Randall Newman，CPTO兼Satisfi Labs联合创始人——访谈系列

Randall Newman，担任Satisfi Labs的CPTO兼联合创始人，是一位在构建AI平台、金融科技和高性能系统方面拥有丰富经验的技术与产品领袖。自共同创立Satisfi Labs以来，Newman在设想、设计和扩展公司对话式AI技术方面发挥了核心作用，同时负责产品开发、架构、工程团队以及战略集成。在加入Satisfi Labs之前，他曾担任Satisfi Inc.的产品主管，并共同创立了移动营销公司Right On Mobile。在职业早期，Newman在CIBC World Markets工作了超过17年，担任过覆盖战略风险、高频交易和股票套利的高级领导职务，将量化交易专长与实践技术开发相结合。

Satisfi Labs是一家专注于为体育、娱乐、旅游、景点及其他现场体验业务部署专用AI代理的人工智能公司。公司成立于2016年，已从对话式AI及其Answer Engine演进为一个代理平台，旨在帮助组织实现客人支持自动化、提升票务和商业转化率，并从客户对话中提取洞察。其AI代理能够支持超过50种语言，并可与票务系统、CRM、内容管理系统及其他业务系统对接，执行如售票、将对话升级至人工客服、收集客户信息以及提供个性化回复等操作。Satisfi Labs表示，其技术目前已被超过775个品牌信赖，且其整合与合作伙伴遍及Ticketmaster、Simpleview、MappedIn、Ventrata和Vozzi等公司。

您在金融市场工作了近二十年，包括在CIBC构建低延迟交易系统并领导高频交易策略，随后转向技术创业并最终共同创立了Satisfi Labs。哪些来自于对速度、可靠性和风险管理至关重要的操作系统的经验，对您如今构建生产级AI代理的方式影响最大？

交易教会我，好点子和好生意是两回事。即使正确识别了机会，也可能因执行慢、成本过高或风险假设错误而亏损。AI也是如此。模型能力只是一个输入，业务成败取决于你能否将该能力转化为可接受成本和风险下的可重复结果。

运营指数套利账本也会让你看到单个决策之外的影响。一个小错误在整个投资组合中重复，就会演变成巨大的敞口。使用AI时，成千上万的代理可能各自做出合理决策，却在整体上产生问题。它们可能依赖同一错误数据，或都在重试同一失败服务。你必须管理整个系统，而不仅仅是单个响应。

而且，速度只有在提升结果时才有意义。在交易中，曾有毫秒级的关键时刻。对于AI，我宁愿多花一秒确认交易，也不愿瞬间交付错误结果。关键在于辨别速度能创造价值的场景，以及仅会加速错误的情形。

最后一课正是开启整个业务的起点。优势来源于在他人之前发现错误定价。我认为目前的错误定价在于大多数企业将AI代理视为削减支持成本的手段。我们在Satisfi Labs则将其视为收入渠道。在我们的体育场馆中，大约40%的代理对话涉及票务。这些粉丝并非来抱怨，而是手握现金，询问座位安排。找到市场定价错误的点并加以捕获，这与套利业务的直觉相同。

Satisfi Labs成立于2017年，早于当前生成式AI热潮，并已从上下文自然语言处理和对话式AI演进为代理平台。为了从主要用于回答问题的系统转变为能够代表用户执行操作的代理，需要进行哪些最大的架构变更？

我们花费十年时间为800多家企业客户（包括MLB/NFL球队、娱乐场馆和旅游组织）构建了数千个AI代理。最大的变化在于，你赋予系统权力，而不仅仅是信息。

如果助手告诉你哪些票可用，这只是提供答案。如果它为你换票，则涉及更改库存、客户记录，甚至可能涉及金钱。此时你必须了解谁授权了该操作、实际发生了什么，以及在过程半途停止时如何恢复。

