隆重推出 Eleven v4，这是我们迄今为止最具情感表现力的模型。
探索跳至内容登录注册联系销售登录大多数自动化运行在每次执行相同预定路径的脚本上。如果对话偏离了路径，它就会中断或被转交给人工处理。Agentic 工作流则不同。
Agentic 工作流是一系列任务，其中 AI 智能体 会逐步推理、决定下一步做什么并采取行动。当自动化只能遵循脚本时，这些情况会被转入队列、被丢弃，或者以比应有速度更慢、一致性更差的方式得到解决。
Agentic 工作流让智能体在当下自行做出判断，从而弥合了这一差距。这些工作流可帮助希望处理多变、需要大量判断的交互的公司，包括客户提出脚本之外的问题、需要协商条款的催收电话，或跨越三个不同系统的支持工单。
在本文中，我们将剖析 agentic 工作流如何运作、它们与传统自动化的区别，以及企业如今如何将其投入使用。
摘要
- Agentic 工作流让 AI 智能体对任务的每一步进行推理并决定下一步做什么，而不是遵循固定的、预先编写好的路径。
- Agentic 工作流将 LLM 推理层与 RAG、记忆和 guardrails 相结合，因此智能体可以做出判断，而高风险步骤仍会走审批流程。
- 企业使用 AI 智能体 来完成各种各样的任务，从 客户支持 到潜在客户资格认定、催收和政府服务。
理解什么是 agentic 工作流以及它们如何运作
传统自动化（想想基础的 RPA 脚本或基于规则的聊天机器人）遵循“如果这样，那么那样”的结构。每个分支都预先定义，这意味着如果输入不匹配预先构建的路径，AI 系统就会失败或转交给人工。
在 agentic 系统中，LLM 位于流程的中心，对对话或任务的当前状态进行推理，并决定接下来应该发生什么。智能体不是从一小组脚本化答案中挑选，而是：
- 解读：智能体读取被赋予的目标，并确定用户实际需要什么。
- 检索：智能体提取相关上下文，包括文档、先前的对话历史和工具输出。
- 决策：智能体选择使用哪个动作或工具，以及以什么顺序使用。
- 适应：当新信息改变情况时，智能体调整其方法。
- 执行：智能体采取行动，然后对结果进行推理以确定下一步。
以一个处理账单争议的 语音智能体为例。 传统的 IVR 脚本可以将来电者转接到“账单”部门，然后就此结束。而智能体工作流可以调取客户账户、查看付款历史、依据退款政策核实争议、在批准限额内发放信用额度，只有在超出限额时才升级给人工处理。
智能体工作流的关键组成部分与特征
大多数智能体工作流都共享相同的基础构建模块，无论具体平台或用例是什么。
以下是每个组件功能的概述：
组件
功能
LLM 推理层
解读意图、规划下一步，并决定使用哪个工具或路径。
动作与 集成
让智能体采取真实行动，例如更新 CRM、检查库存或发放退款。
检索增强生成（RAG）
将智能体的回复建立在企业实际文档和知识库之上，而非通用训练数据。
记忆与上下文
将对话历史和先前输出向前传递，使智能体在任务中途不会失去线索。
护栏与确定性工作流
将高风险或不可逆操作（例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
将对话转交给真人，并附带完整的 当智能体达到其权限边界时。最可靠的智能体系统将智能体推理（用于任务中需要判断的部分）与结构化、基于规则的步骤（用于不需要判断的部分，尤其是涉及支付或敏感数据的任何环节）相结合。这种组合让工作流在需要判断的环节高效推进，同时将更高风险的步骤交由更严格的控制处理。例如，ElevenAgents Workflows 编辑器让团队能够显式映射决策点，并将 b 当智能体达到其权限边界时。
最可靠的智能体系统会将智能体推理（用于任务中需要判断的部分）与结构化、基于规则的步骤（用于不需要判断的部分，尤其是涉及支付或敏感数据的任何环节）相结合。这种组合让工作流在需要判断的环节高效推进，同时将更高风险的步骤交由更严格的控制处理。
