PolyAI给Smart Analyst加上深度采样：一次提问让子智能体分析500通客服录音

一句话结论

PolyAI 的 Smart Analyst 产品创造者之一 Greg Janota 在这支 94 秒演示片里展示了新能力 Deep Sampling（深度采样）：用一句自然语言提问，系统自动启动多个子智能体并行分析数百通客户对话录音，几分钟后输出真正有依据的洞察和模式，而不是靠人工抽听录音或凭个案反馈拍脑袋。演示用的银行场景给出了具体数字——分析 500 通电话后发现，约 50% 的来电是账户数据不显示，另有约 20% 的客户卡在登录环节。对每天面对海量客服录音却只抽检一小部分的运营团队，这条”提问—并行分析—出结论—改配置”的闭环值得照抄。

智能体分析智能体：解决录音洞察的取用难题

演示开宗明义：当你每天处理数百万通客户对话时，洞察就藏在这些录音里，难的不是没有数据，而是取不出来。过去客服运营做质量分析，要么人工抽听转写文本，要么靠一线反馈的个案印象，样本小、成本高、结论慢。Smart Analyst 的定位就是 PolyAI 的对话分析智能体，帮你从自己的录音数据里挖出改进业务和客户体验的依据。Deep Sampling 是它的新增能力：一次提问后，系统派出多个子智能体并行处理，从数百通录音里同时提取细微洞察和共性模式。

银行示例：从提问到可执行建议的完整链路

Greg 用一个银行场景演示了完整操作路径。假设你在银行负责智能客服，客户经常打电话找 PolyAI 语音智能体排查手机银行 App 的问题，你要确认智能体能答上所有问题、并把 App 缺陷 surfaced 给工程团队——这时只需要把这个问题原样写给 Smart Analyst：

系统花了约几分钟分析 500 通对话，返回的结果是：约 50% 的来电涉及账户数据不显示，另外约 20% 的客户在登录环节遇到困难。这些数字直接指向两个改进抓手——App 侧的缺陷优先级，和智能体侧的应答覆盖面。

结论直接落回智能体配置

Deep Sampling 的最后一步不是出报告就结束。Smart Analyst 会基于分析结果生成改进建议，你可以在 PolyAI 的 Agent Studio——他们构建全渠道智能体的平台——里直接编辑智能体配置，把建议落成新的应答逻辑，形成”发现问题—修改配置—验证效果”的闭环。

适配提示

• 操作路径：整个流程对用户的要求只有两步——用自然语言提问、按建议改配置。没有 SQL、没有标注、没有报表工程，客服运营人员自己就能跑完。
• 选型判断：如果你的语音智能体平台只能接电话不能分析录音，改进就只能靠外部质检团队抽样；Smart Analyst 这类”运行时+分析器”一体的方案，把质检闭环内置了。
• 验证方法：按官方演示，先拿一个具体业务问题（如”哪些来电诉求没被解决”）测一次，看出数速度和结论颗粒度，再决定是否纳入常规运营节奏。

原文信息

• 原视频标题：How PolyAI’s Deep Sampling powers data driven decisions for global enterprises
• 频道：PolyAI（官方）
• 讲者：Greg Janota（Smart Analyst 创造者之一）
• 发布日期：2026-04-21
• 视频时长：1 分 34 秒