券商 “复盘改进 Agent”:让客户经营的飞轮转起来!接上一篇,记录跟进 Agent已经把客户沟通中的有效信息、承诺和待办沉淀下来,让客户经营能够继续推进。信息沉淀下来以后,还有一个问题:这次整个环节中,上游4个 Agent 的判断和建议是否合理?哪些做法值得保留,哪些地方可以改进?这就是第五个【复盘改进 Agent】要解决的问题:从历史任务中发现问题、提炼有效经验,再反过来改进前四个 Agent。一、复盘改进 Agent,到底要做什么?
前四个 Agent 围绕一次客户经营任务展开,复盘改进 Agent则要同时看两个层面:- 单任务复盘:回看一次客户经营从找客、联系准备、沟通到结果跟进的全过程,对比 Agent 的建议和实际执行。
- 批量复盘:汇总一段时间内的同类任务,找出反复出现的问题和有效做法,形成可复用的经验。
先说清楚一个前提:任务没完成原定目标,不代表 Agent 判断错误;客户经理修改了建议,也不一定说明原建议有问题。比如原计划沟通投顾续约,客户却表示近期需要装修资金,先回应用款需求、暂缓续约,可能是更合理的选择。所以复盘要把任务目标、客户真实表达、人工修改和后续结果放在一起看。1.1 单任务复盘:还原一次任务的执行过程
单任务复盘最直观的产出,是一张结构化的复盘记录。以前面的客户为例: | |
|---|
| |
| |
| |
| |
| |
| 明确短期用款后,应优先匹配资金安排相关策略,避免继续按长期投资需求提供建议 |
这张记录既保留了任务结果,也保留了 Agent 建议与实际沟通之间的差异:某条策略没跟上客户的新需求,可以定位到对应的策略和触发条件;实际处理方式值得借鉴,可以留作候选经验。但一次有效沟通,还不足以证明某种方法适用于所有同类客户。1.2 批量复盘:从多次任务中找到共性
单任务记录积累起来后,可以按周或按月对相似任务做批量分析。例如,在“投顾即将到期、近期资金发生明显变化”的客户中:哪些建联理由经常被客户经理放弃,原因是什么?
哪些沟通主目标经常被修改,是否存在共同特征?
哪些沟通策略被反复采用,实际效果如何?
哪些承诺和待办反复出现遗漏、重复创建或状态错误?
批量复盘最终交付的,是有证据支持的问题和候选改进方案,大致分四类:其中,候选策略卡和Agent 优化任务最重要,因为它们可以直接反向改善前四个 Agent。二、复盘改进 Agent 怎么搭?
我把它拆成六步。整条链路可以离线运行,不需要在每次客户沟通时实时触发:2.1 数据接入:用任务 ID 串起执行过程
前面的文章设计过一张由多个 Agent 共用的客户经营任务卡。复盘 Agent 基于任务 ID,关联四类数据: | |
|---|
| |
| |
| 实时策略卡、触发依据、实际沟通内容、策略展示及使用情况 |
| 沟通结果、客户信息更新、承诺待办、CRM 和任务系统回执 |
此外,还要获取当时使用的规则、策略和知识材料版本。复盘要用当时的信息,评价当时的判断:今天看起来不合理的建议,可能是在当时的信息条件下做出的,不能用最新的客户状态和策略版本倒推历史 Agent 应该知道什么。这一步的基础能力是任务时间线与证据关联。比如 Agent 曾建议介绍某个产品,复盘时应能看到当时依据的客户信息、产品资料版本、策略是否真正展示给客户经理,以及最终是否被使用。关键证据缺失时,标记为“无法判断”,不强行下结论。2.2 单任务复盘:分清纠错和合理调整
第一,还原原目标与实际结果。原本要沟通投顾续约,实际先处理了短期用款和产品条款问题。系统要保留这种变化,不能直接归为“续约失败”。第二,对比 Agent 建议与客户经理的实际操作。例如:这里尤其要区分纠错性修改和合理调整:客户经理因为 Agent 使用了过期数据而修改方案,说明可能存在数据或判断问题;客户经理掌握了系统外的新信息而修改,未必是 Agent 的错误。第三,识别可能的改进点。将问题归入数据、规则与策略、工作流与工具等类别,并保留对应证据,形成结构化记录,供批量复盘使用。2.3 批量分析:先找规律,再验证原因
先按经营场景、客户状态、沟通渠道、策略版本等维度,把相似任务分组。比如把同一时期的投顾到期任务放在一起,再区分近期资金明显变化的客户和其他客户。然后结合人工反馈和真实执行结果,用两种方式找规律:规则与指标分析: 统计有效建联机会采纳率、纠错性修改率、策略实际使用情况、重复错误发生率等指标,识别异常变化。比如某类建联机会的放弃率持续偏高,就进一步分析是建联理由不成立、信息过期,还是客户经理的时间安排问题。
模型语义分析: 有些问题不会直接体现为结构化指标。比如不同客户经理修改的是不同的沟通准备包,原因却都指向同一点:客户存在短期资金需求,原方案却优先安排长期投资话题。模型可以从修改记录和沟通过程中归纳出这类候选共性问题。