ElevenAgents 工作流 编辑器，例如，让团队能够显式映射决策点，并在专用子智能体或人工操作员之间进行路由，从而使智能体的行为保持可审计。
智能体工作流与传统自动化的区别
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 在运行时进行推理并做出决策。
处理意外情况
失败或升级到脚本化路径之外。
灵活适应并找到替代路径。
灵活性
刚性：每个场景一条路径。
动态：处理目标内的变化。
最适合用于
重复性、高批量、低差异的任务。
复杂、需要大量判断的多步骤任务。
搭建工作量
每个分支都必须手动映射。
需要硬编码的分支更少，但需要护栏和测试。
这两种方法并不能完全相互取代。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，固定自动化仍然是正确的选择。
当任务涉及模糊性时，智能体系统表现更佳：例如客户的问题不符合模板、潜在客户的意图需要判断，或者通话需要根据对方的回应调整语气。许多生产系统采用混合方法，对任何不可逆的环节使用确定性步骤，而中间的一切则交由智能体推理处理。
智能体工作流在现实应用中的示例
智能体工作流已经在医疗、房地产和政府领域处理实时客户对话。具体任务各不相同，但底层模式是一样的：智能体从头到尾对请求进行推理，而不是将其转交给人工。
客户支持与问题解决
在 客户支持应用智能体可以验证来电者身份、调取他们的订单或账户历史、对照知识库诊断问题并直接解决，仅在边缘情况下才转交人工处理。
例如， CareCode，一家总部位于巴西的医疗健康传播平台，将葡萄牙语语音智能体集成到其患者预约工作流中，结果发现43.9%的来电者此前已经尝试通过其他渠道完成请求但未能成功。 语音智能体 能够在不增加人员编制的情况下安排这些预约。
房地产房源信息会带来大量潜在客户咨询，但从随意浏览者中筛选出真正有购买意向的买家仍然耗费经纪人大量时间。意大利最大的房地产平台 Immobiliare.it 构建了一个对话式智能体，代表卖家回答房源相关问题、判断买家的购买意向，并对整个交互过程进行总结。上线后，线索资格转化率从 19% 提升至 63%，愿意提供电话号码以便后续跟进的用户比例从 42% 上升至 73%。公共服务
房地产房源信息会带来大量潜在客户咨询，但从随意浏览者中筛选出真正有购买意向的买家仍然耗费经纪人大量时间。
Immobiliare.it，意大利最大的 房地产 平台，构建了一个 对话式智能体 代表卖家回答房源相关问题、判断买家的购买意向，并对整个交互过程进行总结。上线后， 线索资格筛选 率从 19% 提升至 63%，愿意提供电话号码以便后续跟进的用户比例从 42% 上升至 73%。
公共服务与市民咨询
政府机构也开始将同样的方法应用于端到端解决，让智能体完成请求，而不是将其转交出去。
例如，乌克兰数字转型部正在 打造其所谓的全球首个代理式政府利用 AI 智能体将国家系统与公民在健康、教育和经济服务方面的个人请求连接起来。
多步骤操作任务
除了对话之外，智能体系统越来越多地在单次执行中串联检索、验证和行动。一个 医疗健康接诊智能体例如，可以核查患者的保险资格、更新其记录并确认预约。这些步骤原本需要将来电者转接至不同的系统或团队。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。然而，这些优势也带来了需要满足的新要求。
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：智能体可以端到端地完成一项任务，而不是默认将其转交给人工处理。
- 规模化一致性：无论对话量多大，每次对话都遵循相同的底层逻辑和防护机制。
- 更快的解决速度：对于智能体可以直接处理的任务，无需等待人工坐席空闲。
- 释放出来的员工产能：人工坐席将更多时间用于真正复杂的案例，而减少在重复性的初步分诊上花费的时间。
