我们如何使用 ElevenAgents，每月在日常运营中节省 1,200 小时

在 ElevenLabs，各团队通过内部智能体每月在日常运营中节省超过 1,200 小时。它们每月回答超过 5,000 个问题，还能执行操作：为客户构建数十个定制演示，并在过去一个月创建超过 150 个工单。

这些智能体最初用于更方便地从 Slack 获取内部信息，例如用户留存数据、相关文档或账户历史。后来发展为可执行操作的智能体：团队成员提问、报告 bug 或请求演示时，智能体会回答问题或处理请求。 

FDE 机器人创建客户演示

销售：按需提供账户信息和演示

销售团队使用两个智能体：负责客户问题的市场进入（GTM）机器人，以及负责产品问题和演示的前置部署工程师（FDE）机器人。以下是一些近期示例：

• 向 GTM 机器人提出的销售问题：“在英国、法国和德国，哪些头部客户拥有使用其标识的授权？”或“我们的主要 API 用例有哪些？”
• 向 FDE 机器人提出的产品问题：“如果潜在客户想构建一个代表 AE 预约会议的外呼 AI SDR，需要哪些集成？”

FDE 机器人还能按需构建完整的客户演示，直接根据一条消息组装出为潜在客户用例配置好的可用智能体。 

支持与工程：自动化分流流程

仅在过去一个月，分流机器人就创建了 150 个新工单。这项工作过去需要支持和工程团队大量手动协作完成。 

它可处理功能请求和 bug，并针对每类问题采用不同的流程。创建工单前，它会在 Slack 中搜索相关背景信息、与现有工单去重，并确保有足够细节可诊断问题，然后以正确优先级创建 Linear 工单。接着，它会根据上传到智能体知识库的职责文档，将工单分流给合适的团队。

产品与产品营销：数据分析

产品和产品营销团队会在特定领域频道中提出数据问题，并在讨论串中获取分析结果。以下是一个近期示例：“过去 6 个月，美国 ElevenCreative 自助订阅用户的免费转付费率有何变化？主要驱动因素是什么？”

团队成员可以在同一讨论串中讨论或继续追问。回答质量取决于智能体能看到哪些信息，因此我们会为每个智能体精心整理数据（详见下文）。

我们的经验

内部智能体从一开始就必须可靠、准确，否则团队会停止使用和信任它们。在共享频道中，错误更容易被发现，但成功案例同样显眼，这有助于推动采用。

以下还有几点经验：

• 整理 Schema 比优化提示词更有效。 对检索型智能体而言，移除字段带来的回答质量提升远超调整系统提示词。每增加一个列或对象字段，模型就多一个猜错的可能；将 Schema 精简为有限的关键字段，比我们尝试过的任何提示词调整都更能提升准确性。
• 选择列表类型定义。 Salesforce 中的交易阶段、账户类型等字段属于选择列表，即一组固定的有效值。如果不加限制，模型可能生成一个听起来合理、但 Salesforce 中并不存在的值。现在我们会在启动时获取有效值，并将其注入 MCP 工具的类型定义中，让模型只能选择真实选项。
• 精简流程。 随着时间推移，你会为智能体添加更多流程，其中一些可能重叠。ElevenAgents 的 Architect 可重新梳理这些流程，明确每个流程何时启动，避免逻辑冲突。
• 任务验证。 创建 Linear 工单后，智能体会验证字段是否设置正确，以及工单是否分配给正确团队。这减少了偶发的幻觉或团队选择错误。

亲自试试

智能体已融入 ElevenLabs 的日常工作。如果你也想构建自己的智能体，了解更多 ElevenAgents。