最后要检查样本是否可比:发现相似现象,不代表已经证明原因。客户经理推迟联系,可能只是当天时间不足;策略被修改,可能是客户提供了系统尚未掌握的信息。还要排除市场环境、客户状态、数据时点和策略版本的差异,证据不足的结论,保留为待验证假设。2.4 经验提炼:把发现变成 Agent 能用的改进
我认为这是第五个 Agent 最关键的部分。复盘结果如果只是一份“本周有哪些问题”的报告,对前四个 Agent 的帮助仍然有限。更重要的是,把问题和有效做法转成每个 Agent 能直接使用的改进: | | |
|---|
| | |
| | |
| | 提炼为策略卡,补充适用条件、优先问题和话题切换机制 |
| | |
需要强调的是,策略库里沉淀的不应只有几句优秀话术。一条可复用的沟通策略,至少要讲清楚:什么情况下使用、建议怎么处理、优先确认什么、哪些情况不能使用,以及需要引用什么正式材料(第三部分有完整示例)。这样后续 Agent 才能根据具体场景正确调用。2.5 人工审核:候选经验不能直接成为正式策略
AI 从历史沟通中提炼的做法,不一定适用于所有客户。某位客户经理通过一种沟通方式取得了较好结果,可能与客户关系、客户自身需求以及当时的市场环境有关。因此,复盘 Agent 提炼的规则和策略先进入候选区:业务人员审核实际适用性,合规人员核查风险边界,必要时由产品和技术人员检查对原有流程的影响。涉及金融产品的正式条款、可售范围、风险等级等信息,仍以公司权威系统为准,不能由复盘 Agent 根据沟通记录自行修改。只有经过相应审核的候选,才能进入后续验证和受控发布流程。2.6 验证与回流:让改进真正进入下一轮经营
- 离线回放:用历史任务,把同样的客户信息和沟通上下文分别交给原策略与候选策略,比较两者的判断和建议:能否及时切换沟通方向,是否错误推荐了不适合的产品,是否引入了新的问题。
- 小范围试运行:观察新旧策略在相似场景下的纠错性修改、无效触发、实际使用情况,以及客户服务和合规风险表现。
- 发布或回退:改进有效,再正式发布到对应 Agent 使用的规则或策略资产中;效果不明确则继续观察;出现明显问题时暂停或回退。
三、从一次投顾到期沟通,到一条新的沟通策略
1. 找客 Agent:因投顾服务即将到期发现建联机会;
2. 联系准备 Agent:发现客户近期资金变化,建议先了解资金安排和服务体验。
3. 实际沟通时,客户先表示不想炒股,后来说明是下个月装修需要用钱,并且关心相关产品能否提前取出。
4. 沟通 Agent:根据客户的新表达调整策略,客户经理进一步确认需求,并答应核对产品条款。
5. 记录跟进 Agent:则把客户新的资金需求、待回复事项以及尚未处理的续约任务记录下来。
首先,单任务复盘识别出一个值得保留的做法:客户说明短期资金用途后,沟通方向要随之调整,不能继续按照最初的投资意愿假设展开。接下来,假设某次定期复盘又发现一批类似任务:部分联系准备方案反复被修改为“先确认资金用途”,还有部分实时策略在客户说明短期用款后,仍继续推送长期投资相关内容。复盘 Agent 核对这些任务、确认问题具有共性后,就可以生成一张候选沟通策略卡: | |
|---|
| |
| |
| 确认资金用途与期限 → 核对历史待办 → 处理当前需求 → 视客户意愿讨论投顾服务 |
| 什么时候用款?是否要求随时可取?哪些问题需要进一步核实? |
| |
| 产品期限、赎回规则和风险提示均引用当前有效的正式资料 |
| |
这张策略卡通过审核和验证后,进入沟通策略库。下一次面对类似客户,联系准备 Agent 可以用它组织沟通路径,沟通 Agent 也可以在客户表达短期用款需求后,及时检索并给出建议。同样的历史记录,还可以整理成脱敏培训案例,让团队理解这类场景的沟通重点。四、第一版,先跑通一条小闭环
真正落地时,没有必要一开始就分析所有客户、所有渠道和全部经营场景。可以沿用投顾到期场景,先接入前四个 Agent 的任务记录、人工反馈、沟通内容和后续结果,重点跑通:单任务复盘 → 定期批量复盘 → 候选策略或问题单 → 人工审核 → 离线验证 → 回流对应 Agent复盘 Agent 先在后台定期运行,不给客户经理增加新的日常操作。任务与策略版本留痕:不知道 Agent 当时给了什么建议、客户经理修改了什么,就很难准确定位问题。反馈与改进效果可追踪:策略发布后,还要观察对应问题有没有减少,否则很难判断优化是否真正有效。五、让每次经营,都为下一次留下经验
前四个 Agent 让一次客户经营任务能够连续推进,第五个 Agent 则把执行过程中积累的反馈和经验重新利用起来。随着真实任务不断积累、候选经验经过验证进入策略库,前四个 Agent 才有机会越用越准。
这也是我认为券商 AI Native 工作流值得持续建设的一个重要原因:每一次客户经营,都为下一次积累经验。经营越做越好,AI 也越用越准。
发表评论
发表评论: