对话式 AI 设计：如何打造更自然的人机体验

对话式 AI 设计过去意味着构建决策树。早期聊天机器人和 IVR 菜单依赖僵硬、预先编写的分支：按 1 查询账单，说“是”或“否”，并希望客户的问题正好匹配你预设的路径。只有当对话不超出已构建的范围时，这种模式才有效。

AI 智能体打破了这一限制。它们现在可以实时理解对话、调用知识库和工具，并记住已说过的内容，因此不再局限于固定脚本。

不过，这一转变并未消除对话式 AI 设计的必要性，反而提高了要求。没有僵硬脚本可依赖，智能体的人设、workflow 和决策点必须定义得足够完善，才能应对开放式实时对话，而非预先设定的对话。

本指南将解析对聊天和语音智能体而言，对话式 AI 设计究竟意味着什么，为什么它会影响团队已在考核的指标，以及如何优化以提升自然感。做好这些，就能部署既能与客户建立连接，又能更快、更好提供服务的 AI 智能体。

摘要

• 对话式 AI 设计是指对 AI 智能体的沟通方式进行构建和优化，让对话感觉自然。
• 语音 AI 比文本更不容出错，因为聊天界面中不易察觉的语音、延迟和时机问题，都会让语音对话显得机械。
• ElevenAgents 通过一系列功能支持打造拟人的 AI 语音和聊天智能体，让你控制语音、人设和对话流程，并优化各渠道的延迟。

什么是对话式 AI 设计？

对话式 AI 设计是一种 UX 实践，用于配置 AI 智能体的行为方式。从人设到其依赖的护栏、workflow 和知识库，都属于此范畴；它们协同作用，让对话体验和产品的其他部分一样精致。

不过，这种配置并非在所有场景都相同。智能体可通过一套配置运行在聊天、语音或 SMS 等多个渠道中。每个渠道都有各自限制，而语音的限制最严格。当语音是智能体的渠道之一时，智能体必须选择并呈现合适的声音，实时管理语速和轮次交接，并在停顿开始让人觉得通话中断前给出回应。不同于聊天中稍慢或不够完美的回复通常不会破坏互动，这些能力在语音中都不可或缺。

以下是为聊天智能体实施对话式 AI设计时需要考虑的内容，以及语音额外带来的要求。

客户不会有意识地评估每项因素。他们只会察觉哪里不对劲，而这种感觉足以削弱对智能体整体的信任，进而影响你部署它原本要达成的目标。

为什么对话式 AI 设计对良好用户体验至关重要

从轮次交接、延迟到人设，上述每个因素都会影响客户在关键时刻对品牌的看法，而这可能让他们成为拥护者或批评者。这种看法会直接体现在团队的考核指标上。

• 更高的满意度和解决率：智能体及时回应且不会生硬打断时，客户会给出更高评价。
• 减少放弃：客户退出对话不只是因为等待过久。无论是通话中的尴尬停顿，还是聊天中生硬、不符合品牌调性的回复，只要呈现效果不符预期，都可能让他们想结束对话。
• 更快解决问题：清晰的对话流程设置和规划完善的 workflow，可减少死胡同、重复提问和“我帮你转接”的时刻。
• 更少转交人工客服：智能体能自然处理对话流程并遵循既定 workflow 时，首次尝试就能解决更多问题，不会让客户困惑到要求找真人。

例如，来看 eDreams ODIGEO，全球最大的在线旅行平台之一。他们使用 ElevenAgents 在 5 种核心语言中部署了AI 智能体，解决速度提升了两位数百分比，通话转接率降低了两位数百分比，部分原因是低延迟语音合成和更准确的意图识别。这类结果除对话设计外还取决于许多变量，但也展现了优秀对话式 AI 设计的可能性。

ElevenAgents 中的对话式 AI 设计如何运作

在 ElevenAgents 中，你可以优化人设、语音、轮次交接、转接和延迟等因素，它们正是决定智能体是否拟人的关键。以下说明如何配置和优化每项内容，让智能体在真实对话中表现出色。

人设和语音选择

人设决定客户的第一印象，若不匹配，在对话开始前就会损害信任。对于友好零售品牌而言，过于僵硬的人设会让客户在智能体说出任何有用内容前就产生疑虑。先在系统提示词中塑造人设，在这里定义智能体的角色、个性和护栏，再配置其他内容。

对于语音智能体，人设同样必须通过声音传达。金融通话中，过于随意的声音与文本中不匹配的人设传递的是同样的信号，因此语音选择也是这项工作的一部分。可以从以下方面开始：

• 语音选择：让声音与品牌、受众和主题相匹配。口音、性别和语调都有助于赢得特定来电者的信任，并为对话定下基调。
• 多语言支持：为支持的每种语言选择对应声音，而非让所有市场默认共用一个声音。强行跨语言使用同一种声音，往往至少会在一种语言中听起来不自然，损害你想建立的信任。

ElevenAgents 可让你访问声音库中的 11,000+ 种声音，可按口音、角色和使用场景搜索，因此通常无需从零开始。如果没有合适的声音，还有两种选择：从一小段音频样本克隆现有声音，或从头设计声音，通过文本提示词描述所需的年龄、口音、语调和语速。

对话流程设置

语音对话的时间要求最严格。聊天中的停顿只是空白，而通话中节奏一断，就会立刻像是静音或断线。把握好这种节奏，是让语音智能体成为自然对话参与者的最重要因素，而这一切始于轮次交接模型。

