AI 原生客户认知与行动引擎
从「记录和管理客户」，转向「持续理解客户、协同顾问、兑现服务，并从结果中学习」。
它不应该只是新一代 CDP，也不应该只是一个汇总录音、微信和业务数据的数据湖。
真正的核心交付，是针对每一位客户，持续回答五个问题：他现在需要什么？我们为什么这样判断？现在能为他做什么？由谁负责兑现？做完之后是否真的产生了价值？
整体建议：
保留现有Voice Platform作为重要感知入口；建立一个有证据、会更新的客户内核；按不同场景向顾问和 Agent 提供业务上下文；通过正式业务系统完成行动；再用真实结果反过来改进对客户和业务的理解。
公开资料核验截至 2026 年 9 月 20 日；厂商产品介绍不等于独立效果验证，开源项目也没有在友车数据和环境中完成实测。Workshop 只读连接返回 404，未完成当前代码和生产能力核验；以本次描述及长城 V3 设计资料为项目依据，不是对现有实现的审计结论。
一、行业变化
领先产品从客户数据走向客户上下文与行动：
- Salesforce Data 360／Agentforce：Agent Context Engine，结构化+通话等非结构化→业务上下文
- Gong Revenue AI OS：Revenue Graph + Revenue Harness + 一线界面；录音分析不是终点
- Tekion T1：统一客户/车辆/交易，AI 进销售服务财务；汽车要懂车+履约
- Impel：Sales/Service/Marketing AI 覆盖生命周期，可与既有系统集成；可先场景切入
- Hightouch AI Decisioning：学渠道时机频率含「是否发送」，有对照组
判断：竞争从「汇总更多数据」转向「理解→可靠业务行动」。不赞成「CDP 已过时」——统一身份/质量/授权/连接仍要；淘汰的是「先建大平台堆标签再找用途」。应：先定义要改善的客户时刻，再倒推理解/证据/能力/验证。
差异三点：①理解汽车具体事（担心什么、哪项承诺可能失约、什么车/服务适合）②理解连真实履约（配件/预约/报价/补偿）③成功经验可验证可复用（条件有效，不是复制个人或机械模仿销冠）。
二、产品定义：客户关系运行内核
三层理解：①相对稳定信息 ②当前情境（快速变）③尚未完成的关系责任（我们还欠客户什么）——第三层尤其重要。允许多个并行事项，不要唯一售前/售后阶段。
全生命周期共用内核、不同业务能力：线索接触｜比较成交｜订车交付｜车主使用｜维修服务｜留存再购。延续长城 V3「客户、车辆、持续服务事项」但提升为销售/交付/服务共同底层。持续事项≠一次到店≠一张工单；客户中心和车辆中心首先是统一业务视图，非复制全部主数据。
产品定义：
AI 原生客户认知与行动引擎，是连接客户交互证据、业务事实、人车关系和履约能力的共享内核。它持续更新对客户的理解，向不同业务场景提供所需上下文，协同人和 Agent 采取受控行动，并通过真实结果形成可复用的经营知识。
认知与行动缺一不可。
三、客户内核存什么
八类对象：客户、车辆、关系、交互、需求、事项、承诺、行动与结果。
特别重视：关系独立；事项可持续跨渠道；承诺正式对象（谁承诺什么何时兑现依据风险负责人）。承诺管理比兴趣标签更有价值。
四种信息性质（例：周末必须用车）：客户原话｜业务事实｜AI 推断（候选）｜已核实结论。不能因模型「很可能」写成永久事实。
每条重要认识至少：关联对象、原始证据、发生时间、系统获知时间、有效期、事实或推断状态、核验状态、允许用途、更正/撤回关系。不同字段不同权威来源，不要统一可信度分数。
四类记忆：交互记忆｜客户理解｜业务进程｜经验知识——保留期/权限/更新不同。系统要会记住也要会更新、纠错、降权、遗忘。
四、架构
逻辑：多源感知 → 证据与业务事实 → 客户认知内核 → 场景上下文 → Agent与顾问协同 → 受控执行 → 结果反馈。不是一开始七套平台。
核心层/外围：渠道感知｜数据适配与证据｜客户认知内核｜场景上下文｜判断与协同｜行动与履约｜评估与学习。稳定核心=对象模型、证据规则、身份关联、权限用途、事项状态、上下文接口、行动合同。外围可扩=适配器、车型知识、品牌政策、场景技能、模型、渠道。
现有Voice Platform保留，提供交互证据接口：录音标识、时间、渠道、参与者角色、转写片段、时间定位、业务关联、质量状态、允许用途。不要让Voice Platform变整个客户系统，也不推倒已有声音能力。客户内核初期可以是业务 Backend 清晰模块。
数据源：内部业务优先正式接口/受控事件；录音聊天保留证据增量抽取；视频先明确业务事件再决定；论坛社交投诉分匿名洞察 vs 身份核验后关联。不能因昵称/车型相似并入实名客户。
数据湖可有但非在线服务中心：原始→对象存储；关系事项承诺权限状态→可事务结构化存储；关键词/向量/关系索引→检索与上下文；大规模分析→湖仓。PostgreSQL+pgvector 可作早期候选，pgvector≠完整内核。在线查配件到货读权威业务状态，不让模型在旧聊天猜。
五、场景上下文服务
回答：当前任务、执行者有权知道什么？哪些仍有效？事实vs推断？还缺什么？允许什么行动？
场景视图：促进成交｜产品匹配｜主动服务｜主动安抚｜主动关怀｜经营与产品洞察。
还要「产品与履约能力理解」：客户需求×车型配置库存政策权益维修配件预约。
上下文包应含「不知道什么」。主动安抚包示例：已确认事实、客户相关需求、变化、未解决事项、证据、不确定性、行动边界、联系条件、下一步。
六、Agent 嵌入
