本术语表旨在帮助采购方、运营人员和决策者掌握核心术语，以便有把握地评估智能体 AI 平台及合作伙伴，重点关注企业级就绪度、客户体验（CX）自动化和生产级部署。
智能体 AI 基础与核心概念
- 智能体 AI（Agentic AI） – 能够自主规划、决策并为实现目标而采取行动的 AI 系统，而非仅对提示词做出回应。在企业环境中，智能体 AI 将 LLM、工具（Actions）和企业知识（Knowledge）相结合，实现端到端工作流，Maven 平台即采用这一方式。
- AI 智能体 – 一种基于软件的实体，能够感知输入、基于上下文进行推理，并采取行动实现特定目标。与传统机器人不同，AI 智能体可以动态调整行为。
- 自主性 – AI 智能体在无需人工干预的情况下独立运行的程度。自主性越高，效率越高，但也需要更完善的治理和护栏。
- 目标导向行为 – 智能体围绕既定结果开展工作的能力，而非仅完成孤立任务。这使智能体能够跨系统智能地编排行动顺序。
- 多智能体系统（MAS） – 由多个 AI 智能体协作或协调以解决复杂问题的架构。MAS 设计可提升可扩展性和专业分工能力。
- 行动空间 – 智能体获准执行的全部行动集合。明确行动空间对安全性和可预测性至关重要。
- 策略 – 约束智能体如何决策和选择行动的一组规则。策略确保智能体符合业务与合规要求。
- 规划器 – 负责将高层目标拆解为可执行步骤的组件。规划能力使智能体能够处理复杂的多阶段工作流。
- 执行器 – 通过调用工具、API 或工作流来执行既定行动的组件。执行器将推理转化为实际成效。
- 推理引擎 – 评估上下文、约束条件和可选方案以确定下一步行动的逻辑层。强大的推理能力是智能体行为可靠的基础。
记忆、知识与上下文管理
- 记忆 – 使智能体能够长期保留和调取信息的存储机制。记忆让交互具备连续性、个性化和学习能力。
- 短期记忆 – 在单次交互或会话中保留的上下文，使智能体能够理解对话脉络和即时意图。
- 长期记忆 – 对事实、偏好和历史交互的持久化存储。长期记忆支持个性化服务和组织知识沉淀。
- 向量数据库 – 专为基于嵌入向量的相似度搜索而优化的数据库，常用于存储智能体的记忆和知识。
- 嵌入（Embeddings） – 以数值形式表示文本或数据、捕捉其语义的方法。嵌入使智能体能够高效检索相关信息。
- 检索增强生成（RAG） – 在生成回复前先检索相关企业知识、从而为 AI 输出提供依据的技术。Maven 采用检索模式，基于您的知识库生成有据可依的回答，知识库可来源于 Salesforce、Zendesk、Freshdesk、上传文件及抓取的 URL 等。
- 知识库 – 经过整理的企业内容集合，如常见问题、政策和文档。智能体依靠知识库给出有据可依的回复。
- 事实依据（Grounding） – 让智能体回复以经过验证的数据源为依据的做法。它可以减少幻觉、提升可靠性。
- 上下文窗口 – LLM 一次能够处理的信息量。管理好上下文窗口对性能和成本控制至关重要。
- 幻觉 – AI 模型生成错误或虚构信息的现象。企业级平台必须主动降低幻觉。
模型、提示词与工具
- 大语言模型（LLM） – 在海量文本语料上训练、用于理解和生成语言的模型。LLM 是许多智能体的推理核心。
- 基础模型 – 可适配多种下游任务的通用模型。基础模型为不同用例提供灵活性。
- 提示词工程 – 设计提示词以引导智能体行为和输出的方法。有效的提示词可提升一致性和可靠性。
- 系统提示词 – 定义智能体角色、语气、边界和目标的指令。系统提示词确保智能体行为符合预期。
- 工具调用 – 允许智能体调用外部工具、API 或系统来完成任务。工具调用让智能体能够付诸实际行动。
- 函数调用 – 模型以经过校验的输入调用预定义函数的结构化方式，可提升精确性和安全性。
- API 集成 – 将智能体与工单、计费或数据平台等企业系统连接。集成是实现规模化自动化的关键。
