网络研讨会回顾：打造自然的 AI 智能体

大多数团队都希望打造听起来很自然的智能体。

但很多团队遇到的问题是：智能体能完成任务，却不理解上下文、紧迫性或情绪。一旦来电者察觉到这一点，信任感和互动质量都会下降。

在我们最近的直播研讨会：打造听起来很自然的 AI 智能体中，Luigi Sambuy（前线部署工程团队）讲解了机械式智能体与真正像人一样的智能体之间的差别。

听起来自然，为何比想象中更难

大多数部署智能体的团队已经解决了准确性问题：智能体能给出正确答案、预订正确的餐桌、取消正确的航班。

更难的是让表达方式恰到好处。

无论回答多么正确，如果智能体不能呼应来电者的情绪、捕捉紧迫感，又总以同样平淡的节奏回答每个问题，听起来始终会很像机器。客户不只希望问题得到解决，也希望在过程中感到自己被倾听。

自然语音智能体的 4 个特征

1. 节奏与流畅度：采用自然的语速、停顿和速度变化，而非单调朗读
2. 情绪呼应：面对沮丧的来电者表达关切，面对好消息传递温暖
3. 上下文：结合用户历史、业务系统以及文化和地区线索，避免泛泛而谈
4. 身份特征：为品牌量身打造音色，而非使用现成默认音色

演示：自然语音智能体实战

场景：一位顾客致电 Rosette Restaurant，想更改预订。这天是他们结婚 5 周年纪念日，而且快迟到了。

演示内容：

• 智能体以温暖的方式开场，先祝贺周年纪念日，再处理其他事项
• 它发现顾客所述时间与实际预订时间略有不符，于是先澄清，而不是猜测
• 它将预订改至晚上 9 点，并主动为这个特别日子提供靠窗座位，无需顾客提出
• 通话中，智能体使用自然的停顿、语气词，并根据情境调整语气——令人安心、温暖从容

为何重要：这些效果并非来自不同的模型或更强大的平台，而是来自提示词。系统提示词允许智能体在句中自我修正、在“查找信息”时自然地停顿，并调整情绪语气以呼应来电者——如今，任何基于平台构建产品的团队都可以使用这些技巧。

打造自然智能体的 7 个关键要素

1. 情绪标签：可通过 v3 对话模型的表现力模式使用，是实现语气变化最关键的功能
2. 背景噪音：办公环境声、城市声音或键盘敲击声，营造更熟悉、更有人情味的语境
3. 系统提示词中的语气：大部分差异其实都在这里
4. 积极程度设置（积极／常规／耐心）：应与互动所需时间相匹配
5. 发音词典／关键词：用于名称、品牌和外来词，避免智能体误读。
6. 输出设置：有些团队会特意加入背景电话铃声，而非使用纯净音频，因为从传统呼叫中心迁移过来的客户已习惯略显闷的音色
7. 声音设计或克隆：打造完全定制、符合品牌调性的音色，而非从现成音色中挑选。声音设计支持通过提示词描述特定需求（例如：“一位 30 多岁、听起来像通过耳机说话的男性”）。语音克隆涵盖即时克隆（约 30 秒音频）到专业克隆（更多素材、更高保真度）。

自然语音智能体最佳实践

直接在系统提示词中写明语气。这是平淡的智能体与自然的智能体之间大部分差异所在。明确允许智能体在句中自我修正（“人们真实说话的方式”）、在查找信息时自然停顿，并在面对严肃内容后先留出片刻安静再回应。

让情绪标签符合当下情境。在严肃或有风险的时刻使用“兴奋”标签并不合适。应有意识地将标签放在实际会出现的对话位置，并随通话进展根据来电者情绪调整（例如，对焦虑的来电者保持冷静、给予安慰；对赶时间的人则快速而温暖）。

有意识地设置积极程度。积极模式适合简洁、高信息量的交流；当对方需要时间查找文件或号码时，耐心模式更合适。所有场景都默认使用积极模式，会让智能体显得咄咄逼人，而不够自然。

为每个节点选择合适的 LLM。简单路由步骤使用更轻量、更快的模型；需要实际决策的节点则使用能力更强的模型。

将感知延迟视为“自然”的一部分。除了选择模型外，推测式轮次生成（来电者还在说话时，模型就开始组织回复）和软超时语气词，都能缩短人们对停顿时长的感受，即使实际响应时间没有改变。

本地化，而非单纯翻译。选择真正以目标语言训练的音色，使用发音词典；对于单语言场景，也可以考虑直接用该语言编写提示词，以提升表现。当跨语言的快速低延迟比表现力范围更重要时，Multilingual v2 仍是可靠选择。

监控智能体。使用模拟测试，无需真实通话即可验证智能体；通过评估标准对通话后结果进行通过／不通过评分，并逐轮进行情感分析，准确找出智能体在哪个对话环节使用了不恰当的语气，然后据此优化提示词。

观看完整课程

观看完整网络研讨会点击此处。