本文为火山引擎数据产品总监刘峰的演讲分享，介绍了在过去的半年中，火山引擎Data Agent在智能营销Agent领域的一些新思考、新能力以及落地实践。
各位线上的朋友，大家好！今天主要跟大家聊聊四个关键主题：
首先，面对用户和业务增长挑战，结合大模型我们有哪些新解法？
其次，我们如何通过产品和技术实现方案落地，真正解决客户问题？
第三，智能营销Agent的四大应用场景，以及它们如何助力不同企业破局。
最后，大家可能关心的：今年是不是营销Agent落地的最佳时机？我们当前的投入，会不会很快被大模型的快速进化所覆盖？这个问题我们留到文末一起探讨。
一、老问题，新解法：效率与效果的双提升
第一个问题，面临我们增长的老问题，大家可能经常会问到：我买了很多营销软件产品和工具，但是给企业带来的收益如何？我该如何衡量它的价值？回到增长本身，这个是增长的效率问题，同时又是增长的效果问题。
我们先谈一下增长效率问题。
效率是我们日常工作的基石。阻碍效率提升的因素，首先是用起来的门槛高，过去大家可能都经历过，投入不少资源做平台系统建设，结果用起来的人却不多。大模型的典型优势在于技术普惠，它通过拟人化的自然语言交互，解决了很多过去使用门槛高的问题，比如一句话就能生成分析报表或给出答案、查询业务知识；再比如，我们有个客户用了智能营销Agent后，新员工从入职到上手的时间，从过去需要一个月培训，大幅缩短到仅需7天，而且能达到金牌或银牌客服的水平。
其次是数据分析的普及难题。很多人觉得“我不是数据专业”、“我是文科生”、“不懂SQL”、“不会做数据分析”。现在这也不是问题了。Data Agent只需一句话描述你的需求或想看什么指标、看板，数据分析Agent就能智能地取数、生成可视化报表和分析结果，甚至帮你分析背后的原因。
第三是组织协作复杂的问题。过去策划一个活动，从启动规划到上线再到分析，整个流程往往耗时很长，动辄一两周甚至一两个月；活动结束后，分析转化效果、ROI、老用户转化、拉新数量等数据更是费时费力，现在只需要输入一句自然语言描述活动分析需求，智能分析Agent就能快速生成对应的活动报表，同时能够分析活动亮点、给出归因分析结果并指出待提升之处。
聊完增长效率，再来看看增长效果。效率提升了，企业的收益如何提升呢？这里分享四个典型的落地场景：
第一个是辅助人的场景。坦白说，目前绝大多数Agent还无法完全替代金牌销售或超越运营专家，但能有效帮助银牌、铜牌销售和运营提升能力，接近金牌水准。比如有个客户案例，在Data Agent辅助下，销售的沟通转化率提升了40%。
第二个场景是To C端APP的智能化升级。所有拥有客户端或小程序的客户，都可以结合大模型升级功能，为用户提供更好的体验。更好的体验直接带来DAU、MAU的提升，而这背后是LTV和业务转化收益的增长。
第三个实践案例来自字节跳动：海量用户的主动式营销。针对大家看到的手机通知栏APP Push消息或企业APP的banner位，如何用更好的素材和文案提升转化？现在，我们可以基于用户习惯和需求预测，通过大模型+小模型的推荐算法，为不同用户匹配个性化的素材和内容。这种多素材个性化匹配策略对比单一素材，点击率提升能超过30%。
最后一个场景是在主动营销中精准锁定目标人群。通过我们的营销Agent“一客一策”引擎，分析每个消费者的偏好和需求，精准识别出本场活动的目标客户群体，只针对这些真正的高潜用户发送短信，ROI最高可提升80%以上，用更少成本撬动同样甚至更好的转化效果。
二、核心支撑：三大数据基座与智能调度引擎
聊完案例和落地场景，我们来看看支撑这些方案落地的核心产品能力和技术。这里展示的是我们完整的解决方案架构图，重点突出了其核心关键能力。
架构最底层是三大核心数据基座：