- CRM 集成 – 利用客户数据让智能体的行动更具个性化和情境化。CRM 集成对 CX 用例至关重要。
- 事件驱动架构 – 智能体响应事件或触发条件、而非静态请求的设计方式，可支持主动式自动化。
- 工作流自动化 – 无需人工干预地端到端执行业务流程。智能体工作流远超简单的基于规则的自动化。
编排、可靠性与规模化
- 编排 – 将多个智能体、工具和工作流协调为一个整体系统。Maven 客户借助编排将 Actions、Knowledge 和工作流串联为端到端的支持流程（参见 MavenAGI 真实客户案例）。
- 并发 – 同时运行多个智能体进程的能力。高业务量环境离不开并发能力。
- 延迟 – 智能体做出回应或采取行动所需的时间。低延迟对面向客户的用例至关重要。
- 吞吐量 – 智能体系统在一段时间内可处理的任务数量，反映系统的可扩展性。
- 可扩展性 – 在需求增长时保持性能和可靠性。企业级智能体必须能够可预期地扩展。
- 兜底策略 – 当智能体失败或置信度不足时预先设定的替代路径。兜底策略可保障客户体验。
- 升级路径 – 在需要时将问题转交给人工或专业智能体。有效的升级机制在自动化与信任之间取得平衡。
- 自愈 – 自动检测错误或故障并从中恢复，可提升系统韧性。
- 状态管理 – 跨交互追踪智能体的上下文和进度，确保服务的连续性。
- 会话管理 – 安全、高效地处理用户与智能体之间的单次交互。
治理、安全与合规
- 护栏（Guardrails） – 防止不安全、不合规或不当行为的约束。护栏由策略、约束和检查机制组成，确保智能体行为安全合规，尤其是在调用 Actions 或使用企业 Knowledge 时（参见 MavenAGI 的信任、安全与合规实践）。
- 人在回路（HITL） – 在智能体工作流中嵌入人工审核，常用于部署初期。
- 人在环上（Human-on-the-Loop） – 由人工监督智能体，仅在超出阈值时介入。这种方式在保留监督的同时实现规模化。
- 治理 – 确保智能体行为负责任的政策、控制措施和流程。治理是企业落地的关键。
- 合规 – 遵守监管、法律及组织标准。不同行业的合规要求各不相同。
- 数据隐私 – 保护智能体所使用的敏感客户数据和企业数据。必须从设计之初就考虑隐私保护。
- 安全 – 防范未经授权的访问、滥用或数据泄露的保护措施。安全是信任的基础。
- 访问控制 – 管理智能体的行动权限和数据访问权限。细粒度的控制可降低风险。
- 审计日志 – 记录智能体行动和决策且不可篡改的日志。可审计性有助于合规和问责。
- 可解释性 – 能够理解并说明智能体为何采取某项行动。
评估、优化与学习
- 可观测性 – 对智能体行为、决策和结果的全面洞察。可观测性是持续改进的前提。
- 遥测 – 智能体输出的运行数据，用于监控和分析，并为评估系统提供数据支持。
- 评估（Eval） – 衡量智能体的准确性、质量和业务影响。评估应持续进行，而非一次性完成。
- 基准测试 – 将智能体性能与基线或替代方案进行比较。基准测试为投资决策提供依据。
- A/B 测试 – 测试多个智能体版本以找出最佳表现，可降低风险。
- 反思 – 智能体评估并改进自身输出的能力，可增强稳健性。
- 反馈闭环 – 将用户或系统反馈纳入智能体的改进周期。
- 持续学习 – 随时间不断优化智能体行为，为长期价值提供支撑。
- 合成数据 – 用于测试或训练的人工生成数据，可减少对敏感数据的依赖。
- 仿真 – 在投入生产前，于受控环境中测试智能体行为。
CX、自动化与业务成果
- 对话式 AI – 通过自然语言与用户交互的智能体。对话式智能体是 CX 自动化的核心。
- 自然语言理解（NLU） – 识别用户意图、实体和上下文。NLU 是准确路由和解决问题的基础。
- 自然语言生成（NLG） – 生成连贯、接近人类表达的回复。NLG 直接影响用户感知的服务质量。
