Decagon：用 AI Agent 解放客服团队，能否成为下一个独角兽？

01.

Decagon：用 AI Agent 重塑客户服务

Decagon 的创立：

不能过度思考，而应该迅速行动 

Jesse Zhang 从小就展现出对数学的浓厚兴趣，他在 Boulder 长大，从小参加数学竞赛，后来在哈佛大学学习计算机科学。毕业后，他创立了第一家公司 Lowkey ，该公司最终被 Niantic 收购。从这次经历中，Jesse 认识到不能过度思考，而应该迅速行动。他与 Ashwin 共同创立了 Decagon，专注于 AI Agent 领域，并迅速开始了商业探索。

Decagon 的对于创业方向的选择并非一蹴而就。起初，创始团队也在思考 AI Agent 的最佳应用场景。他们意识到，并非所有领域都适合快速部署 AI Agent。通过市场调研和客户访谈，Decagon 发现了目前 AI Agent 的能力并不适配两个场景：

1） 需要高初始精度的场景：在某些领域，比如安全，容错空间几乎不存在。这些场景需要 Agent 从一开始就表现出极高的准确性。以安全信息管理系统（SIMs）为例，虽然有大量日志数据，非常适合 AI 模型处理，但其工作目标是捕捉每一个小的异常事件。可是，现在的AI模型有时候会出错，因此客户很难完全信任 AI Agent。在这些场景，AI Agent用得很慢。

2）难以量化 ROI 的场景：有一些领域，表面上看似非常适合 AI Agent，但难以明确量化 ROI。比如，很多“文本转 SQL ”的公司做的演示看起来不错，但仍需要人工监督和调整。AI Agent 更像是一个 co-pilot，而非独立的解决方案。对于大多数企业来说，需要人工干预的 AI Agent 难以证明其 ROI，公司很难为这样的 AI Agent 签订大额合同。

通过不断探索，Decagon 团队逐渐明确了成功的 AI Agent 用例需要具备两个关键特质：

1）可逐步推广性：成功的 AI Agent 应用不应追求一步到位，而应支持逐步推广和迭代优化。即使 AI Agent 在初期只能完成部分任务，也应该能够立即为客户创造实际价值。例如，Coding Agent 可以先承担部分编码任务，显著减轻人类开发者的负担。

2）有明确的 ROI：能够清晰量化 ROI 是关键。在客户服务领域，存在着大量可跟踪的明确指标，例如对话解决率、客户满意度等。这些指标使得 AI Agent 的价值能够得到有效的衡量和证明。

在此过程中，Decagon与Rippling、Notion、Eventbrite、Vanta和Substack等多家潜在客户进行了深入交流，逐渐确定了主要用例——客服领域。在初期，Decagon并没有刻意强调宏大的愿景，而是专注于如何打造让客户真正喜爱和满意的产品。

Decagon 的差异化优势：

透明与可观测

Decagon 的核心优势在于其 AI Agent 的高透明度和应用效果的可观测性。

对于大型企业来说，确保 AI Agent 不是一个“黑箱”至关重要。Decagon 的平台能够清晰地展示 AI Agent 的每一个决策过程，包括使用了哪些数据、如何生成答案等。这种高度的透明性显著提升了客户的信任度。

此外，在客服领域，自动化软件的效果通常是可量化的，客户会用一些明确的指标来评估 Agent 的表现，比如 AI Agent 与人工相比的效果、节省的成本，以及客户体验的质量提升等等。这种可量化的特性使得客户可以先在小范围内试用 Decagon 的 AI Agent ，然后再逐步扩大应用规模。

尽管客户服务领域的竞争异常激烈，客户通常会同时试用多家不同的 AI Agent 产品进行比较，并基于具体的数据（例如指标的优劣、代理的效果等）进行最终评估。目前，Decagon 凭借其高透明度和效果的可观测性，在客户的评估中表现出色。例如，多邻国在 2024 年 8 月对 Decagon 进行了一个月的测试后就决定正式采用其 AI Agent，并迅速实现了 80% 的对话解决率。

