三大行业案例：AI大模型+Agent实践全景

本文将从AI Agent和大模型的发展背景切入，结合51Talk、哈啰出行以及B站三个各具特色的行业案例，带你一窥事件驱动架构、RAG技术、人机协作流程，以及一整套行之有效的实操方法。具体包含内容有：51Talk如何让智能客服“主动进攻”，带来约课率、出席率双提升；哈啰出行如何由Copilot模式升级为Agent模式，并应用到客服、营销策略生成等多个业务场景；B站又是如何借力大模型与RAG方法，引爆了平台的高效内容检索和强互动用户体验。

AI Agent是什么

AI Agent与大模型的行业应用

1. 大模型与AI Agent

大模型能够适应不同的任务，通过少样本甚至零样本的方式产生优质回答或内容。无论是GPT-4o、ChatGLM、Llama系列，还是Qwen与国内各大厂自研的通用模型，在大规模参数的加持下，其对人类语言的理解与推理已开始逼近甚至局部超越人类水准。

然而，大模型并不等同于商业成功，要在复杂业务中落地，还需要一整套Agent模式来驱动。所谓AI Agent，往往指在大模型之上封装的高层业务逻辑与工具交互组件，让“被动回答”的语言模型摇身一变，成为“主动执行”的智能体。很多时候，Agent需要调用外部函数（Function Calling）、与检索组件（RAG）交互、执行特定的业务流程，才能真正将大模型的潜力释放出来。

传统智能客服 vs. RAG⼤模型智能客服

从业务视角看，目前AI Agent与大模型的应用有以下几个鲜明趋势：

RAG与知识检索： 通过RAG技术，将外部知识库与大模型结合，减少模型“幻觉”，增强回答的准确性和可追溯性；

RAG⼤模型智能客服框架

多轮对话与人机协作： Agent不再仅是问答，而是能根据上下文，自主规划后续对话，并可在必要时引入人工坐席或其他系统协同；
事件驱动与主动触达： 智能体不仅被动响应用户问题，还能根据业务事件（比如流量异常、用户拖单、订单纠纷）进行主动沟通或任务执行；
CoT、ReAct等推理范式： 通过Chain-of-Thought、ReAct等技术，引导语言模型在回答前进行多步推理、分析与调用外部API的动作，极大提升了可解释性与执行力。

2. 三个行业案例

在线教育：51Talk
在线教育行业竞争激烈，用户付费转化、课程出席率以及学习全流程服务体验尤为关键。51Talk搭建了智能客服体系，借助事件驱动、RAG模型和人机协作，成功提升了预约率和出席率。这背后究竟是如何实现的？

51 Talk的智能客服落地曲折与困难

出行服务：哈啰出行
哈啰出行在国内骑行、打车、顺风车、租车等业务上积累了大量用户与数据。随着业务增长，对用户服务的智能化需求也愈加丰富。他们从Copilot模式（辅助运营、辅助研发）进阶到Agent模式（执行业务流程、自动生成营销策略）。其技术架构、模型选型、业务场景应用的挑战和思路是怎样的？

哈啰AI场景

内容平台：B站
B站作为年轻人的潮流文化聚集地，也在客服、内容检索、UP主创作协同等场景积极探索RAG与强化模型结合的模式。他们基于大模型的RAG检索，将非结构化海量内容转换为高效的知识库，并通过“领域化”微调来保证回答安全可控。他们在“知识构建、检索效率、回答准确性”方面有哪些经验可以借鉴？

B站领域知识库的构建

行业案例深度分析

A. 在线教育案例：51Talk的智能客服与事件驱动落地

1. 业务背景与需求

对于在线教育平台而言，客服质量直接关系到用户留存和续费率。51Talk在全球范围内开展在线外教课程，海外业务量增长迅猛，但客服和销售人数有限，无法做到24小时高水平在线。传统的“人工一对多”客服模式常常出现响应滞后、人力成本高等问题。

