Agent Assist 與 GenAI：讓客服建議來得及又可信
課程概述
Agent Assist 會在真人客服與客戶對話時，提供知識、回覆草稿、下一步建議或情緒訊號，通話後也能整理摘要。真正的難點不是讓模型多寫幾句，而是建議要在客服還用得到的時間內出現、引用正確文件、看不到越權資料，而且送出前仍由真人判斷。這篇會把即時與通話後功能分開，帶你從資料準備一路走到小範圍上線與回饋評估。
Agent Assist 的角色是輔助真人：即時管線從可存取知識產生建議，再由客服接受、修改或忽略。摘要與後續工作也要依風險決定是否自動寫入 CRM，不能把模型輸出一律當成已確認事實。
你將學到
- 分清楚即時輔助、通話後摘要與品質分析的使用時機
- 以 Data Store 與 Generative Knowledge Assist 取代已停用的舊功能
- 設計轉錄、PII 處理、權限感知檢索與真人審核流程
- 用 Conversation Profile 與 Simulator 驗證建議和摘要
- 量測引用佐證度、誤導、延遲、採用／編輯率與客服結果
核心概念
先看清楚 Agent Assist 的位置
Google Cloud 客服產品的名稱與介面持續整合，但幾個工作角色可以這樣分：
| 能力 | 主要工作 | 主要使用者 |
|---|---|---|
| Conversational Agents | 處理自助式虛擬客服與對話流程 | 客戶 |
| Agent Assist／Companion agent | 在真人服務過程提供知識、建議與工具 | 客服人員 |
| Customer Experience Insights | 分析對話、議題、品質與營運趨勢 | 品質與管理團隊 |
Agent Assist 的產品名稱仍在使用，2026 年也新增了整合建議與工具的 Companion agent。無論使用哪種介面，客服都應看得見來源、能修改或拒絕建議；退款、身分變更、法規承諾等高風險動作則要有後端規則和核准，不能只靠模型判斷。
知識庫（Knowledge Base）
知識內容要能回答真實客服問題，也要有負責人、版本、適用產品、有效日期與存取範圍。文件放進 Data Store 後仍要檢查切段、檢索與刪除同步；過期的退費規則如果還能被找到，生成得再流暢也會害客服說錯話。
這裡有個一定要更新的版本資訊：Article Suggestion 與 FAQ Assist 已在 2026 年 4 月 1 日停止服務，不能再當成現在可用的方案，詳見官方淘汰清單。現行功能包含 Generative／Proactive Generative Knowledge Assist、AI coach、Smart Reply、摘要與 Sentiment Analysis 等；實際地區、語言和版本仍要查功能與版本說明。
準備知識時可依功能使用非結構化文件或對話資料，但要分清楚用途：
- 知識輔助使用的產品手冊、政策、FAQ 與操作文件
- Smart Reply 訓練所需的歷史對話與 Allowlist
- 自訂摘要模型所需的對話與人工摘要標註
- PII、兒少資料、付款資訊與錄音同意應在上傳前依政策處理
GenAI 增強功能
不同功能解的問題不同，不必全部打開：
- Generative Knowledge Assist：依 Data Store 內容提供有依據的回答或查詢建議
- AI coach／Companion agent：依情境主動提供回覆、下一步或可用工具
- Summarization：把對話整理成指定區段；應評估正確性、完整性與格式遵循
- Sentiment Analysis：提供訊息層級的情緒分數，是輔助訊號，不是客戶意圖或風險的唯一判斷
- Smart Reply：根據進行中的文字對話提供候選回覆；傳統自訂模型與 Generative Smart Reply 的資料需求不同
客服決定建議是否送出；採用、編輯差異與拒絕都能成為品質訊號，但也會受到忙碌程度、介面位置與個人習慣影響。回饋應先離線分析，再更新知識或評估集，不能把一次點擊直接當成正確答案。
對話流程整合
Agent Assist 可以用 API、Backend Modules 或支援的 UI 整合接進客服桌面。語音場景會先做串流轉錄，再將內容送到建議功能；不同整合支援的通道與功能不完全相同，不能假設每家 CCaaS 都有同一套按鈕。正式導入前要量測每一段延遲，並確認錄音告知、資料地區、PII、權限與保存期限。
即時建議的品質也包含「及時出現」。縮小檢索範圍與選擇合適功能能降低等待，但不能為了速度跳過 ACL、PII 處理與引用驗證；每個客服流程的有用時間窗也不一樣。
流程圖暫時無法顯示，請重新整理頁面後再試。
實作重點
- 使用 Data Store 與 Generative Knowledge Assist；不要再依賴已停止服務的 FAQ Assist／Article Suggestion
- Conversation Profile 決定建議功能與參數，模型和版本要以目前地區支援清單為準
- 用 Simulator 先驗證引用、過期政策、無答案、PII 與摘要格式，再接正式電話系統
- 分段量測延遲，不替所有場景硬訂一個秒數；以客服是否還來得及使用為準
- 將採用、修改、拒絕與最終結果一起分析，避免只追求「建議被點了幾次」
Lab 導讀
Lab 連結：Agent Assist and its Gen AI Capabilities — Google Cloud Skills Boost
這個 Lab 會上傳知識、建立 Conversation Profile，再用模擬對話測試建議。若教材仍出現 FAQ Assist 或 Article Suggestion，請不要照著建立，因為兩者已停止服務；改以 Generative Knowledge Assist 的現行流程完成相同學習目標。驗收時同時記下引用、延遲與客服需要修改的地方。
延伸學習
- Generative Playbooks 建構代理 — 從 Agent Assist 延伸到 Dialogflow CX 的自動化客服
- Data Store Agent 虛擬 FAQ — 另一種知識庫驅動的 Agent 方案
- AI 世界的安全導論 — 客服場景中的 AI 安全考量
相關文章
您可能也會對這些文章感興趣
Agent Assist 與 GenAI：讓客服建議來得及又可信
從即時轉錄、知識檢索、客服審核到通話後摘要，建立有引用、守權限、能量測延遲與品質的 Agent Assist 流程
AI Agent 安全：別只叫模型「不要洩密」
從 Prompt Injection、工具越權與資料外洩，到 Model Armor、IAM、VPC Service Controls 和人工核准的分層防禦
企業資料庫 AI Agent：NL2SQL 不等於直接執行
從 QueryData、Schema 語意層到唯讀 View、查詢驗證與人工核准，讓 Agent 能問企業資料，又不繞過既有資料權限
