GlossGenius 用 Duet 让单人团队维护完整 AI 客服：税务问题解决率从 0 到 100%，邮件分流率提升 5%

AI小蝌蚪AI 前沿2026-09-18500 阅读💛 158 收藏

一句话结论

小型客服团队维护生产级 AI 智能体最大的成本不是上线，而是日常迭代——GlossGenius 用 Decagon Duet 把”读对话、找缺口、改逻辑、再测试”整个反馈循环交给 AI 伙伴执行，一个人就能维护并持续扩展覆盖全量邮件的 AI 客服，税务类问题从默认转人工改为自动生成专属处理流程后解决率从 0 提到 100%，邮件分流率提升约 5%。

背景：人工客服流程随规模增长失控

GlossGenius 是面向健康与美容行业小企业的一体化经营平台，客户通过电话、邮件、短信进线。在引入 Decagon 之前，客服完全依赖人工：坐席需要培训、查资料，再逐条响应。Adam 负责 GlossGenius 的客户体验业务运营团队，他描述当时的核心矛盾是”规模”——公司业务增长，对支持人力的依赖同步增长，除非有办法”更快回答更多客户的问题”。

这个背景对本站读者的直接参考点是：AI 客服的采购理由不是技术尝鲜，而是人力随业务线性增长的结构性矛盾。判断一个 AI 客服平台是否适合自己，先看它能否把”进线量增长”与”人力增长”脱钩。

GlossGenius 与 Decagon 团队对谈现场：AI 客服运营经验的完整复盘

Duet 之前：手工反馈循环的天花板

上线 Decagon AI 客服后，GlossGenius 团队仍然要在平台外部手工搭一套反馈流程：把 Decagon 里的对话导出，自己用 AI 分析客户意图和缺口，猜测 AOP（Agent Operating Procedure，智能体操作流程）或工具配置哪里有问题，改完再测试，靠反复试错逼近预期结果。

Adam 直言这套手工循环的两个痛点：第一，分析靠猜——看到某个回复不对，但不知道是哪段 AOP 逻辑或哪个工具配置在驱动这个行为；第二，迭代慢——因为改一次成本高，团队被迫追求”一次改对”，而不是快速试错。

Duet 的价值正好卡在这两个痛点上：因为 Duet 与 Decagon 平台同源，它”本能地知道”哪段 AOP 或哪个工具需要改，不仅能指出缺口，还能直接定位到该改的位置并给出修改方案。

自动闭环：Duet 如何替代手工分析

现在 GlossGenius 的日常迭代流程是：Duet 自动分析生产对话，识别客户意图与对话缺口，直接生成修改建议，Adam 审核后一键应用到对应分支。原来”导出对话、外部 AI 分析、人工猜测、手工修改”的四步流程，压缩成”AI 定位问题、人审批”两步。

对谈中段：Duet 自动分析对话并定位需要修改的 AOP 逻辑

一个具体例子是税务问题处理。税务咨询极度敏感，上线初期团队不确定 AI 该如何应对，于是默认策略是全部转人工。用 Duet 之后，Adam 让它分析税务问题的实际内容，Duet 检索 GlossGenius 知识库后自动生成了一套完整的税务 AOP，Adam 审核后立即启用——“一次提示词”就让一类原本完全不做尝试的工单实现 AI 自主解决。

Adam 给出量化结果：税务问题在第一季度是 GlossGenius 第三大邮件类别，约占全部邮件 5%；新 AOP 上线后，这 5% 的邮件即时由 AI 直接回答，“用很小的 effort 把分流率提高了 5%”。

值得注意的是这类改进的可行性判断方法：税务问题的默认策略是”全量转人工”，这不是设计失误而是合理的冷启动保守策略——对不确定能否可靠回答的问题，先让 AI 明确说”这需要人工”，再逐步把确认可以自动化的部分交还给 AI。Duet 的作用是把”逐步交还”的调研与起草成本降到接近零，让保守策略不再永久化。

另一个被替代的手工环节是内部 SQL 分析。Adam 之前的做法是自己写 SQL 把对话拉到工作表里，再让一个不掌握业务上下文的大模型逐条猜意图、找缺口；因为 Duet 与 Decagon 共享平台内的知识库与跨工单趋势数据，它能直接给出”更具体、可立即行动”的缺口清单，而不是让一个不了解目标的模型对冷邮件数据给泛泛建议。这个对比揭示了一个选型判断标准：分析工具的价值不在”能不能跑大模型”，而在模型能否拿到你业务的全量上下文。

从”信息助手”到”执行伙伴”的使用演进

Adam 描述了 Duet 使用方式的三个阶段，对准备引入同类工具的团队有直接借鉴意义：

第一阶段，把 Duet 当产品百科用——问”watchtower 功能怎么配”这类操作问题，回答有价值但不解决执行负担，“onus（责任）仍在我身上”。

第二阶段，用 Duet 加速测试循环——原来追求一次改对，现在改成小步快跑：改一点、测一下、再改。因为 Duet 能在几秒内把修改应用到测试分支，试错成本趋近于零，Adam 反而更快拿到想要的结果。他特别喜欢”一键接受修改”功能：早期 Duet 只能给出建议文本，需要人工复制粘贴进 AOP 编辑器，“有时粘贴得还不完美”；现在 Duet 可以直接在不同分支上应用变更，点击一次就进入测试。这个细节值得选型时留意——建议生成与建议落地之间的距离，决定了 AI 助手是”顾问”还是”执行者”。

第三阶段，把它扩展到客服之外——GlossGenius 正在把 Decagon 的能力引入增长与客户引导（onboarding）场景：面向不熟悉技术的小企业主，用 AI 在关键触点上主动讲解产品价值、引导他们走完核心功能路径，把客服从”被动答疑”升级为”主动教练”。Adam 解释了为什么客户引导是 GlossGenius 的优先扩展方向：平台的最终用户是美业小店店主，他们的主业是经营门店，不是研究软件；AI 引导的价值是陪着他们把产品用出效果，而不是等他们卡住了再来提问。

Adam 还提到个性化欢迎语的价值：对重复进线的客户，AI 用”上次您咨询的是注册流程问题，这次还继续吗？“开场，客户感受到被记住，对品牌的信任度随之提升。

对谈尾声：AI 能力从客服场景向客户引导与增长场景扩展

内部推广：把客服 AI 当示范项目

Adam 已成为 GlossGenius 内部的 AI 推广节点。他的推广逻辑是：Decagon 本质是客户交互平台，不限于客服——客户在哪里，AI 触点就该在哪里。他的做法是把客服场景跑通的真实案例展示给其他团队，让增长、引导等团队直接复用同一套平台能力。

这个打法值得中小企业直接抄：AI 落地不从”全公司转型”起步，而是找一个高频、可量化、容错空间大的场景（客服）先跑出硬指标，再横向复制到相邻场景。

闪电问答环节的三个细节

视频结尾的快问快答给出三个可直接引用的事实：第一，Adam 最喜欢的 Decagon 功能是工具（tools）体系，因为它让智能体在恰当时刻调用恰好需要的能力，这是他在其他平台没见过的灵活度；第二，GlossGenius 大量使用 Anthropic 的 Claude 模型，“对我们做的事极其强大”；第三，上线 Decagon Voice（AI 语音）作为客服线路的非工作时间选项的第一天，就有客户与 AI 连续对话 9 分钟并解决了问题。