在 ThinkingAI Summit 2026 中国站，卓动科技游戏发行技术负责人黄志锋分享了“多 Agent 协同的 AI 客服工作流”。这套系统不追求一开始就预设所有答案，而是让每一次人工处理都成为系统下一次接待的学习素材。
在没有AI智能体之前，游戏客服常常被三件事拖住：玩家翻遍 FAQ 仍找不到答案；同一个问题重复进线，客服反复解答处理；知识库靠人更新，永远追不上新问题的出现速度。
面对这些问题，黄志锋没有从“AI 能回答多少问题”讲起，而是先拆开旧流程，再给出一套可以自我学习、正向循环的新结构。
卓动科技游戏发行技术负责人黄志锋在 ThinkingAI Summit 2026 中国站现场
1. 传统游戏客服的三个卡点：FAQ不准、重复进线、知识追不上
在常见的游戏客服流程里，玩家提出问题后，系统会拿这句话去和所有 FAQ 做相似度匹配，推荐几条看起来相近的答案，由玩家自己阅读理解。如果 FAQ 解决不了，问题再转给人工。也有更简单的做法：直接列出所有 FAQ，让玩家自己翻。
这条流程看起来省事，实际上把大量判断压给了玩家和客服。黄志锋把它概括为三个卡点。
第一，查找 FAQ 很痛苦，推荐也常常不准。系统只拿到玩家进线时的一句话，缺少上下文，很难理解真实意图；相似度高的答案，未必对得上玩家真正想解决的问题。
第二，重复问题会反复进线。游戏里的多数问题不是看一条 FAQ 就能解决的，往往需要客服协助排查、确认，甚至动手操作。同类问题一遍遍进线，客服大量时间花在重复解答上，处理经验却停留在个人脑子里，没有沉淀。
第三，知识库只能靠人工更新，永远追不上新问题。需要有专人持续关注知识库缺了什么，再手动补充；补充不及时、漏补充，都是常态。新问题总比已录入的跑得快，前台就始终缺一条能用的答案。
问题的根子，不在某一条 FAQ 写得不好，而在于整条链路没有上下文、没有回流，也没有沉淀。
常见游戏客服系统，卡在三个地方
2. AI 客服 Agent 的四个变化：让AI找答案、办事情，也向人学习
借助 Agent 的能力，旧系统的这些弊端有了新的解法。黄志锋总结了四个变化。
一是 AI 可以帮玩家找答案、办事情。玩家不用再翻 FAQ，也不用看推荐不准的答案；一些原本需要客服动手办理的事，AI 也可以直接完成。
二是知识可以自动生长。不再只靠人工维护，Agent 会从人工客服的回答里学习，自动更新知识库。
三是重复问题可以交给 AI。把重复问题提炼成知识或技能，让 AI 直接回答、直接办理，节省客服大量时间。
四是人可以调教 AI。通过自然语言聊天，把新知识、新技能教给 AI，让 AI 能办的事情越来越多。
一句话概括：让 AI 干活，让知识留下，让人只做判断。
但这些能力不会凭空发生。它们需要一套具体的分工和流转机制，才能稳定地跑起来。
3. 多 Agent 客服总体架构：4个Agent、3个库、2条回流线、1个调教
黄志锋给出的总体设计，可以记成一个“4321”。
“4”是流水线上的四个 Agent。
- 前台接待 Agent直接和玩家沟通，充分理解意图后，调用三个库来回答和处理问题。它的职责是尽量做到能回答的都回答、能办理的都办理，尽量不要让客诉流转到人工。
- 分类洞察 Agent对进入人工处理的客诉逐条分析、分类，并把现象相同的问题聚合起来，发现突然增多的高频问题，同时标记问题的处理状态。
- 技能调教 Agent允许人工客服通过自然语言聊天，把新技能教给 AI，就像教一位新同事一样简单。
- 知识回收 Agent分析人工处理过的客诉，从中提炼知识写回知识库，像一个会自动向人工客服学习的学生。
“3”是它们共享的三个库。知识库，回答标准问题；问题库，记录高频问题及其处理状态；技能库，保存可复用的技能。
“2”是两条自动触发的回流线。问题回流，把分类洞察 Agent 的分析结果回写到问题库，供前台接待 Agent 使用；知识回流，把知识回收 Agent 产生的新知识回写到知识库，供前台接待 Agent 使用。
“1”是一个调教入口。人工客服通过技能调教 Agent，把处理经验直接教给 AI。这也是整套系统里，人主动介入、持续提升 AI 能力的关键一环。
四个 Agent 各管一段，三个库各存一类能力，两条回流线把一次性处理变成可复用资产，一个调教入口让人把经验直接注入系统。
一条流水线，四个 Agent 各管一段
前台接待：把问题挡在入口
前台接待 Agent 直接和玩家沟通，充分理解意图后，调用三个库来回答和办理问题。它的目标很明确：能回答的都回答、能办理的都办理，尽量不要让客诉流转到人工。
一次进线，通常有三种去向。