挑战
- AI 智能体决策过程的可视性：如果没有确定性的检查点，就很难还原智能体为何采取某一特定动作。
- 防护机制设计：由于智能体可以自行选择路径，团队需要预先决定哪些操作需要审批、哪些可以自主执行。如果界限划分错误，智能体要么因执行了本不该执行的操作而制造风险，要么因将本可自行处理的事项上报而成为瓶颈。
- 上线前测试：智能体系统的行为与脚本化系统不同，因此针对真实场景进行上线前模拟更为重要。团队需要在智能体与真实客户对话之前，用真实、杂乱的场景对其进行压力测试。
- 集成复杂性：智能体的有用程度取决于它实际能触达的系统。如果它无法触达某项任务所依赖的 CRM、支付系统或排程工具，它要么停滞不前，要么还是得转交出去，从而削弱了使用单一智能体的全部意义。
智能体工作流将工作模式从“有人审查每一个案例”转变为“只审查需要审查的案例”。只有当防护机制和审计追踪从一开始就内置时，这种转变才能带来回报。在智能体已经上线之后再补建这些机制要困难得多，因为到那时它已经做出了无人能够完全还原的决策。从第一天起就内置的防护机制和日志记录，正是让企业能够信任智能体、从而一开始就停止审查每一个案例的原因。
开始使用 ElevenAgents 实现智能体自动化
ElevenAgents 将智能体工作流所需的一切整合到一个平台中。你可以自行选择 LLM，并通过 RAG 让其回答以你的知识库和 SOP 为依据。确定性工作流将高风险操作置于审批步骤之后，每一次对话都会被记录，以实现完整的可审计性。在上线之前，团队可以通过上线前模拟来定义和测试防护机制，然后将同一配置部署到语音、聊天、电子邮件和 WhatsApp 上。
对于需要智能体在案件超出其权限时干净交接的企业，人工交接会将完整的对话上下文传递给在线坐席，因此客户无需重复说明。
要了解智能体工作流如何为您的业务提供支持， 请联系我们的团队 或 立即注册，开始构建 使用我们的无代码平台。
智能体工作流常见问题解答
常见示例包括：一个支持智能体，负责验证客户身份、诊断问题并直接解决问题；一个线索资格审核智能体，负责对入站意向进行评分并预约会议；一个催收智能体，负责核实来电者身份并协商还款计划；以及一个虚拟接待员，负责接听电话、查看日历并预约时间。
这取决于模式。标准版 ChatGPT 一次只响应一个提示，不会独立规划或采取多步骤行动。这属于生成式行为。ChatGPT 的智能体模式则不同：它可以浏览网页、使用工具，并在有限的人工干预下完成多步骤任务，这确实达到了智能体 AI 的标准。智能体能力取决于系统如何在多个步骤中进行推理、规划和行动。
当 AI 在运行时决定步骤顺序，而不是沿着某人预先硬编码的路径执行时，工作流就是智能体式的。如果每一个可能的分支都必须事先规划好，那就是传统自动化。如果系统能够对新颖情况做出推理并选择适当的行动，那就是智能体式的。
智能体 AI 领域并不存在单一、标准化的“四大”。这一领域既包括构建通用智能体能力的基础模型提供商（OpenAI、Anthropic、Google），也包括为特定业务场景（如客户支持或语音自动化）构建智能体工作流的专业平台。
作者
增长营销
查看个人资料Jack Limebear 就职于增长团队，担任内容撰写者和策略师，负责博客和洞察页面。在加入 ElevenLabs 之前，他花了十多年时间为各类组织主导内容战略，从快速成长的 SaaS 初创公司到《财富》500 强企业均有涉猎。他拥有剑桥大学英语文学硕士学位。
相关文章
什么是 AI 编排？大规模协调 AI 模型
类别资源日期2026年9月10日什么是 IVR？它如何改变客户互动
类别资源日期2026年9月9日什么是 RAG？检索增强生成如何工作
类别资源日期2026年9月7日什么是意图识别：理解 NLP 中的用户目标
类别资源日期2026年9月4日
以最高质量的 AI 音频进行创作
联系销售注册