Decagon 与 Built Rewards 进行了一项大型案例研究。Built Rewards 拥有庞大的用户群体，用户可以通过其平台赚取积分或进行支付。由于用户基数增长迅速，客服需求呈指数级增长。在使用 Decagon 之前，Built Rewards 的客服团队面临巨大的工作量。采用 Decagon 后的一个月内，AI Agent 接管了大部分自动化工作。不到一年时间，Built Rewards 节省了约 65 个人工客服的成本。        

Decagon的技术架构：

协调层与定制化模型

Decagon 将自己定位为一家软件公司，尽管频繁调用 GPT-4、Claude 等 AI 基础模型，但这些模型只是工具。Decagon 的独特价值在于基础模型之上的内容，包括协调层（orchestration layer）和围绕核心 AI Agent 开发的其他功能。协调层决定了 AI Agent 如何混合使用不同的 AI 模型，并围绕客户的业务逻辑进行工作。此外，Decagon 还开发了透明度工具和分析功能，帮助客户了解 Agent 使用的数据和执行的步骤，并自动分析海量客服对话。

对于不同的 AI Agent，协调层可能差别很大，客服 Agent 与 Coding Agent 的协调逻辑就非常不同。但归根结底，各种协调层都是在 LLM 之上构建的一种结构化系统。Decagon 非常注重协调层，因为它决定了 AI Agent 将如何混合使用不同的 AI 模型。Decagon 设置了评价机制来衡量每个模型在特定客服任务中的表现，以此决定如何将这些模型整合起来，使其能够围绕客户的业务逻辑进行工作。

Modern AI Stack

除了协调层，Decagon 还围绕 AI Agent 构建了一些其他的客服软件功能。例如，Decagon 开发了一个透明度工具，能让客户了解 Agent 所使用的数据和执行的步骤，这也保证了 AI Agent 不再只是一个只会回答问题的“黑箱”。此外，当面对海量的客服对话时，手动查看所有内容是难以实现的。因此，Decagon 还设计了一个分析功能，可以让 AI Agent 能够自动分析对话，并生成需要关注的客服问题类别和趋势报告。

Decagon AI Agent Engine

创始人 Jesse 的"数学基因"与社区文化

如今，AI 领域有许多公司是由具有数学竞赛背景的人创立的，比如 Braintrust、Pika AI 和 Cognition 的创始团队。主要原因有二：首先，过去几年内，大量聪明且才华横溢的人涌入创业市场，创业对他们来说比传统学术或量化交易更具吸引力；其次，数学竞赛历史悠久，形成了一个能让聪明孩子相互认识并建立联系的社区文化。Jesse 在高中时期就参加过多项数学竞赛和学术项目，包括美国数学奥林匹克项目（MOP）、Intel STS 决赛 SPARC 以及美国计算机奥林匹克竞赛（USACO）。

在创业过程中，这些背景相似的人们会彼此支持。Jesse 个人也投资了许多 AI 初创公司的创始人，而他们中的许多人也是 Decagon 的天使投资人。这种支持大多是非正式的，更像是朋友间的互相帮助。此外，创建企业需要考虑招聘、销售、产品构建和薪酬结构等诸多问题，因此他人经验作为参考非常有帮助。

这种数学竞赛背景也影响了 Decagon 的人才画像。Decagon 的团队中也有许多人有数学竞赛或编程竞赛的背景。Decagon 会不定期举办数学竞赛或类似活动，并将这些活动当作吸引人才的重要途径。

02.

AI Agent 怎么走向真正的智能化？

Klarna（一家瑞典先付后买公司）的 CEO Sebastian Siemiatkowski 在 X 平台上分享了他们使用AI Agent的显著成效：短短四周内，AI Agent 处理了 230 万次客户对话，客户满意度与人工客服不相上下。更重要的是，AI Agent将重复性问题减少了 25%，平均问题解决时间从 11 分钟大幅缩短至 2 分钟。此外，AI Agent 还能提供 24/7 全天候服务，覆盖 23 个市场和 35 种语言，极大地提升了运营效率。通过部署 AI Agent，Clara 得以将 700 名全职客服人员重新分配到其他更具价值的工作岗位。

Clara 的出色案例为整个客服行业使用 AI Agent 带来了很大的推动力。对于 Decagon 的客户来说，他们通常最关注以下两点：

1）工作量的减少：AI Agent 能够完成多少对话和任务，从而为客户节省了多少时间和资源。

2）客户满意度的提升：主要通过客户满意度得分（CSAT）和净推荐值（NPS）来衡量。当然，也会有一些客户非常重视 AI Agent 回答的准确性，尤其是受监管行业内的客户。

