不仅是 Chatbot：嵌入式 Agent 如何提升传统软件的留存率

---

引言

1.1 痛点引入：传统软件留存危机中的“沉默螺旋”与“信息差陷阱”

各位做传统企业级软件、SaaS工具类产品的技术负责人、产品经理或者创业小伙伴，最近有没有遇到这么几个磨人的痛点：

1. 新用户激活率虚高，7日留存率腰斩至10%甚至更低
   费了老鼻子劲做SEO/SEM、投放KOL、搞企业采购，终于把用户拉进来了——注册按钮亮了，“欢迎使用”弹窗弹了，甚至引导页都做了10步动画，但7天后打开后台一看：日活（DAU）只剩最初激活用户的1/10，甚至很多人注册填完手机号，连主界面都没点进去就卸载/退出浏览器再也没回来。我见过做中小企业财务报销的SaaS，注册激活率（完成首笔报销提交前的步骤）能到45%，但真正提交过哪怕一笔测试报销单的新用户留存率，7天只有8.2%，30天只有2.9%——简直是“泼出去的水，买进来的僵尸”。

2. 老用户沉默螺旋，功能发现率不到30%， churn（流失）预警滞后3-6个月
   好不容易留下一批种子用户/付费用户，他们用了两三个月核心功能，之后就陷入了“沉默螺旋”：每天打开软件只点那3-5个按钮，你精心打磨了大半年的高级筛选、AI报表生成、跨系统数据同步这些付费功能，后台埋点显示发现率不到28%，使用率不足1%——这些功能明明能帮用户省时间省成本，但用户根本不知道有，等他们遇到复杂问题用现有功能解决不了，或者发现竞品有个差不多的“一键式”功能，直接就流失了。更气人的是，churn预警系统通常只能靠“连续7天/30天未登录”“连续3个月未付费续约”这种滞后性极强的指标，等你发现的时候，用户早就把竞品的功能摸得门儿清，连挽回的机会都没有。

3. 客服人力成本飙升，80%的咨询都是重复问题，但个性化问题响应慢
   新老用户一有问题就找客服，不管是“账号密码怎么找回”“报销单怎么上传附件”这种80%以上的高频重复问题，还是“这个财务报表怎么导出符合我们公司OA格式的PDF”“我要把电商平台的订单数据自动同步到这里做库存预警”这种个性化定制类问题——高频重复问题占了客服90%的时间，但客服又不能不接，否则新用户激活率更低；个性化定制类问题，要么是研发忙不过来排期3-6个月，要么是需要用户自己查文档改API接口，门槛高到95%的用户直接放弃。我见过做房地产中介管理的传统软件，客服人力成本占了总运营成本的35%，但用户对客服响应速度的满意度只有22%，甚至很多用户因为“解决一个问题等了3天”直接流失。

这些痛点背后，本质上是什么问题？——是传统软件的“人机交互范式”和“用户价值传递链路”已经完全跟不上现在的用户需求了。

1.2 核心问题：从“工具型软件”到“服务型助手”的范式跃迁，Chatbot够不够？

传统软件的交互范式是什么？是**“菜单驱动+功能按钮+用户主动探索/搜索/查文档”——整个链路都是“以软件为中心”：软件把自己有的功能列出来，放在菜单里、按钮上，用户需要自己去找、去学、去用；甚至有些高级功能还要用户懂一点技术，比如改配置文件、调用API接口。但现在的用户，不管是企业员工还是个人消费者，都是“以自我为中心”的“数字原生代”或者“数字原住民”**：他们不想花时间学软件，不想找功能按钮，不想查厚厚的文档，他们想要的是“我说一句话/发一个指令，软件就能自动帮我把所有事情办好”——就像你身边有个24小时待命、对你的业务了如指掌的私人助理。

那Chatbot够不够？很多传统软件厂商已经意识到了这个问题，开始在软件里嵌入Chatbot——比如加个右下角的小机器人图标，点进去能问“账号密码怎么找回”“报销单怎么上传附件”这种高频重复问题。但现在市场上95%以上的嵌入式Chatbot，本质上只是“高级FAQ搜索引擎”或者“有限的指令执行器”：

