我们如何借助 ElevenLabs Agents 扩展客户访谈流程

我们使用 ElevenLabs Agents 访谈了超过 230 位 ElevenReader app 用户。

本文将分享我们如何构建这款语音智能体、此次生产测试的结果，以及如何用这些工具改进产品。

规模化的挑战

我们重视客户访谈，但要实现规模化并不容易。一次典型的 15 分钟实时访谈能带来宝贵洞察，但每天安排多场访谈在协调上很有挑战。

日程很难匹配，小团队几乎无法用数十种语言服务全球用户——全天候进行深度对话存在客观限制。

问卷虽然更易规模化，却常会丢失信息。它将反馈简化为多选项，忽略一对一对话中的情感与细微差别。随着语音 AI 和 LLM 的进步，我们如今可以弥合这一差距。

我们借助 ElevenLabs Agents 构建了 AI 访谈员，通过真实对话收集用户反馈。不到 24 小时内，我们完成了超过 230 场访谈，并已根据这些客户洞察改进 app。

创建 AI 访谈员

我们使用 ElevenLabs Agents 平台创建了一名对话式研究员。目标是了解 ElevenReader app 用户在以下 4 个主要方面的看法：

• 功能需求与改进
• 主要使用场景
• 竞品对比
• 定价与品牌价值

我们选择了音色“Hope - The podcaster”，它的语气友好、自然，就像与一位善解人意的研究员面对面交谈。逻辑模型则选择了 Gemini 2.5 Flash，以平衡低延迟与高智能。

提示词与防护机制

我们编写了系统提示词，指导智能体通过追问获取更深入的洞察，同时让对话不偏离主题。如果用户回答模糊或只有一个词，智能体会引导其提供更详细的反馈。发布前，我们使用 ElevenLabs 模拟测试，确保智能体能处理模糊回答或不当语言等边缘情况。

查看这里，了解我们使用的系统提示词。

数据收集

我们使用 ElevenLabs Agents 中的 Analysis 功能评估每通电话。该工具可从转录文本中提取结构化数据，将开放式对话转化为可落地的洞察。例如，我们可以自动追踪以下问题的回答：

• “你目前主要如何使用 ElevenReader？”
• “你会从哪两方面改进这款 app？”

智能体会在 10 分钟后使用 end_call 工具结束对话，并礼貌感谢用户抽出时间。

结果

在 24 小时内，我们收集了超过 36 小时的对话时长。

• 成功率： 85% 的通话成功完成且未偏离主题。
• 参与度： 通话时长中位数为 10 分钟（允许的最长时长）。
• 深度： 一场对话包含 87 条消息，中位数为 25 条消息。
• 成本： 每通 10 分钟电话成本略低于 $1.00，即每分钟 9 美分，均通过 ElevenLabs Agents

分析数据

我们使用 Claude Opus 4.5，基于 UX 研究原则分析这 36 小时的转录文本，找出趋势与洞察。

模型提供了高层主题后，我们通过额外提示词细化分析，挖掘用户细分、导航反馈、不同地区的价格敏感度等具体洞察。

为在内部分享这些结果，我们用 Claude 创建了交互式分析页面。团队现在可以点击具体数据点，查看支撑趋势结论的准确用户引述。

主要发现

用户乐于与 AI 交谈——近 95% 的受访者直接与访谈员互动，并未意识到它是对话式智能体。一位用户表示：

“这是我体验过最令人惊叹的 AI 客服访谈。我希望所有问卷都能这样，也希望所有数字化客服服务都能这样。”

我们了解到：

• 细分需求： 21% 的 ElevenReader 小说读者希望支持多角色对话，这一比例远高于其他用户群体。
• 品牌价值： 用户认为 ElevenReader 能让他们随时随地自由聆听任何书籍，并提供最自然的语音质量。
• 语言需求： 用户发现这款 app 的 文本转语音（TTS）模型有时会混淆语言和口音——这是明确的改进方向。
• 漏洞报告： 访谈发现了一些具体问题，工程团队在次日便完成修复。

未来启示

用户研究的未来是对话式的——AI 语音智能体 让你能在全球范围内，按用户自己的时间与他们倾听和交谈。

此次测试表明，AI 智能体可以真实、可靠地大规模开展深度访谈。结合 LLM 的文本分析，这些对话揭示了数百份回答中的模式——这些洞察很难通过人工发现。

你可以使用 ElevenLabs Agents 构建类似的 AI 访谈员——立即开始构建，或联系我们的团队了解更多。