网络研讨会回顾：打造自然的 AI 智能体

大多数团队都希望构建听起来很自然的智能体。

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

在我们最近举办的直播研讨会：构建自然对话的 AI 智能体中，Luigi Sambuy（前沿部署工程团队）讲解了机器人式智能体与真正像人一样的智能体之间的区别。

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。

更难的是把表达方式做好。

无法呼应来电者情绪、捕捉不到紧急程度，并且用同样平淡节奏回答所有问题的智能体，无论答案多么正确，都会显得不够真实。客户不只希望问题得到解决，也希望在此过程中感到自己被倾听。

自然对话智能体的四项特征

1. 节奏与流畅度——自然的语速、停顿和速度变化，而非单调朗读
2. 情绪呼应——以关切回应沮丧的来电者，以温暖回应好消息
3. 上下文——引入用户历史、业务系统和文化／地区线索，让回答不再千篇一律
4. 品牌身份——专为品牌打造的声音，而不是现成的默认音色

演示：自然对话智能体实战

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

演示内容：

• 智能体先以温暖的方式开场，在处理其他事项前先祝贺纪念日
• 它发现顾客所说的预订时间与实际预订信息略有不符，选择澄清而非猜测
• 它将预订改至晚上 9 点，并主动为这个场合提供靠窗座位，无需顾客提出
• 整个通话中，智能体运用了自然停顿、语气词，以及随情境调整的语气——让人安心、温暖、不紧不慢

重要性：这些都不需要换用其他模型或更强大的平台，关键在于提示词。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，并调整情绪语气来匹配来电者——如今所有基于本平台构建产品的团队都能使用这些技巧。

构建自然智能体的七个要点

1. 情绪标签——可通过 v3 对话模型的表达模式和Eleven v4使用；这是实现语气变化最关键的功能
2. 背景噪声——办公室环境声、城市声音或键盘敲击声，营造更熟悉、更有人情味的场景
3. 系统提示词中的语气——大部分差异其实都来自这里
4. 积极程度设置（积极／普通／耐心）——根据互动所需时间匹配
5. 发音词典／关键词——用于避免智能体读错姓名、品牌和外来词。
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而来的客户习惯了那种略带闷感的声音
7. 声音设计或语音克隆——打造完全定制、符合品牌调性的声音，而不是从现成音色中挑选。声音设计可通过提示词创建特定声音，例如“听起来像透过耳机说话的 30 多岁男性”。语音克隆则涵盖即时克隆（约 30 秒音频）到专业克隆（素材更多、保真度更高）。

自然对话智能体最佳实践

直接在系统提示词中写明语气。这是平淡智能体与自然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”）、在查找信息时自然地停顿，以及在面对严肃内容后先留出片刻沉默再回应。

让情绪标签匹配当下情境。“excited”标签不适用于严肃或存在风险的场景。应有意识地将标签放在对话中实际会出现的位置，并随着通话进展，根据来电者的情绪状态调整标签（例如，对焦虑的来电者保持冷静并给予安抚；对赶时间的人则快速但不失温暖）。

有针对性地设置积极程度。积极模式适合节奏明快、信息密集的交流；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、更快速的模型，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“自然感”的一部分。除模型选择外，推测式轮次生成（来电者还在说话时，模型就开始形成回复）和软超时语气词，都能缩短用户感受到的停顿时长，即使实际响应时间没有改变。

本地化，而非简单翻译。选择真正经过目标语言训练的音色，使用发音词典；对于单语言使用场景，可考虑直接用该语言编写提示词，以提升表现。当跨语言的低延迟比丰富的表达范围更重要时，Multilingual v2 仍是可靠选择。

监控智能体表现。使用模拟测试在无需真实通话的情况下验证智能体；通过评估标准进行通话后的通过／失败评分；再借助逐轮情感分析，准确找出智能体在对话中使用错误语气的位置，并根据这些信号优化提示词。

观看完整活动

观看完整网络研讨会请点击此处。