# 从“人工看聊天”到“Agent 自动识别线索”：HelloKPI 会话分析能力的一次关键升级
在客户运营场景里，真正有价值的信息往往不在表格里，而藏在一段段聊天记录中：客户有没有明确需求？预算是否足够？是否提到竞品？有没有敏感词？销售有没有跟进到位？过去这些判断高度依赖主管人工抽查，效率低、标准不稳定，也很难沉淀成可复用的方法论。
HelloKPI 最新的 Agent 和会话分析功能，正是在解决这个问题：让系统不只是“保存聊天”，而是能理解聊天、打标签、识别风险、生成摘要，并把分析结果沉淀到业务流程里。
## 一、过去的问题：数据很多，判断很慢
传统会话管理通常解决的是“有没有记录”的问题。系统可以同步 Telegram、WhatsApp 等渠道的会话，保存客户头像、账号、聊天内容、最后消息、未读数等信息。它的价值主要在检索和留档。
但运营团队真正需要的是另一个层面的答案：
这段会话是不是高意向线索？客户关心价格还是交付？销售有没有暴露不该说的信息？一批会话里哪些最值得优先跟进？主管如何快速复盘坐席质量？
如果仍然靠人工逐条看，问题很明显。第一，耗时。第二，不同主管判断标准不同。第三，聊天量一大，抽查就会变成形式。第四，很多线索热度和风险点会在会话里快速流失，等人工看到时已经晚了。
新功能的核心变化，就是把“看聊天”升级为“分析会话”，再进一步变成“Agent 辅助判断线索”。
## 二、新版会话分析：不只是调用 AI，而是一条闭环链路
这次升级不是简单把聊天记录丢给大模型。系统做了更完整的工程化处理。
首先，桌面端可以在会话分析前进行信息采集和审核，只取文字与发送者角色，减少无关内容干扰。对于重复内容，客户端和后端都做了去重与过滤，避免同一段话反复进入模型，既降低 token 成本，也提升分析质量。
其次，分析请求支持私聊和群聊。私聊会根据会话 ID 拉取历史消息，群聊则按群记录查询；同时可以指定分析时间范围，避免“把所有历史混在一起”导致结论失焦。比如主管只想分析本周的跟进效果，就可以只看本周会话。
再次，分析结果是结构化的，而不是一段松散文本。系统会返回摘要、评分、标签、敏感词记录，并记录模型、provider、prompt tokens、completion tokens、total tokens 和耗时。这意味着会话分析可以被展示、检索、统计和审计，而不只是看完即丢的一次性回答。
更重要的是，失败也被产品化处理了。过去 AI 调用失败，前端可能只看到“分析失败”。现在系统会把网络不可达、超时、连接拒绝、模型返回空结果等原因转成可读提示，让桌面用户和运维都能知道问题出在哪里。
## 三、提示词库：从个人临时配置到租户级方法论
会话分析的质量，很大程度取决于提示词。老方式通常是把 prompt 写死在配置里，或者让用户每次临时输入。这两种都不理想：写死不灵活，临时输入不可管理。
新版引入了“云端按租户共享提示词库”。主管可以在后台维护多套分析模板，按场景、语言、平台复用。比如：
销售质检模板，关注话术是否合规；
线索评分模板，关注需求强度、预算、决策周期；
风险审查模板，关注敏感词、违规承诺和异常沟通；
群聊分析模板，关注群内互动热度和潜在客户信号。
这带来的变化很大。以前分析能力更像“工具”，现在开始变成“组织经验”。一个优秀主管调好的判断标准，可以沉淀成模板，整个租户团队共享使用。
系统还做了提示词安全校验。自定义模板必须包含 `{conversation}`，并保留 `summary`、`score`、`tags`、`record` 等输出契约字段；如果模板不合法，执行时会回退默认模板。这一点很关键，因为大模型最怕“输入自由、输出不可控”。有了模板校验，业务灵活性和系统稳定性之间就有了平衡。
## 四、Agent 线索分析配置：让 AI 有边界地工作
最新 Agent 相关能力里，一个重要点是“线索分析配置”。它不是让 AI 无限读取所有数据，而是把 Agent 能使用的数据域、默认开关和数量上限配置化。
配置里区分了几类域：
客户域：客户基础信息；
跟进域：跟进记录；
线索域：已有线索数据；
聊天元数据域：会话相关信息。
同时还有 allowed_* 这类“允许域上限”。这代表主管或租户管理员可以规定坐席最多能启用哪些数据域，形成治理边界。默认域开关决定 Agent 在租户未单独调整时使用哪些数据，followupCap、leadCap 则限制读取条数，避免上下文过大、成本失控或信息过度暴露。
和传统 AI 功能相比，这一点更接近企业级 Agent 的设计：AI 不是一个万能黑盒，而是一个被权限、数据域、模板和成本约束起来的业务助手。
## 五、对比：新版到底比旧模式强在哪里？
和人工复盘相比，新版会话分析的优势是规模化。人工适合做复杂判断和最终裁决，但不适合每天扫大量聊天。Agent 可以先完成初筛、摘要、标签和评分，主管再看高风险或高价值会话。
和简单关键词匹配相比，新版的优势是语义理解。关键词只能发现“出现了某个词”，但无法判断客户是在询价、拒绝、抱怨还是表达强需求。会话分析能结合上下文，判断意图和情绪。
和普通 AI 聊天框相比，新版的优势是业务闭环。它不是让用户复制聊天内容去问 AI，而是直接接入会话数据、支持时间范围、支持提示词库、保存分析日志、沉淀标签，并把 token、模型、耗时、失败原因都纳入系统。
和写死 prompt 的分析相比，租户级提示词库更适合团队运营。不同业务线、不同国家语言、不同平台话术都可以配置不同模板，不需要每次发版。
和无边界 Agent 相比，线索分析配置更稳。它通过允许域、默认域和数量上限，让 Agent 在可控范围内使用数据，既能提高判断质量，也能降低合规和成本风险。
## 六、它对业务的真正价值
这套功能的价值，不只是“AI 分析聊天”。它实际上改变了客户运营的工作方式。
对坐席来说，会话分析可以帮助他们快速复盘：这段沟通哪里做得好，哪里遗漏了关键信息，客户是否已经具备转化条件。
对主管来说，它把抽查从随机变成定向。主管可以优先看低分会话、高敏感词会话、高意向会话，而不是在海量聊天里碰运气。
对公司来说，它沉淀了统一的判断标准。标签、评分、摘要和敏感词记录可以持续积累，未来还能用于团队质检、线索分层、自动提醒、转化预测等更深的业务场景。
更重要的是，HelloKPI 这次升级没有停留在“接了个大模型”的表面，而是把 AI 放进了真实业务链路：采集、审核、去重、提示词治理、结构化输出、日志留存、失败反馈、数据权限和成本控制。这样的 Agent，才是能在团队里长期使用的 Agent。
## 七、结语
会话是客户意图最真实的来源，但也是最难规模化处理的数据。HelloKPI 最新的 Agent 和会话分析能力，把聊天记录从“被动存档”变成了“主动洞察”：它能总结、评分、打标签、识别敏感内容，并通过租户级提示词库和线索配置，让 AI 按团队的方法论工作。
如果说过去的系统解决的是“客户说了什么”，那么新版 Agent 正在回答更关键的问题：客户值不值得跟、风险在哪里、下一步应该怎么做。
