Sierra Explorer 智能体优化智能体：拿自然语言问对话数据找根因，上线前先验证假设，NPS 回升有据可查

一句话结论

做过智能体的人都知道，难的不是上线，而是上线之后持续搞清楚「它为什么这样表现」并改进。Explorer 就是 Sierra 的「智能体优化智能体」：你用自然语言对客户对话提问，它做研究给出根因和修法，配合构建智能体的 Ghostwriter 形成闭环。

用 AI 优化 AI

Explorer 与负责搭建智能体的 Ghostwriter 协同工作：主动告诉你哪里需要修、怎么修。可以把它理解成「对客户对话做深度研究」——类似 ChatGPT Deep Research，但研究对象不是互联网，而是你的客户对话。自去年发布以来，每周数百家企业在用，包括 ADT、DIRECTV 这样的品牌。

诊断表现背后的驱动因素

指标告诉你「发生了什么」，Explorer 告诉你「为什么」——它会提示你可能没想到要问的问题：

• 客户最沮丧而智能体没解决的是什么？把对话数据导入 Explorer 检查，相当于用 AI 对客服对话做自动化根因诊断。

• 上周新上的订阅套餐，会员在哪些地方犯迷糊？

• 这周退订涨了——什么变了？

一个全球运动服饰品牌发现 NPS 下滑却定位不到原因。一个 Explorer 会话里，他们发现智能体在处理某个关键客户交互时过于激进——这个细节埋在数千段对话里，任何仪表盘都看不见。Explorer 找到它并给出精确修法，调整后 NPS 回升。

在 ADT 数十万段对话的规模上，人工质量检查不可能完成。ADT 团队评价：Explorer 的深度研究让他们发现了此前不可见的性能向量，把「识别问题」推进到「战略性提升拦截率和客户体验」。

上线之前先验证假设

改进客户体验需要持续实验。Explorer 帮你确认哪些想法值得加倍投入，你可以问：

• 上周试点的退货流程，要不要推给更多客户？让智能体评估真实对话数据后再决定，能避免凭感觉配置工作流。

• 想优化新客引导，先聚焦哪个客群？

• 故障排查类会话变多了——只出现在移动端还是全渠道都有？

一家全国住宅建筑公司的客户体验团队怀疑：客户流失是因为智能体没按购买阶段个性化回复。在投入资源改造前，他们把假设直接交给 Explorer——让它按客群和购买阶段分析对话。一个会话内，他们弄清了假设哪些部分成立、哪些不成立，带着把握而不是猜测进入下一个迭代。

DIRECTV 的团队则用它把数据挖掘压缩成一句话提问，快速看到问题在哪、该聚焦什么、哪个动作影响最大。

预判接下来会发生什么

最有价值的洞察不总是关于已发生的事，而是即将发生什么。团队的典型问法：

• 上个季客户要了什么我们没准备好的？

• 按今年流量走势，假日季哪类客户问题会激增？

• 给智能体加什么能力对客户满意度提升最大？

一家头部健康险公司面对开放投保季，没等话务量暴涨才反应——用 Explorer 提前挖出去年客户问过什么，在投保开始前自动更新智能体知识库，第一天起就压低了转人工量。

常驻后台，持续改进

除了你主动提出的深度分析问题，Explorer 在后台持续扫描每一段客户对话，确保最重要的信号总能触达。每周交付一份简报：什么变了、为什么、哪些建议可以配合 Ghostwriter 一键落地。

把持续改进压成一个循环

旧模式是「理解→排期→构建→等待」。Explorer 和 Ghostwriter 把它折叠成一个循环——每一段客户对话都变成更好的智能体体验，持续且自动。这就是 AI 优化 AI 的样子。

落地参考

运营对话式智能体的团队可以直接套用这三类提问框架：诊断类（NPS/退订涨了什么变了）、验证类（这个改进假设值不值得做）、预判类（下个旺季该准备什么）。配置使用流程时，建议先从最近一周的客户对话里挑一个未解之谜交给 Explorer 式分析跑通链路，再固定每周简报的指标口径，最后把高频根因与 Ghostwriter 式修复动作配对——这样分析结果不会停留在报告里，而是直接变成智能体改进。

原文信息

• 作者：Vijay Iyengar（Sierra）

• 发布时间：2026-04-01

• 原文标题：Explorer: The agent-optimizing agent

原文地址：