“我都等了三天了，物流到底卡在哪？别再用机器人敷衍我。”
传统IVR（交互式语音应答）能抓到“物流”和“订单”，查完状态，再播报一段标准答案。可这通电话里最值得注意的，或许不是关键词，而是突然加快的语速、连续打断、长时间停顿和那声叹气。语音一旦只被转成文字，这些线索很容易消失。
多模态Agent想补上这一块。它把声音、文字和对话上下文放在一起，售后场景里还可以读取用户上传的图片；随后通过Function Calling连接订单、物流、ERP或CRM。客服因此不只知道用户在问什么，还有机会把查询、催单、退改或补偿申请接成一段完整流程。
但声音像人、道歉自然，都不是终点。用户在意的是：问题查清没有，下一步是什么，系统答应的动作到底做没做。
情绪可以提醒，不能替企业判责
青瓜传媒对AI客服演进的梳理提到了关键词匹配、NLP、大语言模型和AI Agent，也列出了RAG与Function Calling。沿着这条技术路线，原生音频模型不必先把语音压成一段纯文本，可以继续保留语速、音高和停顿等声学信息。
这些信号适合提醒系统：别再重复标准话术，这次应该更快转人工。它们却不适合单独决定退款。口音、环境噪声和身体状态都会影响所谓的情绪分数，用户也可能故意提高音量。把“越生气，补偿越高”写成规则，不仅容易误判，也会鼓励对抗。
顺序应该反过来：先核对用户意图、订单状态和售后政策，再用情绪信号调整回答方式、处理优先级和转人工时机。退款、补偿、修改订单，仍由业务规则和权限系统决定。
一句投诉也常常不止一个问题。物流延迟、包装破损和退差价要求，可能同时出现。RAG可以调取售后政策，Function Calling负责查询订单或提交申请，MCP（Model Context Protocol，模型上下文协议）提供连接工具与上下文的标准化思路。可谁有权退款、最多能做什么、接口失败后怎么撤回，这些都不是模型协议能替企业回答的。
80%和30%，不能直接抄进ROI表
BetterYeah在2026年5月8日发布的文章援引Gartner 2025年3月的预测称，到2029年，Agentic AI将在无需人工干预的情况下解决80%的常见客服问题，并带来30%的运营成本降低。
沃丰科技Udesk的文章则给出2026年全球智能客服市场680亿美元这一数字，并援引Cisco客户体验调研称，68%的服务交互将由Agentic AI管理。
这些数字都来自行业文章对外部研究的转述，现有素材没有提供原始报告的方法和样本。方向可以看，回报不能照抄。企业更不能拿行业预测直接换算自己的坐席成本、解决率或投资回收周期。
同一篇Udesk文章把周大福、索尼（中国）和喜茶GO列为应用案例，但摘要没有披露具体上线时间、使用范围和效果数据。仅凭案例名单，无法推断这些企业已经全面使用同一种多模态Agent，也不能据此承诺解决率或成本降幅。
零售客服最难的，是“查到以后”
订单查到了，事情才刚开始。
零售售后经常横跨多个系统。物流之后，还有库存、发票、补发、退款和优惠券。规则机器人可以回答一个个孤立问题，Agent更值得做的，是把后续动作接起来。
例如用户收到包装破损的商品，可以上传照片，再用语音说明情况。系统先核对订单和售后政策，发现材料不全就继续询问；符合规则的申请进入退款或补发流程，超出权限的纠纷则连同订单信息、图片和对话摘要一起转给人工。用户不用从头再讲一遍，人工客服也不用重新翻记录。
这才是多模态在客服里的实际用途：不是让机器人更会安慰，而是让语音、图片和业务数据落到同一件售后任务里。
客服里的“高情商”最后只落在几件小事上：知道用户为什么着急，说清下一步，答应的动作确实发生。只会把“请耐心等待”说得更温柔，仍然没有解决问题。
发券前，先把“能看”和“能改”分开
情绪越强烈，补偿越高，这种规则很容易被利用。大声抱怨不能证明用户确实遭受了损失，也不能自动成为退款依据。
查询权限和写入权限必须拆开。Agent可以读取订单状态，但修改订单、发放补偿或发起退款时，还要经过政策校验、账号风险检查和额度控制。高风险操作应保留Human-in-the-loop，也就是执行前由人工确认。
以下情况应立即拦截或转人工：
- 同一账号反复申请补偿；
- 模型判断与订单、库存等业务数据冲突；
- 接口连续失败，或退款状态与库存状态互相冲突。
调用日志也要留住完整链路：模型依据是什么，调用了哪些工具，接口返回了什么，最后由谁批准。出了问题，团队才能知道错误发生在判断、权限还是执行环节。
工具调用本身也会出错。接口超时可能让Agent不断重试，退款与库存状态冲突又可能让任务陷入循环。重试上限、超时退出、状态回滚和人工告警，都要在系统开放写入权限前准备好。调试器可以查看调用栈和任务拓扑，却不能替企业划定业务边界。
权限之外，还有告知。服务界面需要明确提示用户正在与AI交互；语音和情绪分析会处理哪些数据、保存多久、谁能查看，也应说明清楚。情绪识别只能用于问题处置和服务改进，不能拿来诱导消费，更不能阻碍用户转接人工或正常维权。
别只算少了多少坐席
市场预测代替不了企业自己的账本。评估客服Agent时，除了观察一次性问题解决率（FCR），还要看重复咨询、转人工、投诉升级、错误补偿和人工接管耗时。只盯着节省了多少坐席，很容易漏掉误判、错退和用户流失带来的成本。
更稳妥的顺序，是先让Agent处理订单查询、物流催单和发票等规则清楚的任务，再逐步开放退改与补偿权限。每增加一种可执行动作，都要同时补上拦截条件、回滚方案和人工入口。
一声叹气只能让系统提高警觉，不能替代订单和证据。多模态Agent的合格线也不是“像人说话”，而是数据查得准、动作做得完、超出权限会停。所谓接管客服，更现实的做法是先接手一段边界清楚的标准流程；复杂纠纷和高风险决定，仍由人负责。