首先是客户数据，依托VeCDP平台存储的客户一方订单、标签、属性、行为等结构化数据，Data Agent可以做好用户偏好判断和事实性信息总结提炼。
其次是企业业务知识数据，这也是今年火山引擎Data Agent的重大升级。过去我们主要依赖结构化数据做用户标签和画像，缺少业务知识关联。现在，为了真正理解业务背景和目标，我们接入了企业过去积累沉淀的业务知识数据——比如日常会议文档、业务人员撰写的总结分析文档、SOP培训文档等。这些非结构化数据蕴含了丰富的业务思考、业务规划、业务背景、行业术语乃至金牌SOP，企业知识数据已经成为了智能营销Agent新的重要数据基座。
最后是三方数据，很多客户自有数据有限，没有数据资产支撑整个系统就难以运转。因此需要整合社交媒体数据、电商平台商品数据、用户反馈、客服对话以及三方结构化数据等外部数据，来辅助分析用户价值和业务经营情况。
中间这一层则是基于这三大数据基座进行全面、深度挖掘的核心营销引擎。智能营销Agent的核心能力在于，它能融合全域全量的结构化和非结构化数据，识别出海量消费者的完整画像，形成深入完整的客户侧写档案，而不仅仅是简单的标签。因为标签往往只能反映用户的片面特征，是“点”和“线”，而侧写档案能帮助Agent和业务人员更加全面深入地理解消费者，是“面”和“体”。
基于更加完整深入的用户理解和业务知识学习，我们可以做下面这些事情：
- 海量用户画像洞察分析、业务经营分析、社交媒体用户反馈评价分析
- 辅助电销/客户经理/销售沟通
- APP/小程序ToC互动功能升级
- 用户主动触达场景营销策略优化
聊完数据基座，我们再看看如何通过Data Agent智能总控来解决上面几个不同应用场景的业务问题。
上面这张图是我们最新的架构：当用户用语音或文字表达需求时，如何仅凭少量输入就理解其真实意图？这需要结合画像平台的标签、客户侧写、行为事实、长期记忆，历史对话上下文，联网获取的环境信息以及知识库中的业务知识等数据来做综合性分析判断。结合上述信息和数据，我们能更准确地识别消费者的真实需求——无论是投诉、咨询活动规则、提供建议，还是了解产品优势、对比价格。
有了精准的意图识别作为基础，智能总控才能准确调度列表中的多种智能营销子Agent和工具来满足不同用户对话中提出的不同需求。
从图中可以看到，除了各种已经提前建设好的子Agent，我们还提供了丰富的API和Tools，如自动建档API、知识查询API、联网查询插件、AIGC工具，以及生成多模态互动卡片的能力（不只是文字交互），这些插件化的能力可以灵活地被智能总控和子Agent按需调用。
此外，上述架构可以很好地解决过去工作流编排架构灵活性不足、覆盖场景有限、思考深度不够的问题，最大化发挥大模型应用的业务价值。
三、落地场景：四大方向构建智能闭环
介绍完核心的产品技术架构，接下来重点讲讲智能营销Agent的四大应用场景。
首先是全域全景洞察。过去人工洞察需要提取关键词、逐条分析，效率低，且NLP小模型经常出现关键词提取不准、情感正负向判断错误问题。现在，几十万、几百万条数据能直接输入给营销Agent，短时间内就能生成全面准确的洞察分析报告，而且标签提取、分类、情感正负向判断的准确性都远超过去的NLP小模型。
第二个是一对一沟通辅助场景，营销Agent能够在客户经理工作台侧边栏展示用户的360度全景画像，还配备了智能助手，它能够实时响应用户提问、主动召回知识库信息、生成建议回复的话术、推荐用户感兴趣的产品，客户经理可以一键复制或转发给消费者，该能力能够帮助企业缩短新员工的培训周期、快速提升员工的业务水平。