核心业务指标：预约率、出席率。
面临挑战：用户需求复杂多变，客服配比不足，无差别回复无法满足学员的多样化场景需求。

2. 传统方案局限与大模型切入

最早51Talk采用过传统QABot与TaskBot方式：

QABot：基于FAQ的检索式答疑，但只能被动回答；
TaskBot（SOP）：针对课程预约、退费咨询等常见流程，配置流程图节点，但僵化，易出现沟通断层。

然而，由于学生与家长的需求多种多样、对课程内容及价格的灵活沟通要求较高，传统方案容易“卡壳”。此时，大模型及RAG技术的出现为客服提供了新的思路。

3. 事件驱动与Agent模式的关键设计

（1）主动沟通机制

与许多客服只在用户发起提问时提供回答的被动模式不同，51Talk的AI客服会根据用户在平台上的关键事件（如刚注册成功、快开课却未登录、没有按时提交作业等）主动出击，发送提示或问候，引导用户进行下一步操作。

智能触达服务系统

事件来源：后端的教学系统、IM系统、学习行为日志；
触发逻辑：在DAG编排的流程中定义多种节点，若某条件满足就主动向用户推送信息并等待回复。

基于DAG的流程编排

（2）RAG应用

在用户咨询如“如何复习”、“课前准备”或课程细节时，AI客服可调用后端知识库进行RAG，并将结果拼接到Prompt中，让LLM在回答时有更丰富的上下文支撑。

知识库：包含历史人工会话记录、课程FAQ、运营文档；
向量检索：采用Milvus或其他向量库来匹配相似问题与答案，减少“幻觉”回答。

（3）人机协作

当系统信心不足或监控到用户可能情绪不满（通过文本或语音情绪识别）时，AI客服会自动邀请人工客服介入。同时，AI客服为人工客服提供了“话术推荐”功能，显著降低了人工回答的时间成本，使得人机协作效率达到最大化。

4. 技术架构与数据指标

在51Talk的方案中，“事件驱动感知器”是一个核心组件：

构建基于事件驱动的用户行为感知器

感知器：实时监听用户行为事件（注册登录、购买课程、上课出勤、作业提交等），与智能客服主流程做联动；

基于事件驱动的用户行为感知器

智能客服主流程：采用LangChain或Semantic Kernel等多种方式，进行CoT / ReAct式推理；
RAG检索：在Prompt中嵌入外部知识，提升答案准确率并降低幻觉；
监控与反馈：通过用户对话评价、人工客服的质检数据进行持续优化。

上线后，51Talk在某些核心业务场景下的“用户次日留存”与“课程预约率”得到明显提升；在客服环节，平均响应时长缩短了30%以上，人工成本也降低了20%-30%。

B. 出行服务案例：哈啰出行从Copilot到Agent的进阶之路

1. 业务发展阶段与AI需求

哈啰出行覆盖范围广，包括共享单车、打车、顺风车、租车、两轮换电等，背后有复杂的供需匹配与算法调度，对客服和营销策略的需求也很高。早期，他们主要使用类似“Copilot”的思路，用大模型给研发、运营、设计团队提供辅助，帮助他们提升效率。然而，当业务进一步扩张，需要更加自动化的流程执行时，就必然要把大模型升级为Agent，让它能“自主决策、主动行动”。

