Decagon 主动式智能体发布：用户记忆加外呼语音，AI 客服从应答走向主动服务

一句话结论

Decagon 在这支不到两分钟的发布视频里公布了 AI 客服的两个新能力：用户记忆（user memory）让智能体记住客户的偏好和历史对话，跨渠道不打断地接续上下文；外呼语音（outbound voice）让智能体在问题发生时主动打电话给客户，用双向对话当场给出解决方案——AI 客服的角色第一次从”等客户来问”扩展到”主动替客户着想”。

痛点开场：没人喜欢重复自己和等待

视频用一段自嘲式独白开场：“我爱重复自己，一遍又一遍地问我的订单在哪。等待音乐是我最喜欢的曲风。既然能永远等下去，为什么还要回呼？“——这组反讽句精准概括了传统客服的两大顽疾：客户每次接触都要从头交代背景，以及被动等待响应。

Decagon 的定位也随之亮出：他们构建的是 AI 礼宾服务（AI concierge），驱动超越单纯支持的客户体验——智能体处理复杂请求，并能在聊天、语音、邮件和短信渠道上替客户执行动作（takes action for you across chat, voice, email, and SMS）。

能力一：用户记忆，让对话不再从零开始

第一个发布的能力是用户记忆（user memory）。官方说明很直接：智能体记住客户偏好和对话历史，把关键上下文带在身上（carries key context forward），让交互不再重置（interactions don’t reset）。

视频给出的具体效果是：无论聊天中途掉线，还是客户几周后才再次来电，对话都能从上次停下的地方继续（pick up right where they left off）。对客服运营者来说，这意味着客户不需要再重复描述问题背景，智能体跨渠道共享同一份客户记忆。

能力二：外呼语音，智能体主动打电话

第二个能力是外呼语音（outbound voice）：智能体获得打电话给客户的能力和上下文，而且是一场双向对话（two-way conversation）——客户和智能体都可以提问、当场采取行动。

底层机制上，团队用智能体操作程序（agent operating procedures，AOP）以自然语言定义两件事：智能体什么时候外呼（when the agent reaches out），以及它能做什么（what it can do）。这套自然语言规则层让运营团队不需要写代码就能约束外呼的触发条件和权限边界。

完整演示：迟到的比赛日订单

视频用一段情景演示收尾，展示两个能力叠加后的体验：智能体外呼客户说”你好 Kyra，你的订单延迟了，我打电话来是给你几个选项。我记得你说过这双鞋是比赛日（race day）要用的，所以我可以安排连夜重发（reship overnight），这样行吗？“客户答复”可以，太棒了，谢谢！”

这个十几秒的演示浓缩了主动式服务的全部要素：智能体知道订单延误（事件触发外呼）、记得客户提过的使用场景（用户记忆）、给出了针对性的补救方案（连夜重发）、并当场确认执行（双向对话闭环）。

对经营者的参考价值

对正在评估 AI 客服方案的企业，这支视频给出了三个可对照的选型问题：其一，候选方案是否具备跨渠道的用户记忆，客户切换渠道时上下文是否随行；其二，能否用自然语言定义智能体的外呼时机与权限，而不是靠硬编码触发器；其三，外呼是否支持双向对话与当场执行动作，而不只是单向通知。AI 客服的竞争维度正在从”答得准”扩展到”记得住、想在前”。

怎么用这套能力：运营侧的落地步骤

对已经在使用或评估 Decagon 类 AI 客服平台的团队，视频透露的能力组合对应着一条清晰的运营落地路径。第一步是配置用户记忆的调用范围：确认智能体在客服工作流里能检索哪些历史对话与客户偏好字段，让每次应答自动带上上下文，这直接减少客户重复描述问题的次数。第二步是用自然语言编写外呼规则：在智能体操作程序里定义触发条件（如订单延迟、库存恢复、预约临近）和允许执行的动作清单（如改期、补偿、重发），无需代码即可上线一条主动服务流。第三步是测试与评估：上线前用真实历史对话测试记忆准确性，上线后检查外呼的接通率与当场解决率，按周迭代规则与话术。

这三个步骤对应的正是视频展示的能力分层：记忆层（知道客户是谁）、规则层（知道何时出手）、执行层（当场办完事）。企业选型时可以用这三层逐一对照候选产品，缺任何一层，主动式服务都会退化成单向通知。

原文信息

• 原视频标题：Introducing Proactive Agents (Decagon)
• 频道：Decagon AI
• 讲者：Decagon 官方
• 发布日期：2026-03-09
• 视频时长：约 2 分钟