因此，我们将模型的判断与执行权力分离。模型可以解释请求并提出下一步建议，而其下层系统负责执行权限、业务规则和交易限额。模型给出的有说服力的解释无法覆盖这些控制。

你还需要明确区分“代理声称已完成任务”和“业务系统确认已完成”。两者并不相同。如果购买请求超时，最好先确认购买是否已经完成再进行重试。

在战略层面，更好的模型不应迫使你重新构建业务控制。我希望能够利用每一次推理的改进，而无需在每个新模型发布时重新协商系统被允许执行的操作。

“agentic AI”一词现在被用于广泛的产品。从工程视角来看，你如何划分高级聊天机器人、AI 副驾驶和真正自主的 AI 代理之间的界限？

我会问一个问题：这个人实际上委托了什么责任？

聊天机器人提供信息。副驾驶帮助你完成工作，但你仍然在指挥并批准关键步骤。自主代理则被授权在追求目标的过程中自行作出部分决策。

界面并不会告诉你正在使用哪一种。对话产品背后可能具备真正的自主性。即使标榜为代理的产品，仍可能需要人工批准每一次有价值的操作。

对于企业而言，自主性应当是一项具体的协议：该系统可以在这些用户、这些限制范围内执行这些操作，并且在这些条件下必须停止。这是可以实际测试和治理的内容。

我也不认为最大化自主性是目标。有时最好的产品只会提出一个恰当的问题，然后处理其余事务。去掉这个问题虽然会让演示更炫，但会让业务更不安全。目标是消除不必要的人力工作，而不是消除必要的人类判断。

Satisfi Labs 最近推出了 Satisfi Forward，这是一项前置部署的工程实践。你在构建强大的 AI 平台与让代理在客户真实环境中可靠运行之间看到了什么差距，从而促使你创建了这一模式？

最后一公里正成为瓶颈。平台可以标准化很多工作，但不能假设每个客户的业务方式都相同。他们的工单系统存在一定限制。审批流程要经过三个部门。他们对合格线索的定义与下一个客户不同。这些细节决定了部署是否真正有价值。

你可以购买即用型平台并组装出令人印象深刻的演示。但将其商业化为面向真实用户的可靠体验则是另一回事。这正是前置部署工程师的用武之地。我们在 Satisfi Forward 的团队职责是弄清目标，找出阻碍因素，并在平台之上构建工作流和集成，使其得以实现。

但我们对每一次合作都设定了明确的边界。在动手构建之前，我们会就成功的定义、业务流程的所有者、哪些环节依赖客户以及上线后由谁维护达成一致。否则，最后一公里的项目会变成无限制的义务。合作并不是代码交付时结束，而是在工作流在客户运营中正常运行且有人负责维持其运行时才算完成。

代码的生产成本也大幅下降，这使得该模式比过去更具可行性。但我并不把 Satisfi Forward 视为附加在 SaaS 产品上的服务部门。每一次合作都让我们了解下一个产品该是什么。当有三位客户提出相同的工作流需求时，这并不是支持负担，而是自带付费客户的路线图在自行成形。旧的 SaaS 模式是先猜测功能再等待验证，而我们则是先获取验证并在此过程中获得收入。我认为这正是 AI 时代产品公司成长的方式。

你的代理可以连接工单系统、客户关系管理平台、内容管理系统以及其他实时信息源。随着代理获得交易和触发操作的能力，你如何在实时数据访问与低延迟、以及对事实依据、安全性和防止错误操作的保障之间取得平衡？

首先，我绝不会让速度弥补安全失误。某些需求本身就是约束条件。你必须在这些约束内进行优化。

接着，需要区分工作类型。回答停车问题和完成票务购买对数据新鲜度和控制要求并不相同。对于稳定信息可以进行缓存。当金钱交易发生时，需要权威的交易系统来确认价格、可用性以及完成情况。

危险的情况是系统不知道发生了什么。后端接受了购买，但响应从未返回。如果代理假设失败并重试，就会产生两笔购买。这不是语言问题，而是事务恢复问题。

而且你必须在真正重要的条件下衡量体验。安静的星期二的平均延迟几乎没有意义。如果活动因雨取消，瞬间会有成千上万的人询问他们的票务情况。如果只基于每分钟的平均流量进行规划，就会错失高峰时所需的容量。我正是从交易系统中直接学到这一点。