从GPT4-Turbo Demo -> 自研Finetune

2. Copilot模式：低门槛提升人效

在正式实现Agent前，哈啰出行经历了一个以“人机协作”为主的Copilot阶段：

研发Copilot（codeGPT）： 能够对哈啰内部代码做语义搜索、自动生成测试代码、辅助调试；

研发Copilot（codeGPT）

运营Copilot（知识库/客服助手）： 给运营人员提供图文创意、活动策划建议；也可在客服领域做话术推荐；

运营Copilot

设计Copilot（营销海报/短视频）： 运用Stable Diffusion/ControlNet等技术快速生成海报背景、文案，缩短人工设计周期并提高产能。

设计Copilot

该阶段已显著降低了人工的重复性劳动，但“大模型仅为工具”，依然依赖人来驱动流程。

3. 从Copilot到Agent的转型

哈啰意识到，如果能让模型自己调用业务API，并根据用户输入、业务事件自动执行与回调，就能实现更大的效率爆发。

哈啰Agent：赋能业务

智能客服机器人： 不仅做多轮对话，还要能查询用户订单信息、发放优惠券等复杂操作；

客服Agent：对话机器人

营销策略生成（AIGA）： 自动结合实时供需、库存、用户画像，生成精准的营销动作（如对某区域新客推送优惠券、针对老客发送激励短信等）。

AIGA：Item\Action\BidPrice\Strategy

在技术落地上，哈啰出行开发了Agent编排组件，结合自研大模型或开源模型（ChatGLM、Qwen、Llama2等），为每种业务场景定制Prompt与调用工具(Function Calling)。关键要点包括：

对模型进行Finetune： 针对客服、营销的语料进行监督微调，提升模型对哈啰业务语义的理解；
RAG增强： 对广义的业务知识库（包括订单信息、地理位置、用户历史、城市网格数据）进行检索；
多模态融合： 对骑行地图、轨迹日志、图像核查等进行解析，Agent可自动调用视觉模型或NLP模型做判断。

Jarvis-大模型平台

4. 模型选型与挑战

哈啰在实践中试用了多种基础模型：

ChatGLM2：显存占用小，可单卡微调；
Qwen-7B/14B/72B：阿里系模型在中文理解方面不错，但需量化加速；
Llama2：国际社区活跃度高，但中文语义仍需本地适配。

在正式部署Agent后，哈啰出行的客服机器人在对话解析准确率方面有了大幅增长；而营销AIGC也实现了千人千面的活动策划与文案生成，大幅度缩短了运营周期。

C. 内容平台案例：B站的RAG技术实践

1. 从“传统智能客服”到“大模型智能客服”转变

B站作为年轻人的聚集地，有大量的用户咨询需求，但很多问题并非简单FAQ能解决。例如UP主相关规则、番剧版权、稿件审核、活动投稿流程等都涉及非结构化的政策说明和历史运营记录。

传统客服：需要对每个任务、功能单独设计并维护模型；
RAG大模型客服：在统一框架下，用RAG来检索相关的海量文档，再结合大模型组织答案。

2. B站线上智能客服的拦截率对比

据其内部测算，使用RAG大模型后的客服“拦截率”（即无需人工介入的成功回答比例）显著提升。官方给出的对比数据显示，RAG组比基线组提升了不少，有些业务场景达到20%以上的提升。

3. RAG大模型客服框架

B站把整个客服系统分为三个关键模块：

领域知识库构建： 从业务知识、历史人工会话、FAQ等多来源采集，进行结构化或半结构化处理；
高效检索知识： 包括query改写（Re-writing、Step-back、Sub-query拆分）与检索重排（q-q搜索、q-a match）等；

如何高效检索知识

准确回答与安全落地： 利用通用大模型 + prompt工程或基于RAG进行微调。在实际落地中，B站更倾向微调RAG模型，因为可以更好地控制幻觉并提供拒答能力。

如何准确回答安全落地

4. 长文本与长尾问题

B站在应对长尾问题上，还尝试了“扩大上下文窗口”的方法，把大量的弱相关知识一并提供给模型，让用户可多轮交互来澄清问题。但这也带来了延迟和成本的上升。因此，他们也在探索精细化的检索策略。

RAG和⻓⽂本如何协同

5. 技术架构与未来展望

B站的客服系统未来会进一步融合多模态，比如识别截图、检索视频内容中的时间点等，让Agent的对话能力更具沉浸感。他们在研究通过Agent交互来调度不同模型，在社区内容管理、版权巡查、用户引导等领域取得更多突破。