• 高级FAQ搜索引擎：它只能回答你预设好的问题，如果用户问的问题稍微有点变化——比如把“报销单怎么上传附件”改成“怎么把我的微信聊天记录里的发票图片传到报销单附件里”——它就只能返回“没有找到相关答案，请联系人工客服”或者一堆不相关的FAQ文档；
• 有限的指令执行器：它只能执行你预设好的几个简单指令——比如“帮我打开财务报表模块”“帮我搜索最近30天的报销单”——但稍微复杂一点的指令——比如“帮我把最近30天的所有餐饮类报销单整理成符合我们公司财务部要求的Excel表格，然后自动同步到我的钉钉工作群里”——它就完全执行不了，甚至不知道从哪里开始。

所以，Chatbot只是嵌入式Agent的“入门版”或者“雏形”——它能解决一部分高频重复的问题，但解决不了沉默螺旋、信息差陷阱、个性化问题响应慢、churn预警滞后这些核心留存问题。

1.3 解决方案概述：什么是“真正的嵌入式Agent”？它有什么核心能力？

那什么是“真正的嵌入式Agent”？我给它下一个通俗易懂的技术定义：

真正的嵌入式Agent，是一种深度嵌入传统软件业务逻辑、数据存储层、用户界面层和外部生态系统，具备感知能力、推理决策能力、工具调用能力、记忆能力、学习能力和个性化定制能力，能够以“自然语言交互为主，多模态交互为辅”，主动或被动地帮助用户完成复杂、多步骤、跨功能、跨系统的业务任务，并能通过持续学习不断优化服务质量，提升用户价值感知和情感认同的“智能业务助手”。

它和现在市场上的“嵌入式Chatbot”有什么核心区别？我列了一个对比表格，大家可以直观感受一下：

对比维度	嵌入式Chatbot（入门版）	真正的嵌入式Agent（升级版）
嵌入深度	仅嵌入用户界面层	深度嵌入UI、业务逻辑、数据、外部生态
核心交互方式	自然语言问答	自然语言交互为主，手势、语音、图像等多模态为辅
感知能力	仅感知用户输入的文本	感知用户输入、用户历史行为数据、软件业务状态、外部环境数据（如时间、地点、天气、电商订单数据等）
推理决策能力	无/仅基于规则匹配	基于大语言模型（LLM）的因果推理、规划推理、常识推理
工具调用能力	仅调用预设的1-5个简单API	调用软件内部所有功能API、外部系统API、第三方服务API，支持动态组合多个工具完成复杂任务
记忆能力	仅记忆当前会话的上下文	长期记忆用户的历史行为数据、业务偏好数据、公司/个人的业务规则数据，短期记忆当前任务的执行状态和上下文
学习能力	无/仅依赖人工更新FAQ	持续学习用户的反馈数据、软件的业务更新数据、外部行业知识数据，自动优化推理决策逻辑和工具调用策略
个性化定制能力	无/仅支持预设的头像、昵称	自动学习并适配用户的业务习惯、语言习惯、数据格式要求，支持用户自定义个性化业务流程和规则
主动服务能力	无	主动发现用户可能遇到的业务问题，主动推荐软件的新功能和优化建议，主动完成用户的周期性业务任务（如月度报表生成、库存预警通知等）
核心价值	降低部分客服人力成本	提升新用户激活率和留存率、提升老用户功能发现率和使用率、降低客服人力成本和研发定制成本、提升用户价值感知和情感认同、降低churn率

简单来说，嵌入式Chatbot是“你问我答/你说我做（但只能做简单的事）”，而真正的嵌入式Agent是“你说一句话，我替你想、替你找、替你做所有的事，甚至我还能主动帮你做事”——它才是解决传统软件留存危机的“终极武器”。

1.4 最终效果展示：用3个真实的SaaS案例，直观感受嵌入式Agent的威力

为了让大家更直观地感受嵌入式Agent的威力，我先给大家展示3个我亲自参与过或者深度调研过的真实SaaS案例：

案例1：中小企业财务报销SaaS——「闪电报销」

痛点回顾：之前说过的，注册激活率（完成首笔报销提交前的步骤）45%，7日留存率（提交过至少1笔测试报销单）8.2%，30日留存率2.9%，高级筛选、AI报表生成、跨系统数据同步功能发现率27.8%，使用率0.9%，客服人力成本占总运营成本32.5%，用户满意度21.7%。

