深有体会
其实我的理解是一般小公司其实对客服要求没那么高，如果对客服要求高的，coze也没有什么问题，不确定性本质上也是一种风险，
一个人工客服，北上广8k–12k/月，二线城市5k–8k/月，还得加培训、设备、租场地等成本。
而生成式 AI 客服，基础年费几百到几千，API 调用后每次才花 3–35 元，单次成本低了好几个数量级。而且24h全天在线、无加班假期费。客服肯定是大需求，小企业的走向其实就是模仿大企业
佬，前端怎么调用多个智能体，有详细说明吗？具体看哪里
不需要前端调用啊，前端就是一个对话框，全部都是agent自己处理
前端怎么选对的agent，根据关键词吗？
感谢分享！
我这个是python项目呢，我知道你的意思，开发AI主要是python和react，react前端有自己的玩法，我不懂，我觉得它有它的玩法。而我主要关注Python的生态。前端什么都不需要管逻辑，就是一个对话框，没了。 python后端处理所有。
这个厉害啊
python后端处理所有类似coze，dify的知识库和插件，工作流功能，都是依赖open ai 的AGENT么?这里是要先上open ai 建立一个什么程度的agent？
佬，这个场景，不知用mcp client+mcp server是不是会是更好的方案？这样直接让LLM去选择相应的工具去执行就行。
之前用coze结果几个单子，我觉得你展示的这些功能就是知识库查询，商品查询等等，coze其实不用工作流也能实现，只要把知识库和商品的信息关联到智能体，也可以查询得到，只不过使用工作流的话输出会更加可控
mcp, 我相信它是未来。只不过我基本上不用它，我知道它是什么。同时其实我那个的库是兼容mcp。 mcp的本质是给第三方官方提供出来的，而不是让自己开发mcp。因为毫无必要。客服的内容客服的api是你自己提供的，又不是提供给别人，而且不是提供给大量的别人，那么没有必要现在搞mcp。 函数-》api->mcp， 一层一层的困难，最简单就是函数， 我这个就是最简单的函数。我认为这才是合适的。也许不是最好的，但是普通人就是普通方法。
1，我这个目的就是不是知识库和查询，是工作，例如收集用户信息，下单等等。 2，我这个其实就不是workflow不是工作流，根本没有写任何工作流的东西。而是agentic agent。我意思是这个方向更合适。
各种各样的agent都可以试试，只不过我看了大部分的他们，觉得他们完全错误方向。只有openai的agent 我觉得是对的方向。这个只能是经验之谈。
学习了，收藏一下！
先收藏，工作流主打的一个确定性高，过程可控。纯AI自主调用是未来趋势，当下得测试效果才行。
做客服有很多细节要把控，比如，响应速度！如果现做意图识别，在调用，就请求AI两次了，时间就长了，还有电商客服得打通拼多多，淘宝，京东，抖音等电商平台。如果客服比较多，还要有考核指标。
1 个赞
佬的想法不错，拆解业务和行文值得学习。
刚学习了下agentic AI，其实就是多个agent的协作。
coze的多agent协作或佬哥的方式差不多，区别是佬哥把工作流的配置用python代码实现。
个人觉得，客服是否显得智能，其实都绕不开对用户输入的意图识别，配置各种条件是为了调用正确确保输出可控，而目前的AI幻觉，感觉让AI内部解决识别和调用问题，也还是无法保证100%输出准确。
AI幻觉， 我觉得是一个虚假命题，我不想讨论这事是否存在，难道人类思考是完全准确的吗，更幻觉。 同时，我觉得你理解的客服不正确，除非你做一个真正可用的客服才知道什么叫客服。 要和真实的人一样的才叫客服，多agent协作又是一个虚假概念，都不知道实际是什么意思。我的意见就是，不要基于AI去思考客服，客服就是搞成类似人那样的客服，人可以做什么，AI客服就要做什么。然后看看coze能不能，不是不能，而且非常非常复杂。普通人完全搞不定。所以我介绍一个简单办法，抛砖引玉而已
佬哥不着急，可能是我表达方式问题，没有说你的就不好，只是纯技术上的比较。佬哥的方法是个很好的尝试，在低代码平台上配很多流程还不如直接代码来得快，对吧。
幻觉这些是没有什么讨论的必要。至于客服，如果真要做一个智能客服，还是个“可控”的智能客服，我觉得用“和真实的人一样的才叫客服”这种描述相比，还可以定义得更明确一点。当然我也没啥研究，下面更多是学习和探讨。
把AI做成像人一样这个很抽象不好量化，个人觉得，客服是针对用户抛出的某个或某类“需解决的问题”，提供一个“切实可行的方案”。那做某个领域的智能客服，就是要把这个领域的业务问题全面完整地分类，对不同类型的问题设计相应解决方案，理解用户问的哪一类问题从而调用某类agent进行处理或回复。对于非领域内模糊的问题嘛，可以考虑走个其他或人工路径来处理。