这里也涉及成本决策。并非每个请求都需要最昂贵的模型或一连串的代理。使用满足需求的最简路径，并在能实质性提升决策的地方投入额外的时间或计算。用户应该得到一个诚实的结果，包括对某些无法确认的事项的诚实说明。

Satisfi Labs 描述了一种模型，其中专门的代理可以作为 AI 劳动力一起协作。协调多个专门代理时，最困难的技术问题是什么，尤其是在路由、共享上下文、冲突决策以及确定哪个代理应当行动方面？

最困难的部分是在分配工作时保持问责制。

首先要问自己是否真的需要另一个代理。有时需要专家，有时只需要一次工具调用或一个普通工作流。每添加一个代理，就相当于对请求的另一种解释、另一项依赖、另一处可能出错的地方。而在后台运行的代理数量应对用户保持透明。

当多个代理都有理由介入时，我希望由一个代理负责整个交互。专家可以提供信息或完成受限任务。票务代理负责库存和兑换，客服代理负责政策。但必须有人来整合结果，并判断用户是否真正得到了他们想要的东西。

路由很困难，因为人们的提问并不划分为整齐的类别。一个请求可能涉及三个代理。系统必须判断：是否可以由单一代理处理，是否需要多个代理按顺序运行，或是否应在执行任何操作前再向用户提问一次？

上下文也是如此。你不会把所有信息都发送给每个代理。这会增加延迟、产生噪音，并可能泄露代理不需要的信息。而且一个代理的假设不应因为被传递给下一个代理就变成事实。

如果两个代理意见不合，我不希望它们争论到其中一个听起来更有说服力为止。必须有明确的权威模型。票务系统决定可用性，业务决定交换政策。实时数据胜过缓存数据，业务规则胜过模型判断；如果仍无法解决，就询问用户或引入人工。难点不在于让代理彼此对话，而在于能够准确重建每个代理的具体行为以及责任所在。

Satisfi Labs 越来越关注将代理的表现与目标和业务成果进行衡量，而不是对话量等指标。企业应当实际衡量哪些指标才能判断 AI 代理的表现是否良好，以及在赋予代理更大自主权之前，如何评估其可靠性？

先从业务结果出发，然后询问该结果中有多少是由代理实际产生的。

如果有人在与代理交谈后购买了票，并不自动意味着是代理促成了交易。他们可能本来就会购买。尽可能时，需要进行受控对比或建立可信的基准，而不是仅仅把功劳归于最后一次交互。对票务客户而言，这意味着要衡量粉丝是否最终拿到座位，而不是代理是否礼貌应答。对希望缩短售票处排队时间的场馆而言，则要衡量代理在任何人排队之前解决了多少问题。

随后审视成功结果的经济成本：模型费用、基础设施、人力审查、升级以及修复错误的成本。一个看似廉价的代理，如果算上修复其工作的人力成本，实际上并不便宜。

可靠性需要专门的评分卡。包括完成度、正确性、未授权操作、故障恢复、升级质量等。不能把一次严重的隐私事件平均进良好的转化率中。

若要赋予更大自主权，我会要求提供对所委派具体操作类别的证据。对其进行测试，在监督下观察，在限定范围内扩展，并保留停止其运行的方式。整体准确率高并不意味着系统已准备好处理所有交易。还要注意激励机制。有时引入人工才是正确的结果。如果只奖励代理避免交接，就不要惊讶于它会保留本应升级的问题。

您最近主张，语音 AI 应围绕可衡量的结果进行设计，而不是被视为现有聊天机器人的另一种界面。在语音代理能够成为复杂实时交互的主要接口之前，尤其是在体育场、景点和现场活动等环境中，还需要哪些技术突破？

很多客户会问，能否直接把聊天应用接入语音？我们可以做到。但这并不意味着体验会好。下一个真正的改进不是更像人的声音，而是能够在用户实际使用的各种环境中仍然顺畅的交互。