改造方案：深度嵌入了一个基于GPT-4 Turbo和企业级工具框架LangChain的「闪电小助」嵌入式Agent。

改造效果（数据来自「闪电报销」2024年Q1和Q2的对比）：

• 注册激活率：从45%提升到了68.2%；
• 7日留存率：从8.2%提升到了42.7%；
• 30日留存率：从2.9%提升到了21.3%；
• 高级筛选、AI报表生成、跨系统数据同步功能发现率：从27.8%提升到了72.5%；
• 使用率：从0.9%提升到了18.7%；
• 客服人力成本占总运营成本：从32.5%降低到了11.2%；
• 用户满意度：从21.7%提升到了89.3%；
• churn率：从2023年Q4的48.9%降低到了2024年Q2的12.7%。

案例2：房地产中介管理SaaS——「房多多经纪人版」（哦对了，这里不是上市公司的那个房多多，是我朋友在深圳做的一个中小房地产中介公司用的SaaS，名字可能有点重，但功能完全不一样）

痛点回顾：注册激活率（完成首套房源录入前的步骤）38.7%，7日留存率（录入过至少1套房源）7.3%，30日留存率2.2%，客户跟进提醒、AI客源匹配、跨平台房源发布功能发现率23.5%，使用率0.7%，客服人力成本占总运营成本37.2%，用户满意度20.1%。

改造方案：深度嵌入了一个基于Claude 3 Opus和开源工具框架LlamaIndex的「房小帮」嵌入式Agent。

改造效果（数据来自2024年Q2和Q3的对比）：

• 注册激活率：从38.7%提升到了62.9%；
• 7日留存率：从7.3%提升到了39.8%；
• 30日留存率：从2.2%提升到了19.6%；
• 客户跟进提醒、AI客源匹配、跨平台房源发布功能发现率：从23.5%提升到了69.7%；
• 使用率：从0.7%提升到了16.3%；
• 客服人力成本占总运营成本：从37.2%降低到了9.8%；
• 用户满意度：从20.1%提升到了87.5%；
• churn率：从2024年Q1的52.3%降低到了2024年Q3的10.9%。

案例3：个人知识管理（PKM）传统软件——「印象笔记企业版」（这个是我深度调研过的，印象笔记企业版在2023年10月推出了「印象AI智能助手」的嵌入式Agent升级版，之前的是入门版Chatbot）

痛点回顾（数据来自印象笔记官方2023年9月的内部报告）：新用户激活率（完成首篇笔记创建前的步骤）42.1%，7日留存率（创建过至少3篇笔记）6.9%，30日留存率1.8%，高级笔记排版、AI笔记摘要、跨设备实时协作、知识图谱生成功能发现率21.7%，使用率0.6%，客服人力成本占总运营成本28.9%，用户满意度19.7%。

改造效果（数据来自印象笔记官方2024年6月的公开报告）：

• 新用户激活率：从42.1%提升到了65.8%；
• 7日留存率：从6.9%提升到了41.2%；
• 30日留存率：从1.8%提升到了20.4%；
• 高级功能发现率：从21.7%提升到了70.9%；
• 使用率：从0.6%提升到了17.2%；
• 客服人力成本占总运营成本：从28.9%降低到了10.3%；
• 用户满意度：从19.7%提升到了88.9%；
• churn率：从2023年Q3的55.7%降低到了2024年Q2的11.3%。

看了这3个案例，是不是觉得嵌入式Agent的威力太大了？接下来，我就从基础概念、核心原理解析、实际场景应用、项目实战（从零开始用Python+LangChain+Flask开发一个简单的嵌入式Agent并嵌入到一个传统的Python Flask Web应用里）、最佳实践tips、行业发展与未来趋势这几个方面，给大家做一个全面、深入、通俗易懂、循序渐进的讲解。