ElevenLabs 的轮次交接模型基于研究构建，可识别说话者是真正说完了，还是仅仅停顿。这样便能判断智能体何时该回应，而非按固定延迟猜测。

此外，还可以调整以下设置，优化对话流程：

• 轮次超时：智能体在回应前静默等待的时长，以免客户还在思考时就插话，或在对方说完后让其久等。
• 软超时：智能体用来衔接处理停顿的简短填充语，例如“请稍等”或“我看一下”，避免客户以为通话中断。避免使用承诺具体时长的填充语（如“等一秒”），因为实际响应时间会有所不同。
• 打断：当客户插话时，智能体是否停止说话。为实现自然互动，应启用此项。若完整传达内容至关重要，则应停用，例如法律声明、安全说明和其他必须完整听取的信息。
• 轮次积极度：客户停止说话后，智能体多快主动回应。“积极”适合最重视快速响应的客服场景。“耐心”最适合收集客户信息时使用，例如电话号码或邮箱地址，以免智能体在号码说到一半时打断客户。“正常”是一般对话的理想默认设置。

这里的小调整效果显著。即使略微改变超时时长，也可能决定智能体是显得专注，还是像在打断别人。

Workflow、转接设计和脚本

Workflow是 ElevenAgents 中落实许多对话式 AI 设计的重要位置。它定义何时发生什么：决策点、升级路径、转接，以及其他原本需要智能体即兴处理的所有内容。

Workflow 会与另外两个系统配合，进一步完善智能体。系统提示词定义智能体的核心行为，例如角色、语调及其会说和不会说的内容，适用于问候或转接等关键节点。程序则是针对单一明确任务的更规范选项，例如验证客户身份或指导退货。它们不会根据客户的说法分支，而是无论对话如何进行，都从头到尾按固定顺序逐步执行。

构建智能体最简单的入门方式，是使用预构建智能体模板。模板为 workflow 和系统提示词提供起点，让你在此基础上微调，而不是从零构建。以下是可用于个性化的改动：

• 决策映射：明确规划智能体在每个决策点的操作，确保从开场到解决的整个对话都有定义。子智能体节点可让你在流程特定位置调整系统提示词、模型甚至声音，使敏感的验证步骤能采用比通话前段闲聊更严格的护栏。
• 升级触发条件：定义明确的人工转接触发条件，将其纳入 workflow，而非让智能体临场决定。例如，问题经过两次尝试仍未解决、客户要求找主管，或交易敏感或金额较高而需要人工处理时，进行升级。
• 转接上下文：在系统提示词中，定义智能体转接前应收集的内容，如订单 ID 或账号，以及触发转接的条件。然后将这些已保存的详情映射到转接工具配置，以便自动传递，无需客户向人工代表重复说明。
• 脚本化措辞：在系统提示词中为关键时刻定义准确用语。开场问候、错误消息、法律声明和升级转接，绝不能交由智能体临场即兴发挥。“我目前无法访问该信息”这类准确表述，比在出现问题时让智能体猜测该如何说更可靠。

在 ElevenAgents 中，workflow 本身以可视化图表构建，每个决策点和升级触发条件都映射为可直接查看和编辑的节点。

上线后，分析功能会将真实对话数据叠加在同一张图表上，让你准确看到客户在哪些环节卡住或流失，并在无需猜测的情况下修复问题。

延迟和性能

延迟是决定互动是否拟人的最重要因素之一。即使对话其他方面都很顺利，缓慢的响应也会最快让客户意识到自己正在和机器交谈。

无论智能体通过聊天还是语音运行，流程中的每个环节都会增加各自的延迟。有些因素两种场景都适用，另一些则仅在语音场景中适用。

• LLM：每种模型选择都是成本、推理质量和速度之间的权衡，合适的平衡取决于对话场景。FAQ 或预约确认等简单、高频互动可使用更快、更轻量的模型，不会影响体验。对于金融咨询或多步骤故障排除等复杂任务，通常值得使用推理能力更强的模型，即使它的响应稍慢。
• 知识库和 RAG：每次知识库查找都会在智能体回应前增加一次往返，因此精简且聚焦的知识库比需要大范围搜索的知识库响应更快。
• 集成和工具调用：每次外部工具调用都会增加一次往返，例如在 Salesforce 中查询订单或检查日历空闲时间。编写清晰的工具描述，避免智能体犹豫该调用哪个工具，并且只调用对话实际需要的工具。
• 地理位置和数据托管：让 ElevenAgents 所在区域与数据托管区域匹配；对于电话部署，还要与电话服务商的区域（Twilio、SIP 或其他服务）匹配。如果智能体所在区域和呼叫网关所在区域相距遥远，对话开始前就会增加延迟。
• 语音转文本（仅语音）：智能体进行推理前，Scribe 会先转写客户所说的内容。实时对话应使用实时版本（Scribe v2 Realtime），而非优先准确性、速度较慢的批处理版本。
• 轮次交接（仅语音）：决定智能体何时开始回应，上文已详细说明。它本身也值得视为延迟因素，因为模型若迟疑于识别轮次结束，后续流程开始前就会增加延迟。
• 文本转语音和语音选择（仅语音）：默认声音、合成声音和 Instant Voice Clones 的响应速度都快于 Professional Voice Clones。仅在更高保真度值得以延迟为代价时，才使用 Professional Voice Clones。

如需深入了解延迟，请参阅延迟优化最佳实践以及整个流程中延迟的测量和报告方式。

使用 ElevenAgents 设计首个智能体

上述要素正是对话式 AI 设计在 AI 智能体中的实际体现。所有功能均原生集成于 ElevenAgents，并可通过无代码控制台配置，让你构建能真正对话、而不只是正确回答问题的智能体。

如果团队希望获得实操支持，ElevenLabs 的驻场部署工程师会直接与团队合作，确定范围、构建并推出可投入生产的智能体，并在上线后继续微调性能。

无论是自行构建还是寻求支持，亲自试用是最快感受差异的方式。立即创建智能体或联系销售团队。

对话式 AI 设计常见问题