今天我将与Decagon联合创始人Jesse Zhang对话。Decagon是一家早期阶段的公司，专注于为客户支持构建企业级生成式AI。公司成立于2023年8月，其平台已被Rippling、Notion、Duolingo、ClassPass、Eventbrite、Vanta等大型企业和快速成长的初创公司采用。《No Priors》

{"highlight":[{"answer":"当然可以。先简单介绍下我的背景吧。我在博尔德长大，参加过很多数学竞赛之类的活动。后来在哈佛大学学习计算机科学。正如你提到的，我毕业后就创业了，那家公司最终被Niantic收购。之后我离开Niantic创办了现在这家公司。我和阿什温（Ashwin）是通过共同朋友认识的，正式见面是在一次风投公司的场外活动上。我们聚到一起时就想，从第一家公司学到的最大经验就是，真的不能过度思考。一开始我们显然对AI智能体很感兴趣——这是非常令人兴奋的技术，可以说是这一代最酷的东西了。我们和很多客户聊了聊，就是你刚才提到的那些公司。这么多年来，我们越来越擅长和人们沟通，知道该问什么问题。通过这个过程，我们逐渐确定了现在的用例——我们认为这可能是AI智能体的黄金用例，也就是客户互动、客户服务。这个用例非常适合大型语言模型（LLMs）的优势。于是我们就从这里开始构建，对吧？当时我们还没怎么考虑业务划分之类的事情，就想着眼前有这么多客户，怎么才能让他们满意，让他们真正喜欢我们正在构建的产品。这就慢慢发展到了我们现在的阶段。现在作为一家公司，Decagon主要提供用于客户服务和客户体验的AI智能体。到目前为止，让我们脱颖而出的是我们对透明度的高度重视。当客户使用我们的产品时，尤其是这些大公司，AI智能体不能是黑箱这一点对他们来说非常重要。他们希望，即使大型语言模型很强大，能做很多事情，他们也能看到决策是如何做出的、使用了哪些数据、答案是怎么来的，以及如果想提供反馈该怎么做等等。目前，我们已经与很多拥有大型支持团队的大公司达成了生产级合作。","question":"能多介绍一下Decagon的业务内容、工作原理以及公司的核心 focus 吗？"},{"answer":"当然。就像你说的，现在大家都能访问相同的模型。我们始终把自己定位为软件公司，虽然我们确实在AI领域做了很多工作，大量使用AI模型，但现在大多数应用其实都是软件公司，AI模型只是大家都能用的工具。我们构建的核心优势主要在模型之上的两层：一是编排层，也就是如何把不同模型组合起来使用。我们会设置评估体系，衡量每个模型在特定任务上的表现，并根据客户的业务逻辑进行整合。二是传统软件层面的工具链。如我之前所说，透明度很重要——客户不希望AI智能体是个黑箱，他们想知道智能体用了什么数据、决策步骤是什么、如何生成答案，以及如何反馈调整。所以我们构建了一系列工具，比如对话分析功能：如果有一百万条对话，没人能逐条阅读，我们就让LLM自动分析所有对话，识别问题所在、知识盲区，并分类呈现趋势。这是我们一直在构建的软件基础设施。不同类型的智能体需要不同的编排层——比如我们的客服智能体和代码智能体的编排逻辑就很不一样，但本质上都是在大型语言模型之上构建结构化系统。","question":"能从技术和基础设施角度多介绍一下你们的构建吗？毕竟现在大家都能访问GPT-4、Cloud Sonnet这些基础模型，你们为了适配客户支持场景和客服人员的需求，具体构建了哪些额外的东西？"},{"answer":"我们一直在思考的一个问题是：不同类型的AI智能体，其成功程度和普及速度会有巨大差异。刚创业时，我们对AI智能体很兴奋，但不确定未来12到24个月会不会有真正的用例出现，所以一直在探索。我们的观点是：就当前模型水平而言，大多数用例的商业落地会比预期慢很多。一个重要原因是很多领域缺乏“渐进式构建”的空间——必须一开始就几乎完美。比如网络安全，虽然日志数据丰富，看似适合AI，但核心任务是“发现任何异常”，而模型本质上是非确定性的，买家很难信任生成式AI解决方案，即使demo很酷，实际落地也会很慢。另一个原因是很多场景看似适合AI，但投资回报率（ROI）难以量化。比如文本转SQL工具，演示时很酷炫，但客户的第一反应往往是“还需要人监督和编辑”，最终变成辅助工具。这时就很难计算该付多少钱——大多数团队本来就没几个数据科学家，你说AI能替代数据科学家，但又比不过真人，ROI不明确，大企业就很难签大额合同。我们创业时就是通过和客户聊天，了解他们愿意为什么付费。现在回头看，过去一年的经验验证了这一点：成功的用例必须具备两个特质：一是可以渐进式落地，不需要一开始就完美，但能立刻创造价值（比如代码智能体可以先处理部分任务）；二是ROI清晰可量化——我们的客户支持场景正好符合，因为客服团队的成本和效率数据都很明确。","question":"你如何判断短期内哪些领域的AI智能体容易成功，哪些比较难？"}]}