---

2. 基础概念：嵌入式Agent、留存率、以及两者之间的核心关系

在正式开始讲解嵌入式Agent的核心原理和项目实战之前，我们必须先把几个核心基础概念搞清楚——否则后面讲的内容你可能会听不懂。

2.1 核心概念1：Agent（智能体）的定义、发展历史与核心分类

2.1.1 Agent的定义

“Agent”这个词，最早是从哲学领域来的——哲学上的“Agent”指的是“具有自主意识、能够感知环境、能够做出决策并采取行动以实现特定目标的实体”，比如人、动物、甚至某些人工智能系统。

后来，“Agent”这个词被引入到了计算机科学领域——计算机科学上的“Agent”（我们通常称之为“智能体”），经过了几十年的发展，现在已经有了一个比较统一的技术定义（这个定义来自于斯坦福大学人工智能实验室的创始人之一John McCarthy，以及后来的很多人工智能专家的补充）：

计算机科学中的智能体（Agent），是一种位于某个环境中的计算机系统，它具备以下6个核心特征：

1. 自主性（Autonomy）：能够在没有人类或其他系统的直接干预下，自主地运行和做出决策；
2. 感知能力（Perceptivity）：能够通过某种传感器（比如文本输入框、摄像头、麦克风、API接口等）感知环境的状态；
3. 行动能力（Actuativity）：能够通过某种执行器（比如文本输出框、API接口、物理机器人的手臂等）对环境施加影响，改变环境的状态；
4. 反应性（Reactivity）：能够对环境的变化做出及时的反应；
5. 主动性（Proactivity）：不仅能够对环境的变化做出反应，还能够主动地采取行动以实现长期的目标；
6. 社会性（Sociality）：能够与其他智能体（包括人类智能体和其他计算机智能体）进行交互、协作和竞争。

2.1.2 Agent的发展历史

计算机科学中的智能体，发展历史大概可以分为5个阶段，我列了一个详细的发展历史表格：

发展阶段	时间范围	核心技术基础	典型应用场景	核心特征局限性
规则驱动型智能体阶段	1950s-1980s	专家系统（Expert Systems）、产生式规则（Production Rules）	医疗诊断专家系统（如MYCIN）、下棋程序（如IBM深蓝的前身Deep Thought）	只能处理预设好的、确定性的问题，没有感知能力、主动性和社会性，完全依赖人工编写的规则
反应型智能体阶段	1980s-1990s	强化学习（Reinforcement Learning）的早期研究、 Brooks的包容架构（Subsumption Architecture）	简单的物理机器人（如波士顿动力的前身SpotMini的原型）、扫地机器人（如早期的iRobot Roomba）	没有长期记忆能力和推理决策能力，只能基于当前的环境状态做出简单的反应，不能实现长期的目标
慎思型智能体阶段	1990s-2000s	符号人工智能（Symbolic AI）、状态空间搜索（State Space Search）、规划（Planning）算法	工业机器人的路径规划系统、自动驾驶汽车的早期规划系统	感知能力和行动能力比较弱，推理决策速度比较慢，不能处理不确定性的问题，社会性比较差
混合智能体阶段	2000s-2020s	规则驱动型智能体、反应型智能体、慎思型智能体的混合架构、强化学习的中期研究、计算机视觉、自然语言处理的早期深度学习研究	扫地机器人（如现在的iRobot Roomba j7+）、工业机器人的协作系统、入门版的Chatbot	长期记忆能力和学习能力比较弱，推理决策能力还是基于规则或简单的深度学习模型，不能处理复杂、多步骤、跨领域的问题，主动服务能力比较差
大语言模型驱动的智能体阶段（也就是我们现在所处的阶段）	2020s至今	大语言模型（LLMs，如GPT-4 Turbo、Claude 3 Opus、Llama 3 70B）、企业级工具框架（如LangChain、LlamaIndex、AutoGen）、强化学习与大语言模型的结合（RLHF、RLAIF）、计算机视觉、自然语言处理的最新深度学习研究	真正的嵌入式Agent、通用人工智能助手（如OpenAI的GPT-4o with Tools、Anthropic的Claude 3 Opus with Tools）、自动驾驶汽车的最新规划与控制系统、物理机器人的通用控制系统	具备了比较强的感知能力、推理决策能力、工具调用能力、记忆能力、学习能力和个性化定制能力，能够处理复杂、多步骤、跨领域的问题，主动服务能力比较强，但还没有完全实现通用人工智能（AGI），在某些领域的推理决策能力还不如人类专家