- 情绪分析 – 识别用户消息中的情绪倾向，为升级处理和个性化服务提供依据。
- 意图分类 – 将用户请求归入预定义的意图类别。意图识别的准确度决定解决率。
- 槽位填充 – 从非结构化输入中提取结构化信息，为自动化提供支持。
- 个性化 – 根据用户上下文和历史定制智能体行为。个性化可提升 CSAT。
- CX 自动化 – 借助智能体和工作流处理客户交互和后台任务，无需人工操作。在 Maven 中，CX 自动化由 Maven 平台驱动，智能体使用 Actions 和 Knowledge 解决会话问题，并与 CRM、服务台等系统集成。
- 自主解决 – 在无人参与的情况下完成客户任务，可降低服务成本。
- 工单分流（Case Deflection） – 在不创建支持工单的情况下解决问题，可提升运营效率。
指标、ROI 与采购考量
- 首次联系解决率（FCR） – 在单次交互中解决客户问题的比例。FCR 是关键的 CX 指标。
- CSAT – 客户满意度评分，衡量客户感知的体验质量。
- 净推荐值（NPS） – 反映客户忠诚度和推荐意愿的指标。
- ROI – 智能体 AI 投资带来的财务回报。证明 ROI 是规模化推广的关键。
- 价值实现时间（TTV） – 企业从部署中获得收益的速度。
- 成本优化 – 管理算力、工具和模型成本。成本控制是可持续发展的保障。
- Token 管理 – 控制 LLM 的输入和输出用量。Token 使用效率直接影响成本。
- 采用指标 – 追踪各团队或客户对智能体的使用和参与情况。
- 变革管理 – 让人员和流程为采用智能体做好准备。变革管理可减少阻力。
- 赋能 – 培训团队高效地使用智能体系统。
平台战略与企业级就绪度
- 智能体框架 – 用于构建和管理智能体的软件框架。框架的选择影响灵活性。
- 平台化路线 – 统一采用单一系统来部署、监控和治理智能体，而非拼凑多个单点工具。Maven 正是采用这一模式，其平台统一整合了 Knowledge、Actions、质量控制和 Insights。
- 最佳组合（Best-of-Breed） – 组合多个专业工具而非采用单一平台。这种方式更灵活，但也更复杂。
- 互操作性 – 智能体跨系统、跨供应商协同工作的能力。
- 供应商锁定 – 对单一技术供应商的依赖。采购方应评估退出策略。
- 开放标准 – 支持可移植性和集成的通用协议。
- 路线图 – 智能体能力和功能的规划演进方向。
- 概念验证（POC） – 在规模化推广前用于验证价值的有限范围部署。
- 生产就绪 – 正式上线环境所需的稳定性、安全性和可扩展性。
- 企业级 – 满足可靠性、治理、安全和规模化要求，使智能体能够在生产环境中安全运行。Maven 专为企业级部署而设计，提供深度集成、分析能力以及对 Actions 和 Knowledge 的管控（参见 MavenAGI 真实客户案例）。
高级智能体能力
- 主动性 – 智能体在没有明确提示的情况下主动发起行动。主动式智能体可带来新的效率提升。
- 推荐引擎 – 基于上下文和数据推荐下一步最佳行动。
- 决策支持 – 为人工提供洞察支持，最终决策仍由人做出。
- 情境感知 – 理解原始输入之外的情境细节。
- 置信度评分 – 评估智能体输出的可靠程度。
- 成熟度模型 – 描述智能体能力发展阶段的框架。
- 自建还是采购 – 评估是自行构建定制智能体还是采用现成平台。
- 知识依据策略 – 确保事实准确性的系统化方法。
- 运营型 AI – 直接嵌入实际业务流程的 AI。
- 自主型企业 – 在护栏范围内由智能体承担大部分可重复的运营和工作流，而人员专注于判断、关系维护和例外情况的组织。在 Maven 中，这体现为人与智能体组成的混合团队，而非纯 AI 运营。
用您自己的对话来验证。
申请免费的个性化演示。