关键技术对比与实践经验

1. 大模型基础技术：LLM、ChatGLM、Qwen等

在51Talk、哈啰出行、B站三家案例中，大模型均扮演了核心角色，但其选择与微调策略略有不同。

51Talk更看重在对话层面对大模型进行针对性Finetune，旨在提高客服场景的专业性和回答准确率；
哈啰出行因涉及多业务形态，需要支持客服、营销文案、语音交互、地理调度等多场景，故更倾向一个综合性大模型平台，并通过API + Agent的方式实现落地；
B站有深厚的技术研发能力，自研模型bilibili index并进行RAG微调，追求对自己领域内容的强掌控与安全审计。

2. RAG、CoT、ReAct等增强方法

RAG：
三家企业都有RAG的落地：51Talk在课程知识库检索；哈啰出行调用业务数据库或地理信息；B站针对海量视频、政策文档做RAG。这是解决大模型“幻觉”与业务知识不足的通用利器。
CoT：
引导大模型在回答前列出推理过程，便于后续可解释性与错误追踪。
ReAct：
让模型在推理过程中随时进行动作调用，比如调用Function进行数据库查询、调第三方API等。对Agent模式十分关键。51Talk利用ReAct来在对话中实时获取用户上课记录，哈啰与B站则在多模态处理和客服多轮交互中多次调用外部工具。

3. 人机协作与用户体验优化

51Talk：在用户情绪识别或高难度场景下，AI客服会请求人工协助，并提供可能的话术推荐；
哈啰：从Copilot开始就强调团队提效，Agent出现后也保留了人工兜底机制；
B站：RAG客服具备较高拦截率，但仍需人工做定期质检与监控，保证平台调性。

行业应用启示

1. 多智能体协作与长尾问题解决

随着多Agent框架与工具链的不断成熟（如LangChain Agents、Semantic Kernel、MiniMax等），一台机器便能模拟多个智能体在系统内共存、共享记忆、协同工作。类似于“斯坦福小镇”里的25个虚拟居民，企业可以在复杂场景下让客服Agent、营销Agent、策略Agent等彼此对话并相互协同。对在线教育的场景而言，多个Agent可分别负责课前准备、课中陪练、课后复盘等节点，真正实现教学流程闭环；对出行领域，可以把调度Agent、支付Agent、客户服务Agent集成在一起，实现自动化管理；对内容平台，可让审核Agent、推荐Agent、活动Agent共同维持社区生态。

2. 多模态增强

未来AI Agent将不止处理文本，而是可随时调用图像、音频、视频等多模态分析模块。想象一个场景：B站用户上传一段新视频时，Agent能读取视频元数据、识别画面内容，与用户对话核实版权，然后给出剪辑或配文建议。在线教育领域，如果能对学生的语音朗读做实时纠错与发音优化，对教学的辅助价值就更大了。

3. 行业案例的通用价值

51Talk的事件驱动与RAG客服设计对于其他在线教育平台或需要提升转化率的行业来说，具有普遍借鉴意义；哈啰出行的“Copilot -> Agent”演变，为拥有丰富业务链条的大中型企业提供了参考；B站对大模型安全与RAG知识检索的高标准，体现了内容平台在用户体验与内容合规上的创新点。这些不同领域的实践都证明了一个事实：只有与具体业务场景深度融合，AI Agent和大模型的价值才能真正落地。

实践与技术细节

1. 51Talk主要技术方案

主动沟通机制： 通过事件感知器+延迟消息调度（基于DAG）来触发AI客服主动与用户对话；
RAG检索： 使用向量检索（如Milvus）结合关键词检索，给大模型提供充分的课程资料；
人机协作： 与人工无缝配合，尤其是用户情绪识别和纠纷场景下；
数据效果： 预约率、出席率显著增长，客服平均响应时间缩短30%，人工成本减少20%-30%。