在体育场内，有人要在嘈杂的人群声中说话，使用不熟悉的球员姓名，在句子中途改变主意，并尝试在大门打开前完成购买。系统必须能够处理中断、不确定性以及后端延迟，而不导致任务中断。

特别注意关键细节。误听一句随意的短语是一回事，误听票数或活动日期则是另一回事。代理需要确认那些会改变行动后果的细节，而不让整个对话变得冗长。

而且不应强迫语音完成所有任务。在屏幕上比较二十种座位选项要更直观。有人可能先打字、上车，然后想通过语音继续同一段对话。系统应保留该上下文，并根据当时最合适的方式使用语音、文字和视觉。

其中一些需要更好的模型。大量内容需要更好的集成和交互设计。等待突破并不能修复一个围绕文字并随后朗读的工作流。我会这样评判进展：人们是否能够在真实条件下更准确、更省力地完成任务？

随着代理从提供信息转向售票、收集客户数据、个性化体验以及与运营系统交互，企业应如何决定哪些决策可以让代理自主完成，哪些决策必须始终由人工监督？

这是一种风险管理。如果出现偏差，可能造成何种损害？代理会不会打开一扇自己关不上的门？

可逆性是一个有用的首要测试，但也要考虑整体风险。一次退款可能规模小且可逆，而在无人注意前进行一万笔错误退款则是完全不同的问题。需要对单个操作以及系统累计活动设定限制。

如果操作风险低且可逆，就赋予其更大自主权：更新偏好、检查订单、保留商品。随着后果的加重，需要加入确认或批准。购买可能需要客户确认价格。大额退款可能需要员工签字。安全威胁则需立即升级。而有些决策应始终由人来做，毫无例外。

顺便说一下，客户同意和公司批准是不同的概念。客户确认购买并不授权代理绕过公司政策。员工批准例外也不意味着客户同意收费。

这些限制必须由执行操作的系统强制实施，而不仅仅在提示中描述。不能给代理广泛权限后再依赖提示让其小心行事。当需要人工时，必须提供足够的上下文让其做出真实决策。把成百上千的批准交给没有信息的人，只会造就橡皮图章，而非监督。应将人工关注放在能显著降低风险的环节上，避免在每一次交互中都分散注意力。

展望未来，您是否预期诸如模型上下文协议（Model Context Protocol）和代理间通信等技术会根本改变企业 AI 系统的构建方式，使我们从孤立的代理转向能够发现工具、交换上下文并跨公司、跨平台协同操作的生态系统？

我认为这些协议是一种手段而非目的。MCP 为 AI 应用提供了一种通用方式来访问工具和上下文。代理间协议处理代理之间的协作，这非常有价值。您不应每次代理需要工具时都去构建定制集成。这类似于 API 对软件集成所起的作用。

但统一的格式并不意味着两个企业就行动的含义、授权人或失败时的处理达成一致。仅仅因为代理可以发现某个工具，并不意味着它就被允许使用。仍需解决身份、权限、信任和问责问题。如果一个代理请求另一个代理执行某事且出现错误，谁来承担该决定的责任？

我认为真正改变的是：今天，场馆拥有网站和应用程序；几年后，它将拥有一个与其他代理协商的代理。粉丝的个人助理向场馆的代理请求两张符合特定价格的座位并加一张停车通行证，整个交易在两个代理之间完成。找到合适的功能是容易的一步，真正的难题在于了解客户的消费授权、确认综合价格，以及在票务成功而停车失败的情况下如何处理。

我并不认为运营一个代理就能自动获得客户关系，这需要赢得信任。但我也不认为场馆会把这些交易交给搜索公司或票务平台。Satisfi Labs 的目标是成为代表场馆在该生态中的代理，足够可靠，以至于企业愿意把自己的品牌交给它。我们围绕可靠性、权限和问责构建的一切，正是赢得这份席位的关键。

感谢这次精彩的访谈，想了解更多的读者请访问 Satisfi Labs。