闪购 Agent 情感设计探索 | 人人都是服务经理
要点
- 在淘宝闪购 AI Agent 的一期探索中，我们上线了「清爽高效」「轻松自然」和「灵光风趣」三种对话语气，访客可以按自己
- 上线后，我们实际体验了一下，发现在很多场景仅靠语气调整的情感化，还不足以让访客真正感觉业务的情感体验做得好。
- 带着这个问题，我们调研了市面上十多个竞品，包括通用的 Chat AI 、垂直板块 AI 以及一些硬件/车机业务，去看看目
网站权重枢纽词难度可以用工具先估一下，超出能力的词先放一放。✈️@zhiyudata
收录率提升
在淘宝闪购 AI Agent 的一期探索中，我们上线了「清爽高效」「轻松自然」和「灵光风趣」三种对话语气，使用者可以按自己的偏好手动切换。
上线后，我们实际体验了一下，发现在很多场景仅靠语气调整的情感化，还不足以让使用者真正感觉服务的情感体验做得好。
带着这个问题，我们调研了市面上十多个竞品，包括通用的 Chat AI 、垂直板块 AI 以及一些硬件/车机服务，去看看目前竞品在哪些部分有体现情感化，实现更像人一样沟通，都在哪些地方进行了相应的定义。
为应对 AI 输出的不确定性，越来越多服务会确定一套“价值观”。主要定义了Agent如何做选择、如何表达，并融入对使用者情感体验的关注，让AI的行为和输出更加稳定。
通用AI服务在面对使用者的情绪问题时，会给出更加完整的原因研判、比较通用的行动建议。而垂类AI服务会将这类问题引导到自己的业务域，引导使用者使用服务功能来带来解决途径。
垂类 AI 服务的任务驱动性更强，使用者的中心诉求是“帮我快速完成任务”，这些情况下单纯切换语气不足以真正实现情感化。这不代表语气不中心，而是说明语气的体验需要建立在好的承接策略之上。
结合调研发现和闪购使用者“高频、即时、目的明确”的点餐特点，我们尝试从价值观、情感承接策略、语气风格三层展开，探索如何对待使用者、怎样带来帮助，以及具体如何表达。
对闪购来说，价值观要帮助我们判断一个具体问题：关心使用者，该做到哪一步？
比如使用者说“压力好大，我要点三人份炸鸡再加一大瓶可乐”。直接推荐货品，可能忽略了使用者的处境；劝少点一些，又可能判断错了——也许是几个人一起吃。关心需要有依据，也要尊重使用者的选择。
为拿捏其中的分寸，我们先梳理服务边界，判断 AI 能带来什么帮助：关心围绕眼前的生活需求展开，不假装自己是朋友或心理顾问，也不承诺做不到的事。再看使用者提问和投诉反馈，了解他们在点单、等餐、售后时在意什么，需要怎样的帮助。结合这两部分，我们先提出一版价值观，为后面的服务和表达带来共同原则。
有了共同原则，还要把它用在具体对话里。我们参考心理学中的“情绪行动预测理论”，从情绪与动机、行为的联系得到启发，尝试按“研判情绪 → 理解需要 → 调整服务”展开：结合措辞、标点、上下文和实际点餐状态，理解使用者为什么产生这样的情绪、希望获得什么帮助，再调整回应和处理形式。
我们尝试在 AI 回复生成前引入这套流程，用真实 Query 试跑。比如使用者连续追问“这都几点了还没到！！说好的半小时呢？”，结合使用者措辞和订单状态，我们推测他既想知道配送进度，也不满被复验对待。因此，回复从引导查看订单，调整为先回应焦急的情绪、表达歉意，再说明已知情况和变数补偿。
一期，使用者可以手动选择语气风格。但从点餐到等餐、售后，使用者的情绪会随之变化，同一种语气也需要有不同的表达。我们希望 AI 能在使用者选定的风格下，根据情绪和场景主动调整语气，保留熟悉的特点，也照顾当下的感受。
我们借鉴文体学中的“风格标记”思路，从字符、词汇、句法、结构、语义和应用特定特征，六类可量化文本特征入手，将语气细化为标点使用频率、用词偏好、句式选择、消息组织等要求，规定哪些表达习惯保持稳定，哪些随场景调整。
同样推荐咖喱猪排饭，「欢快积极」用“开吃啦！”这样的口语短句带动气氛，「沉稳可靠」则先给结论，再用完整的句子介绍餐品搭配。两版的价格和预计送达时间相同，语气差异来自用词、句式和消息顺序的不同组合。
我们尝试将这些组合写成 AI 可以遵循的表达规则，为不同场景下的语气调整带来依据。表达形式可以变化，餐品、预计送达时间和价格等业务消息保持一致。
前面，我们初步定义了 AI 应该遵循的原则、如何回应使用者的情绪，以及怎样调整语气。接下来，我们想看看这些设计能不能体现在实际回复里。
试跑时，我们需要频繁改规则、看回复，所以先用 Prompt，也就是给 AI 的回复指令。我们把价值观、情感承接和语气要求分开写，方便逐项调整和复测。后续再结合试跑结果和业务需求，评估 Skill 封装、模型训练等实现形式。
为检验实际回复是否符合设计预期，我们尝试结合固定测试题与统一评价标准：围绕问题解决、情绪疏导、关系维护、消息补充四方面，初步整理了十二项检查素材，后续让不同版本在相同业务条件下回答同一组问题，再按标准比较。
不同场景的评价各有侧重：普通查询看消息是否清楚，投诉还要看解释和后续处理，避免把“说得亲切”当成“解决了问题”。