2. 哈啰出行的Agent模式与AIGC营销

Copilot模式： R&D助手、BI助手、设计助手等使内部团队迅速提效；
Agent模式： 让客服机器人能调API查看订单、管理优惠券；让营销Agent能自动生成触达策略和执行动作；
多模型选型： ChatGLM、Qwen、Llama2等开源或自研模型并行评测，使用量化或多卡加速技术；
挑战与对策： 幻觉问题、实时数据对接、语音识别与地理信息处理的多模态融合。

3. B站的RAG架构、知识检索与微调

知识库构建： 将业务知识、历史人工对话、FAQ等进行筛选、分块、向量化存储；
query改写技术： 包括Re-writing、Step-back、Sub-query切分；
RAG微调： 在原大模型基础上进行监督微调、加入思维链CoT和函数调用ReAct，显著降低幻觉并提高回答整合度；
业务指标： 智能客服拦截率提升20%；在答案准确度、拒答能力、用户满意度上均有明显改善。

4. 数据与成效

哈啰出行的数据： 效率提升、订单纠纷判责正确率、客服采纳率等都有显著提高；
B站的客服拦截率： 由传统基线上升20%左右；
51Talk的预约率和出席率： 提升幅度在10%-20%之间。

5. 实际代码或框架应用

LangChain： 提供了多种Agent模式、工具调用管理；
Semantic Kernel： 微软推出的多语言SDK，可使用Stepwise Plan等方式编排ReAct流程；
开源模型部署： ChatGLM2、Qwen、Llama2多平台对比实践；
向量数据库： Milvus、PGVector等在检索场景中的应用。

6. 横向对比与差异化亮点

相似技术： 大模型+RAG、多轮对话、Agent Function调用是三大案例的共同点；
差异化亮点：
- 51Talk：重点解决用户管理和主动触达；
- 哈啰：关注业务流程自动化和营销策略生成；
- B站：核心发力RAG检索和客服多轮对话，关注安全落地、长尾问题、长文本场景。

技术驱动业务突破，业务需求反哺技术迭代

“人机交互”正在向“多智能体协作”加速演变，相应的工具与方法（RAG、CoT、ReAct、多模态增强、微调、事件驱动等）正在不断完善。在下一阶段，更多企业将基于多智能体的协作框架，让一系列Agent同时管理客服、营销、运营、审计、推荐等模块，甚至让Agent之间互相“交谈”，从而形成一个更宏大、更逼近人类社会形态的自治系统。只有与业务场景深度绑定，AI才能真正焕发生命力。51Talk、哈啰出行、B站三个鲜活案例，反映了目前国内互联网企业在事件驱动客服、RAG知识增强、多模态应用、人机协作和Agent自动化执行等多层次技术的应用实践。我们看到不同业务场景如何在大模型时代迭代自我，利用AI加速业务增长、提升用户满意度、降低整体成本。

51Talk在客服体系中将“主动沟通”与“事件驱动”发挥到极致，既提升了用户的课程预约与出席率，也保证了多轮对话的流畅度；
哈啰出行在多业务形态下逐步从Copilot进化为Agent模式，让AI不再只是辅助，而是能实打实地执行业务任务，包括客服查询、营销策略生成等；
B站则通过领域RAG技术和强化模型，最大化利用自身庞大的内容资产，改善智能客服的精准度、拦截率以及用户体验。

在技术层面，三者都体现了大模型+RAG的组合思路，并在应用场景中引入CoT、ReAct等模型推理增强机制，辅以Function Calling和多模态组件，使Agent对业务需求做到又快又准。以后我们应该可以期待多Agent协作、长尾问题精细化处理、多模态融合（图文音视频）、强化学习与自适应进化等更深入、更全面的技术落地。

很多企业也许不具备BAT或大厂那样的算力与资源，但是可以在具体业务环节挖掘“智能化”切入点，打造强大的AI中台架构，让Agent真正为一线业务服务。当AI逐步渗透到各行各业最核心的“人货场”与“用户交互”环节时，我们每个人都将见证一场翻天覆地的智能浪潮。