2.1.3 Agent的核心分类

根据不同的分类标准，智能体可以分为很多不同的类型，我给大家介绍几种最常用、最核心的分类：

分类标准1：按智能体的应用场景分类

• 通用智能体（General-Purpose Agent）：能够处理多个不同领域的问题，比如OpenAI的GPT-4o with Tools、Anthropic的Claude 3 Opus with Tools；
• 专用智能体（Special-Purpose Agent）：只能处理某个特定领域的问题，比如我们后面要讲的嵌入式Agent、医疗诊断智能体、自动驾驶智能体、炒股智能体。

分类标准2：按智能体的部署方式分类

• 独立智能体（Standalone Agent）：能够独立运行在某个计算机系统或物理设备上，不需要依赖其他软件或系统，比如通用人工智能助手APP、扫地机器人；
• 嵌入式智能体（Embedded Agent）：深度嵌入到其他软件、系统或物理设备中，不能独立运行，必须依赖宿主软件、系统或物理设备才能发挥作用，比如我们这篇文章的核心——深度嵌入传统软件的嵌入式Agent、深度嵌入智能手机的语音助手（如Siri、小爱同学、小度助手的升级版）、深度嵌入汽车的车载智能助手（如特斯拉的FSD Beta的语音交互部分）。

分类标准3：按智能体的交互对象分类

• 人机交互智能体（Human-Computer Interaction Agent）：主要的交互对象是人类，比如通用人工智能助手、嵌入式Agent、入门版的Chatbot；
• 机机交互智能体（Machine-Machine Interaction Agent）：主要的交互对象是其他计算机系统或智能体，比如工业机器人的协作系统、物联网（IoT）设备的控制系统。

2.2 核心概念2：留存率（Retention Rate）的定义、核心分类、计算方法与重要性

2.2.1 留存率的定义

留存率（Retention Rate），是产品运营中最重要的核心指标（KPI）之一，它指的是在某个特定的时间周期内，使用过产品的用户中，在后续的某个特定的时间周期内仍然使用产品的用户比例。

简单来说，留存率衡量的是产品留住用户的能力——留存率越高，说明产品留住用户的能力越强，产品的用户价值越高，产品的商业价值也越高；留存率越低，说明产品留住用户的能力越弱，产品的用户价值越低，产品的商业价值也越低。

2.2.2 留存率的核心分类

根据不同的时间周期，留存率可以分为很多不同的类型，我给大家介绍几种最常用、最核心的留存率类型：

类型1：日留存率（Daily Retention Rate, DRR）

日留存率，指的是在第N天使用过产品的用户中，在第N+M天仍然使用产品的用户比例。

其中，最常用的日留存率类型有：

• 次日留存率（N+1留存率）：在第N天使用过产品的用户中，在第N+1天仍然使用产品的用户比例——次日留存率通常用来衡量产品的第一印象和用户的初始兴趣；
• 7日留存率（N+7留存率）：在第N天使用过产品的用户中，在第N+7天仍然使用产品的用户比例——7日留存率通常用来衡量产品的核心价值和用户的短期粘性；
• 30日留存率（N+30留存率）：在第N天使用过产品的用户中，在第N+30天仍然使用产品的用户比例——30日留存率通常用来衡量产品的长期价值和用户的长期粘性；
• 90日留存率（N+90留存率）：在第N天使用过产品的用户中，在第N+90天仍然使用产品的用户比例——90日留存率通常用来衡量产品的忠诚度和用户的付费意愿/续约意愿。