第一种，能回答、能办理的，直接处理完就结束。
第二种，是已有玩家反馈过、正在处理或已经修复的问题。前台会明确告知“处理中”或“处理完”，避免重复进线。比如游戏更新后出现了一个新 bug，已经反馈给研发并在处理中，Agent 会告诉玩家“处理中，预计什么时间处理好”，让玩家安心等待，而不是再次转人工。
第三种，是 AI 既回答不了、也办理不了，且没有已知处理进度的问题。这时才会转向人工处理。
前台接待：把问题挡在入口
分类洞察：让问题从工单里浮出来
分类洞察 Agent 会逐条读懂客诉内容，自动精准归类，再把现象相同的问题聚合成团。它不依赖玩家自述，而是靠内容判断。这样做有三个作用。
第一，看清客诉的宏观结构。所有客诉分为哪几类、每类下面有哪些问题、每个问题有多少玩家遇到，都能一目了然。
第二，及时发现突然增多的高频问题。比如某次版本更新后产生的新 bug，同类反馈持续进线；聚合之后，哪个现象在爆发，一眼可见。
第三，防止高频问题重复进线。共性问题及其处理状态会写入问题库，标记为“处理中”或“处理完”。后续玩家再问同类问题，前台可以直接告知状态。
所以，分类结果不再只是躺在报表里，而是直接变成前台的拦截能力。
分类和洞察：让问题从工单里浮出来
技能调教：把客服经验变成可复用技能
系统预置了一批通用工具，包括订单查询、用户数据查询、日志查询、图片与视频识别，以及其他数据查询和接口调用。工具是现成的，缺的是把它们用对。
客服要教给 AI 的，就是怎样把这些工具按步骤编排起来，“工具 + 步骤”被保存下来，就是一个技能，存进技能库。
这与教一位新同事处理问题很像。熟悉业务的客服，要把核对顺序、处理依据和回复规则讲清楚，让原本掌握在自己手里的经验，变成 AI 可以执行的步骤。一次调教，教会的是整整一类问题；后续遇到同类咨询，AI 不必再教第二遍，自动按技能执行。
在通用工具中，日志查询使用的是 ThinkingAI 的用户行为日志。得益于其良好的接口封装、强大的 Agent 和 MCP 能力、全面的数据以及快速的响应，技能编排的灵活度大大增强。
客服的隐性经验，由此变成可累积、可复用的组织资产。
技能调教：把客服经验变成可复用技能
知识回收：从人工处理中长出知识
知识库如果只靠人工维护，就需要有人持续查看缺了什么、再补充；新问题不断出现，整理可能不及时，也可能漏掉。人工客服给出了一次答复，相关知识却未必进入知识库，AI 下一次接待时仍然缺少同样的信息。
知识回收 Agent 把知识整理放在人工处理之后。它只筛选“人工处理、且接待 Agent 没有接住”的客诉，它会去分析人工处理的上下文，从中分析提炼知识，写入到知识库中，形成可以复用的资产。
知识回收：从人工工单里长出知识
4. 设计思想：好的系统，是自我生长的
分享的最后，黄志锋谈到了这套系统背后的设计思想。
我认为好的系统应该是可以自我生长的，不需要预设好所有答案，而是能在使用中不断地学习和完善。
学习来自两处：一处是系统的自我学习，由知识回收 Agent 从真实工单中主动吸收；另一处是人工调教的被动学习，由客服把经验直接教给 AI。系统可以从零开始，哪怕一开始一条知识、一个技能都没有；随着人工处理数据的积累，AI 会不断补充知识和技能，形成正向循环。
人的角色转变：人成为系统的管理者
人的角色也随之发生变化。人不再重复解同一道题，而是处理系统还没见过的新问题，以及教系统怎么解这些新问题。人逐渐从重复劳动中抽身，演变为这套系统的管理者和调教者。
会的自动做，不会的自动学。人工只处理真正的新问题——而每一个新问题，都会让系统更强一点。
好的系统，是自我生长的
5. 写在最后：一套可以从小处开始的路径
对正在建设 AI 客服的团队来说，这套实践最值得借鉴的，也许不是某一个 Agent 的具体实现，而是这条设计路径：不要先追求一个“全知”的知识库，而要设计一个“会学习”的回路；不要把人工处理只当作成本，而要把它当作系统下一次可以复用的训练数据；不要让人停留在重复答题，而让人去处理新问题、管理系统、调教 AI。
在 ThinkingAI Summit 2026 中国站的分享中，卓动展示的并不是一个“一步到位”的 AI 客服，而是一条可以从小处开始、在实践中持续进化的路径。对于游戏团队而言，这或许比一套现成的答案更有参考价值。
这套工作流也离不开底层数据与工具能力的支撑。卓动在分享中提到，日志查询等通用工具接入了 ThinkingAI 的用户行为日志，其接口封装、数据覆盖和响应速度，让技能编排有了更大的灵活度。ThinkingAI 也期待与更多像卓动这样的实践者一起，让企业积累的数据和业务经验，成为 AI 持续成长的基础。
