什么是智能体工作流？它如何改变自动化？
- 发布时间
大多数自动化都依赖脚本，每次都按同一条预设路径执行。一旦对话偏离路径，流程就会中断或转交人工。智能体工作流则不同。
智能体工作流是一系列任务：AI 智能体会分析每一步、决定下一步操作并执行。当自动化只能遵循脚本时，这些案例往往会被转入队列、直接遗漏，或以更慢且不一致的方式解决。
智能体工作流通过让智能体当场自行判断来弥补这一缺口。它适合需要处理多变且依赖判断的交互，例如客户提出未写入脚本的问题、需要协商条款的催收电话，或跨越 3 个不同系统的支持工单。
本文将介绍智能体工作流的运作方式、它与传统自动化的区别，以及企业如今如何使用它。
摘要
- 智能体工作流让 AI 智能体分析任务的每一步并决定下一步操作，而非遵循固定的预设路径。
- 智能体工作流结合 LLM 推理层与 RAG、记忆和护栏机制，让智能体能够自行判断，同时仍将高风险步骤转入审批。
- 企业将 AI 智能体 用于各类任务，包括 客户支持、潜在客户筛选、催收和政务服务。
了解智能体工作流及其运作方式
传统自动化（如基础 RPA 脚本或基于规则的聊天机器人）采用“如果这样，就那样”的结构。每个分支都预先定义，因此输入若不匹配已构建的路径，AI 系统就会失败或转交人工。
在智能体系统中，LLM 位于流程核心，根据当前对话或任务状态进行推理，决定下一步该做什么。智能体不会从少量脚本化回答中选择，而是会：
- 理解： 智能体读取已获得的目标，并判断用户真正需要什么。
- 检索： 智能体提取相关上下文，包括文档、此前对话记录和工具输出。
- 决策： 智能体选择使用哪项操作或工具，以及使用顺序。
- 适应： 新信息改变情况时，智能体会调整处理方法。
- 执行： 智能体执行操作后，会根据结果推理并确定下一步。
以一个处理账单争议的语音智能体为例。 传统 IVR 脚本只能将来电者转至“账单”选项，之后便无法继续。智能体工作流则可以调取客户账户、核查付款记录、根据退款政策验证争议；若在批准额度内，便发放贷项，否则才升级给人工处理。
智能体工作流的关键组成和特点
无论具体平台或使用场景如何，大多数智能体工作流都具备相同的基础构件。
以下是各个组件的作用：
组件 | 作用 |
LLM 推理层 | 理解意图、规划下一步，并决定使用哪种工具或路径。 |
操作和 集成 | 让智能体执行实际操作，例如更新 CRM、检查库存或发起退款。 |
检索增强生成（RAG） | 让智能体基于企业的真实文档和知识库回答，而非通用训练数据。 |
记忆和上下文 | 延续对话记录和先前输出，避免智能体在任务中途丢失线索。 |
护栏机制和确定性工作流 | 将高风险或不可逆操作（如超过特定阈值的退款）置于固定审批步骤之后，帮助团队保持对敏感交互的控制。 |
人工交接 | 当智能体触及权限边界时，将携带完整上下文的对话转交给真人。 |
最可靠的智能体系统会在任务中需要判断的部分使用智能体推理，在不需要判断的部分采用结构化、基于规则的步骤，尤其是涉及付款或敏感数据的环节。这种组合能让工作流高效处理判断事项，同时通过更严格的控制处理高风险步骤。
例如，ElevenAgents 工作流编辑器让团队明确绘制决策点，并在专用子智能体或人工操作员之间路由，从而确保智能体行为可审计。
智能体工作流与传统自动化有何不同
传统自动化与智能体工作流的核心区别在于由谁决定路径：是开发者预先决定，还是智能体在运行时决定。
传统自动化 | 智能体工作流 | |
决策 | 预先定义的固定规则。 | AI 在运行时推理并决策。 |
处理意外情况 | 在脚本路径之外失败或升级处理。 | 适应并找到替代路径。 |
灵活性 | 僵化：每种场景一条路径。 | 动态：可处理目标范围内的变化。 |
最适合 | 重复、高量、低变化的任务。 | 复杂、依赖判断、多步骤的任务。 |
配置工作量 | 必须手动绘制每个分支。 | 需要硬编码的分支更少，但仍需护栏机制和测试。 |
两种方法并非相互取代。对于真正低风险、重复性的任务，例如重置密码或确认预约时间，固定自动化仍是正确选择。