Voice Agent 的延迟问题

语音支持是客户服务中至关重要的一环。人们对 AI 模型的主流讨论依旧围绕 text，text-to-speech、理解语音和通过音频进行响应的能力似乎被低估了。像 11 Labs、OpenAI、Google 等公司开始提供这类服务和 API。Decagon 同样推出了语音支持功能，现有客户也在试用他们的 Voice Agent。Jesse 认为，对客户而言，沟通渠道的选择因人而异：有些人喜欢语音通话，有些人则更喜欢聊天、邮件或短信。因此，覆盖所有渠道至关重要。

Decagon 最初选择从文本 Agent 入手，因为文本渠道相对简单，也更容易进行效果评估。然而，现在行业正进入一个新的阶段，有一些大公司对 Voice Agent 非常感兴趣，他们认为“既然 Text Agent 效果很好，那么生成语音并用于电话支持应该也能达到同样的效果”。今年许多模型公司在语音技术方面取得了巨大进展，尤其是语音的真实感上。Decagon 正与 11 Labs、OpenAI 和Google 等公司紧密合作，探索如何大规模构建这些语音系统。

延迟也是非常关键的一个指标，特别是在电话交谈时，用户会期待非常流畅的对话体验，不能有明显的延迟。目前，语音模型在处理流程中——从捕获用户语音、将其转换为文本、输入语言模型处理，再到生成语音输出——不可避免地会产生一定的延迟，导致用户感到停顿或等待。许多公司正在努力解决这个问题，例如通过流式处理（streaming）技术来缩短延迟。

Decagon 正在尝试使用 voice-to-voice 模型。OpenAI在这方面进行了大量研究。这类模型的延迟表现通常较好，但在某些情况下，例如需要获取外部数据或进行多次模型调用时，模型“思考”的时间会更长。此外，voice-to-voice模型可能并不适用于所有场景。

除了 voice-to-voice 模型外，也可以先将语音转录为文本（speech-to-text），在文本层面完成所有计算后，再生成语音（text-to-speech），但这种方法通常会引入额外的延迟。许多公司已经找到了一些方法来缓解延迟问题，例如在后台提前生成部分内容。在 Decagon 的应用中，客户可以通过添加语音提示（例如“请稍等，正在查询您的数据”）来减少延迟对用户体验的负面影响。

AI Agent 的发展预测

Jesse 认为未来人类与 AI Agent 的协作模式将发生巨大变化。可能会有更多人从事监督和编辑 AI Agent 的工作。与人工客服相比，AI Agent 的特性完全不同。例如，AI Agent 可以无限扩展，可以通过 hard coding 来实现特定任务。因此，如何有效地管理 AI Agent 将是一个重要的研究方向。Decagon 也一直非常关注如何让客户的人工客服团队更好地监控和调整 AI Agent，希望为他们提供更多的可见性和控制权。

Jesse 认为，目前 AI 行业仍旧处于真正“Agent 化”发展的早期阶段，包括将复杂任务按序列化（sequence）并结合某些形式的 reasoning 能力。虽然已经有一些先进模型（例如“o1”或 Sonnet）在尝试解决这一问题，但主要集中在量化推理智能，如在 coding 和 math 领域表现更好，而客服领域最看重的是 Agent 的指令遵循能力（instruction following）。客服工作中有很多明确的操作指令（例如 SOP 或工作流），AI Agent 需要做到严格且准确地执行这些指令。

值得期待的 AI 技术

未来 1-2 年，Jesse 非常期待的 AI 技术主要有多模态、用户 Context Window 以及未来 Computer Use。模型的多模态能力（尤其是语音）发展可以进一步完善 Decagon 的产品 Roadmap，而 AI Agent 的 context window 的进一步扩展和更自然的交互方式则可以优化用户的使用体验，甚至更进一步，AI Agent 可以帮助客户直接完成任务。此外，基础模型能力的改进同样值得关注，比如 Anthropic 的 Computer Use，虽然目前还没准备好进入生产环境，但随着技术的提升，将带来许多令人期待的应用可能性。