不建议每位客户常驻大 Agent。每位客户有持续状态与记忆，Agent 由事件按需唤醒。
首期：事项协调入口 + 专用能力（交互理解｜客户记忆维护｜事项协调｜销售/服务技能｜经验分析与评估），各有边界表。
循环：新事件→候选认识→身份与证据→冲突有效期→更新场景视图→信息缺口→澄清→结果修正。
权限三面：读取上下文｜提出修改｜执行业务。执行前重检。动作要幂等标识、前置条件、状态、回执。Temporal 可作跨天等待候选；MCP 是工具协议不能代替身份权限业务规则。
七、两场景检验
场景一：交付承诺风险主动安抚——关联原话+承诺+业务状态；查方案；行动卡；追踪履约。核心是降不确定性、明确责任、兑现，不是情绪安抚。可先内部核实不必每个信号触达。
场景二：「再考虑考虑」——整理已知需求/候选阻碍/未验证/建议体验动作/需澄清；按反馈更新；不适合则调推荐，不优化施压。促进成交=帮助合适客户完成合适购买。
八、个体与群体
个体循环：表达→理解→行动→反馈→更新。
群体循环：案例→合规聚合→条件性模式→策略假设→小范围验证→可复用技能。策略库记：适用/不适用条件、业务能力、样本、结果口径、证据等级、版本。
三条边界：群体规律≠个人事实；相关≠因果；公开投诉≠故障率。不建议首期在线强化学习。跨品牌复用能力不混客户数据。
九、前端四界面
顾问工作台｜客户工作空间｜经理工作台｜客户侧服务入口。
十、开源与模型
优先验证：getzep/graphiti（Apache-2.0）、vectorize-io/hindsight（MIT）。备选 mem0。langgraph 流程；temporal 跨天；langfuse 评估；pgvector 检索。GraphRAG 维护模式不建议作长期主干。Graphiti/Hindsight/Mem0 不要三件套叠加，先基线再对比引入。Graphiti 需图存储后端。
模型按任务：Qwen3-ASR；Qwen3.8 27B；Qwen3-Omni；Qwen3-Embedding/Reranker；境外 GPT/Claude/Gemini 作离线对照不默认发真实客户资料。
首期技术路线：现有声音＋结构化客户内核＋混合检索＋场景上下文服务＋少量受控 Agent＋评估追踪。
十一、隐私与低打扰
够用准确可更新的理解，非尽可能多私人信息。用途绑定、共用频控、不读心式画像、撤回纠错传导、外部内容只作数据不作指令。个保法要求法务确认。
十二、落地
首期两场景 A 销售理解与下一步；B 交付/缺件承诺追踪与主动安抚。
12 周：1-2 定义业务与证据；3-5 只读客户内核；6-9 顾问协同；10-12 有限自动化与复用。
验收三组：客户价值｜经营价值｜技术可靠性。分开记：建议生成/顾问采纳/实际执行/业务完成/问题解决。
下一步四交付物：客户对象与权威来源表；两端到端场景合同；客户上下文接口；真实案例评测集（含反例）。
明确建议收口
做客户认知与行动引擎，不另立以数据量标签量为目标的 CDP。客户当前需求/持续事项/承诺/结果放中心；录音聊天论坛在证据感知层。先自主掌握语义上下文行动合同再选可替换组件。先两条闭环再扩全生命周期与群体学习。
目标句：客户不需要反复解释，顾问不需要反复找资料，门店不会轻易遗忘承诺；每一次被证实有效的帮助，都能让整个组织下一次做得更好。
参考链接（写入 sources 与 entities）：
[1] https://www.salesforce.com/data/
[2] https://www.gong.io/platform
[3] https://www.tekion.com/
[4] https://impel.ai/
[5] https://hightouch.com/platform/ai-decisioning
[6] https://github.com/pgvector/pgvector
[7] https://github.com/temporalio/temporal
[8] https://modelcontextprotocol.io/specification/2025-11-25/basic/security_best_practices
[9] https://github.com/getzep/graphiti
[10] https://github.com/vectorize-io/hindsight
[11] https://github.com/mem0ai/mem0
[12] https://github.com/langchain-ai/langgraph
[13] https://github.com/langfuse/langfuse
[14] https://github.com/microsoft/graphrag
[15] https://github.com/QwenLM/Qwen3-ASR
[16] https://github.com/QwenLM/Qwen3.8
[17] https://github.com/QwenLM/Qwen3-Omni
[18] https://github.com/QwenLM/Qwen3-Embedding
[19] https://platform.openai.com/docs/models
[20] https://ai.google.dev/gemini-api/docs/models
[21] https://www.cac.gov.cn/2021-08/20/c_1631050028355286.htm