第三个是直接To C交互场景。以汽车行业为例，可以在车载屏或车主APP嵌入智能助手，比如输入“周末带娃去周边游”，它能基于用户历史偏好、家庭成员情况、位置、车型和续航，智能规划路线、查找充电站和美食，制定完整出游方案。实际上，任何拥有客户端或小程序的客户，都可以根据业务需求尝试这类APP功能升级。
最后是智能用户触达场景，行业通常称为MA（营销自动化平台）。传统MA主要靠规则驱动：定时给固定人群发固定文案，算是常规运营动作，但存在的问题是不够精细化，消费者体验和业务效果转化都不是很好。虽然过去也有企业尝试基于机器学习模型做个性化触达，但实现成本高、开发周期长，落地效果也不太理想。大模型带来了变革：通过前面提到的Data Agent“一客一策”引擎，我们能更精准地识别目标用户群体，不再局限于简单的标签和行为记录圈选，同时它能通过智能营销引擎完成素材、文案、权益与用户的个性化匹配，将用户真正需要和感兴趣的东西推给用户，提升体验的同时也带来了更好的业务转化。
四、今年是否是Agent落地的最佳元年？
聊完四大应用场景的落地实现，很多客户关心：今年是不是Agent落地的最佳时机？现在做的工作是否会被大模型进化取代掉？
我的看法是：从我们的实际项目落地经验来看，大模型目前已经具备解决实际业务问题的能力、且落地成本得到了大幅下降，ROI能够算的比较清楚，比如上面提到的营销Agent，给客户带来了显著的效率和效果提升。
另外，如何避免目前所做的工作被大模型的快速迭代推翻呢？关键在于架构设计上的解耦。整体架构包含三部分：大模型（类比人的大脑，直接采用如豆包或DeepSeek）、小模型（类比人的小脑，作为手和脚的精准调控中心，细分领域精准能力的补充）、以及工程应用（类比手和脚），这种架构能够保障三者各司其职但又紧密结合、能力互补，同时，随着大模型迭代升级，我们的Agent能力也会随之进化。大家都知道，现在大模型差不多每三个月就有一次重大更新，新版本发布后，我们能快速切换到最新模型，只需对上层应用稍作适配，就能进一步提升Agent的效果和效率。
Agent落地最基础的要求是安全，必须严格遵守业务规则、限制偏离和幻觉，想要同时满足准确性、灵活性和安全性要求，核心是做好工程应用、小模型和基座大模型三者能力的有效结合。在安全和幻觉控制方面，工程应用、小模型发挥了“确定性”的关键作用，也有效地复用了历史能力的建设和积累，比如复用之前的内容安全审核小模型做Agent输入输出检测、复用ASR小模型做语音数据转换、复用规则引擎工程能力做强规则约束（如敏感词拒答）。
营销Agent的核心目标，是实现更精准的洞察、更智能的策略，最终驱动更好的业务增长。在产品和技术层面，这依赖于四个关键要素：
- 更全面的数据资产整合： 要想深入挖掘用户需求、有效辅助销售和客户经理，离不开全面的用户数据和企业知识数据整合，这需要企业深度参与共建和支持，比如如何将好的营销活动设计思路和客户经理金牌话术总结沉淀下来。
- 更深入的价值挖掘： 有了数据后如何最大化利用？这正是火山引擎大数据的核心优势——深入、完整的数据价值挖掘，比如群体洞察、单用户画像刻画与需求预测、个性化营销要素匹配。
- 更全面灵活的工具链： 过去各个系统多是封闭的，现在我们将系统做了一定的解构，无论是数据分析、用户洞察、活动管理、营销自动化、AIGC、素材管理，还是看板搭建平台，都拆解为原子化的插件、AI Tools或子Agent，由智能总控动态调度，根据不同的业务场景按需组合来做价值交付。
- 更安全智能的动作执行： 真实业务场景不能放任Agent自由发挥，需要满足安全合规要求、做严格的内容安全检查和业务规则约束。我们基于智能总控架构，在保障大模型智力充分发挥的同时，通过小模型和工程应用，做了大量的工作来保障业务安全以及解决幻觉问题。
最终，通过以上工作，我们将实现以更低的成本创造更高的收益，真正驱动业务核心指标增长，解决客户实实在在的问题。
)
