网络研讨会回顾：Urban Company 如何大规模自动化合作伙伴支持

大多数支持团队在尝试扩大规模时都会遇到瓶颈。增加客服人员会推高成本，服务质量仍不稳定，季节性高峰更会让系统不堪重负。Urban Company 找到了另一条路。

在 《幕后智能体：Urban Company 如何规模化自动化合作伙伴支持》中，Urban Company 工程经理 Abhishek Thakur 详细介绍了 Urban Company 如何在合作伙伴支持业务中部署语音 AI，以及部署后服务质量、成本和通话量发生了哪些变化。

零工经济的支持难题

零工经济高度依赖平台与劳动者之间的信任，一旦这种信任受损，劳动者就可能转向竞争对手。印度有超过 1,500 万名零工劳动者，预计到 2030 年将达到 2,300 万名；他们主要通过手机和语音与平台互动。考虑到噪音、网络连接问题和语言混用等工作环境，基于文本的支持往往难以奏效。

尽管如此，许多平台仍默认采用聊天支持，导致首次联系解决率低、升级处理率高。劳动者常常觉得平台并非为其需求而设计。语音 AI 提供了一种潜在解决方案，让沟通方式更贴合这类劳动者的工作习惯。问题在于，它能否以零工经济运营所需的准确度和规模实现这一点。

为何语音是零工劳动者的合适渠道

Urban Company 的业务覆盖印度 51 个城市，以及阿联酋、新加坡和沙特阿拉伯。他们管理着近 60,000 名活跃服务专业人员，包括水管工、美容师和家电维修技师；这些人员每天都在客户家中提供服务。

这些合作伙伴并非典型的科技产品用户。许多人专门购买智能手机来加入平台。他们自然的沟通渠道是语音，而非文字。Urban Company 查看聊天支持记录时发现，合作伙伴会发送零散的印地语英语混合消息、上传模糊截图，更明显的是，他们会在聊天中要求回电。

支持渠道与合作伙伴实际沟通方式之间的差距，在每个接触点都造成了阻碍。

如此规模的人工支持也会带来层层叠加的问题：

1. 10 名人工呼叫中心客服会用 10 种不同方式表达同一件事
2. 更新 SOP 需要数周才能传达至整个团队
3. 空调维修旺季来临时，通话量会毫无预警地激增

语音 AI 能同时解决这三个问题：每次都提供一致的解决方案，即时适应新信息，并可横向扩展以应对任何通话量。

Urban Company 选择 ElevenLabs，是因为其 音色最像真人。这一决定来自一次匿名内部投票：员工试听多家供应商的录音后投票选择。对于正在与平台建立信任的零工劳动者而言，语音质量不是偏好，而是前提。

Urban Company 的智能体幕后

Urban Company 目前在三大细分领域应用语音 AI：

合作伙伴支持：合作伙伴可在服务过程中的任何时候通过 App 致电，获得各类问题的帮助，包括客户纠纷、付款问题和服务完成问题。

推荐推广：向现有合作伙伴外呼，询问他们是否愿意向家人或朋友推荐该平台。这类高通话量、重视关系的互动，能从一致的语气和零等待时间中受益。

Instahelp：面向不便阅读或书写的合作伙伴、无需 App 的互动层。合作伙伴无需 UI，即可完全通过语音管理服务订单、订阅和咨询。

如今，Urban Company 已上线 30 多个实际应用场景，并正向 150 多个子智能体 迈进。最初只是 1 人探索这是否可行，如今已发展为一个由 30 人组成的团队，负责构建和部署语音 AI 智能体，服务于整个业务。一个应用场景成功后，每个团队都想拥有自己的智能体。

演示：实时多智能体解决方案

场景：一名服务合作伙伴到达客户所在地。客户因停电拒绝接受服务，合作伙伴需要重新预约，同时不产生取消处罚。

演示内容：

• 合作伙伴通过 App 致电 UC 支持，联系到 AI 智能体 Anjali
• Anjali 确认服务详情后，请合作伙伴稍候
• 与此同时，第二个智能体 Vidhi 直接致电客户
• Vidhi 确认取消原因，提出次日早晨同一时间重新预约，并完成预约
• Anjali 返回向合作伙伴告知解决方案：服务已重新预约，不收取取消处罚
• 合作伙伴感谢智能体快速解决了问题

重要原因：

这不是一个按脚本执行的单一智能体，而是多个并行运行的智能体：一个负责管理合作伙伴通话，另一个实时解决客户问题，协同产出任何单一智能体都无法独自实现的解决方案。Urban Company 在合作伙伴支持中运行 50 到 60 多种提示词变体，单次互动有时会涉及 7 到 10 个依次协作的子智能体。

最佳实践

Urban Company 分享了其语音 AI 实践中的关键经验：

1. 初期优先保障功能。随着为智能体增加更多智能能力，Urban Company 的每分钟成本在 2 月和 3 月显著上升，之后又降至低于起点的水平。先让应用场景真正跑起来。成本优化可以之后再做；一旦了解效率低下的环节，优化速度会比预期更快。
2. 小改动也能带来巨大影响。 对话式 AI 的关键在于细节。Urban Company 会在提供信息前加入一小段“正在查询……”的音频缓冲，即使 API 的响应只需毫秒。这段停顿让用户感觉智能体确实进行了查询。仅此一项改变，就让一项关键指标提升了 30%。持续进行实验：Urban Company 目前在任意时段都会以 1% 的流量运行约 15 项 A/B 测试。
3. 拆分提示词，不要修补提示词。如果提示词出现幻觉或偏离预期，直觉做法是修补它。UC 的方法是将其拆解：分成更小、更聚焦的提示词，每个负责一项特定任务，并配置有针对性的工具调用。他们的合作伙伴支持流程由 50 到 60 个完成独立任务的提示词组成，而不是让一个提示词包办所有事情。
4. 扩展前先建立完整的指标追踪体系。Urban Company 严格监控输入指标：平均通话时长、智能体和用户各自的每分钟词数、每分钟轮次数、白噪声占比以及无法接通率。他们的北极星指标是 解决率，即在通话结束时询问合作伙伴的问题是否已解决。聆听通话录音仍是发现数据遗漏问题的方式。
5. 直接识别语言，不要询问。询问用户“你偏好哪种语言？”会打断对话流程。Urban Company 曾尝试根据合作伙伴的姓氏识别语言，但误判太多。目前的方法是：合作伙伴在通话前 30 秒使用什么语言，之后的所有通话就固定使用该语言。仅允许在开场阶段切换语言。如今，Urban Company 有 20% 的通话使用地方语言，即非印地语、非英语。
6. 像解决工程问题一样管理延迟。分析每一毫秒。找出时间实际花在哪里——数据获取、模型推理、网络——并分别优化。使用符合上下文的填充语来掩盖处理时间，但要根据提示词进行调整：问候型智能体会说“很高兴收到你的消息”，运营型智能体会说“我来帮你查一下”。填充语应听起来自然。

观看完整活动

在此处观看完整网络研讨会。