反复强调一个前提:专业能力只有能被访问、能被应用,才会产生价值。落到执行层面,是三件事。
连接。AI 必须长在工作实际发生的系统里。CRM、订单、物流、账单、库存、知识库和内部系统如果彼此割裂,智能体就只剩一张嘴——能指点客户该做什么,却什么都办不成。
边界。每个智能体都需要一份“岗位说明书”:服务哪些意图、调用哪些知识、遵守哪些规则、被允许做哪些动作、什么情况升级给人。边界写得越清楚,测试、审计和持续改进就越容易。
体验。客户不会数你背后有几个智能体,也不会追问数据来自哪个系统。从聊天转到电话、从订单问题转到退款问题,都不该让客户把信息重说一遍。后台尽可以分工,前台的体验必须是完整的一个。
与三件事配套的,是一种新的管理思路——把专业知识当成需要经营的资产:持续沉淀,把业务判断写成知识、规则和指令;持续校准,用真实工单和处理结果不断修正;持续分发,让人和智能体在每个触点都能调用。反过来讲,如果知识过期、字段混乱、权限含糊就急着上 AI,问题只会被放大得更快。
结语:从上线一个软件,到组建一支队伍
下一阶段的客服竞争力,不在于“我们也上了 AI”,而在于企业能不能把自己的专业知识、业务系统和服务标准,转化成一支会协作、可治理、能持续进化的智能体队伍:行业智能体承担各家企业相通的部分,自定义智能体守住“我们这家怎么做”的独特部分,人工团队把握方向、处理例外、提供同理心,并为最终结果负责。
起步不需要大动干戈。挑一个价值高、风险低、可验证的真实场景,把知识、流程、系统、权限和人工接管完整跑通一遍,再复制到更多团队和市场。挑场景时问自己四个问题:这件事的业务价值清不清楚?需要的输入拿不拿得到?判断边界说不说得清?结果验不验得了?四个都能答“是”,它就够格当第一个试点。
先在小处证明结果,再扩大范围——这几乎总是更稳的路径。而最终的竞争优势,属于那些让最懂业务的少数人的经验,变成每一次服务都能调用的能力的企业。