当任务存在模糊性时，智能体系统更具优势：例如客户的问题不符合模板、潜在客户意图需要判断，或通话语气需随对方回应而调整。许多生产系统采用混合方法：对不可逆操作使用确定性步骤，其余部分使用智能体推理。
智能体工作流的实际应用示例
智能体工作流已在医疗、房地产和政府领域处理实时客户对话。具体任务虽不同，但底层模式相同：智能体端到端地分析请求，而非将其转交人工。
客户支持和问题解决
对于客户支持应用，智能体可以验证来电者身份、调取订单或账户记录、根据知识库诊断问题并直接解决，仅在边缘情况时转交人工。
例如，CareCode 是一家巴西医疗通信平台，它将葡萄牙语语音智能体纳入患者预约工作流，发现 43.9% 的来电者此前已尝试通过其他渠道完成请求，但未能成功。语音智能体 无需增加人员即可安排这些预约。
潜在客户筛选和房地产
房地产房源会带来大量主动咨询，但从随意浏览者中筛出认真的买家，仍然耗费经纪人大量时间。
Immobiliare.it 是意大利最大的 房地产 平台，它构建了一名对话式智能体，代表卖家回答房源问题、筛选买家意图并汇总互动内容。上线后，潜在客户筛选率从 19% 提升至 63%，愿意提供电话号码进行后续跟进的用户占比则从 42% 上升至 73%。
公共服务和市民咨询
政府机构正开始将同样的方法应用于端到端的问题解决，让智能体完成请求，而非仅将其路由出去。
例如，乌克兰数字转型部正在打造其所称的全球首个智能体政府，使用 AI 智能体连接国家系统与个人市民在医疗、教育和经济服务领域的请求。
多步骤运营任务
除了对话，智能体系统还越来越多地在一次处理过程中串联检索、验证和操作。例如，一名医疗接诊智能体可以核查患者的保险资格、更新记录并确认预约。否则，这些步骤需要将来电者转接到不同系统或团队。你还可以使用 多智能体系统将多个智能体工作流整合为一个。
使用智能体工作流的优势与挑战
智能体工作流相比脚本化自动化具有优势，但这些优势也带来了新的要求。
以下是使用智能体系统的主要优势与挑战：
优势
- 更高的解决率： 智能体可以端到端完成任务，而非默认转交人工。
- 大规模一致性：无论数量多少，每次对话都遵循相同的底层逻辑和护栏机制。
- 更快解决问题：对于智能体可直接处理的任务，无需等待人工可用。
- 释放员工能力： 人工坐席可将更多时间用于真正复杂的案例，减少重复的初步分流工作。
挑战
- AI 智能体决策过程的可见性：若没有确定性检查点，可能很难还原智能体为何采取某项特定操作。
- 护栏机制设计：由于智能体可以选择自己的路径，团队需要预先决定哪些操作需要批准，哪些可自主执行。界限划分错误，智能体要么会执行不该执行的操作而带来风险，要么会将本可处理的事项升级，成为瓶颈。
- 上线前测试：智能体系统的行为不同于脚本系统，因此针对真实场景的上线前模拟更为重要。团队必须在它与真实客户沟通前，用真实且复杂的场景进行压力测试。
- 集成复杂性：智能体的实用性取决于它实际能访问的系统。如果无法访问任务依赖的 CRM、支付系统或预约工具，它就会停滞，或仍需转交人工，从而削弱使用它的意义。
智能体工作流将工作模式从逐一审核所有案例，转变为只审核需要审核的案例。只有从一开始就内置护栏机制和审计轨迹，这种转变才有价值。智能体上线后再加装这些机制会困难得多，因为那时它已做出无法完全还原的决策。从第一天起就内置护栏机制和日志，才能让企业足够信任智能体，不再审核每个案例。
使用 ElevenAgents 开始智能体自动化
ElevenAgents 将智能体工作流所需的一切整合到一个平台中。可自行选择 LLM，并通过 RAG 让其回答基于知识库和标准操作流程（SOP）。确定性工作流将高风险操作置于审批步骤之后，每次对话都会记录，确保完全可审计。上线前，团队可通过上线前模拟定义和测试护栏机制，随后将相同配置部署到语音、聊天、电子邮件和 WhatsApp。
对于案例超出智能体权限后需要顺畅交接的企业，人工交接会将完整对话上下文传递给真人坐席，让客户无需重复说明。
如需了解智能体工作流如何支持业务，请联系团队，或立即注册并开始构建，使用我们的无代码平台。