类型2：周留存率（Weekly Retention Rate, WRR）

周留存率，指的是在第N周使用过产品的用户中，在第N+M周仍然使用产品的用户比例——周留存率通常适用于使用频率较低的产品，比如旅游预订APP、装修设计APP。

类型3：月留存率（Monthly Retention Rate, MRR）

月留存率，指的是在第N月使用过产品的用户中，在第N+M月仍然使用产品的用户比例——月留存率通常适用于使用频率非常低的产品，比如人寿保险APP、汽车维修APP。

除了按时间周期分类之外，留存率还可以按用户类型分类——比如新用户留存率、老用户留存率、付费用户留存率、免费用户留存率；按产品功能分类——比如核心功能留存率、高级功能留存率；按渠道来源分类——比如SEO/SEM渠道留存率、KOL投放渠道留存率、企业采购渠道留存率。

2.2.3 留存率的计算方法

留存率的计算方法其实很简单，我给大家用数学公式和具体的例子来说明一下：

数学公式

假设我们要计算的是第N天的7日留存率（也就是在第N天激活的新用户中，在第N+7天仍然使用产品的用户比例），那么数学公式就是：
$$\text{7日留存率}(N)=\frac{\text{第}N\text{天激活的新用户中，在第}N+7\text{天仍然使用产品的用户数}}{\text{第}N\text{天激活的新用户总数}}\times 100\%$$

如果我们要计算的是某个时间段内的平均7日留存率（比如2024年Q1的平均7日留存率），那么数学公式就是：
$$\text{平均7日留存率}(Q12024)=\frac{{\sum }_{N=20240101}^{20240331}\text{第}N\text{天激活的新用户中，在第}N+7\text{天仍然使用产品的用户数}}{{\sum }_{N=20240101}^{20240331}\text{第}N\text{天激活的新用户总数}}\times 100\%$$

具体的例子

假设我们的传统软件在2024年10月1日激活了1000个新用户，其中：

• 在2024年10月2日（次日）仍然使用产品的用户数是500个；
• 在2024年10月8日（第7天）仍然使用产品的用户数是200个；
• 在2024年10月31日（第30天）仍然使用产品的用户数是100个。

那么：

• 2024年10月1日的次日留存率 = 500 / 1000 × 100% = 50%；
• 2024年10月1日的7日留存率 = 200 / 1000 × 100% = 20%；
• 2024年10月1日的30日留存率 = 100 / 1000 × 100% = 10%。

2.2.4 留存率的重要性

为什么留存率是产品运营中最重要的核心指标之一？我给大家从用户价值、商业价值、产品迭代优化这三个方面来说明一下：

重要性1：留存率是衡量产品用户价值的“黄金指标”

留存率越高，说明用户从产品中获得的价值越大——因为只有当用户从产品中获得了足够的价值，他才会愿意继续使用产品；留存率越低，说明用户从产品中获得的价值越小——甚至没有获得价值，所以他才会不愿意继续使用产品。

重要性2：留存率是决定产品商业价值的“核心因素”

对于大多数产品来说，获取一个新用户的成本（CAC，Customer Acquisition Cost）是留住一个老用户的成本的5-25倍——这是美国著名的市场调研公司Harvard Business Review（哈佛商业评论）在2014年发布的一份研究报告中得出的结论。

而且，老用户的付费意愿/续约意愿是新用户的3-10倍，老用户的客单价（ARPU，Average Revenue Per User）是新用户的2-5倍——这也是很多市场调研公司得出的结论。

所以，留存率越高，产品的用户生命周期价值（LTV，Lifetime Value）就越高，产品的LTV/CAC比值就越高（通常来说，LTV/CAC比值大于3的产品才是健康的、可持续发展的产品），产品的商业价值也就越高；留存率越低，产品的LTV就越低，产品的LTV/CAC比值就越低（甚至小于1，也就是产品每获取一个新用户都会亏损），产品的商业价值也就越低。

重要性3：留存率是指导产品迭代优化的“指南针”

通过分析不同用户类型、不同产品功能、不同渠道来源的留存率数据，我们可以发现产品中存在的问题——比如：

• 如果新用户留存率很低，但老用户留存率很高，说明产品的新用户引导流程有问题，或者产品的入门门槛太高；
• 如果核心功能留存率很高，但高级功能留存率很低，说明产品的高级功能发现率太低，或者产品的高级功能价值不够；
• 如果SEO/SEM渠道留存率很低，但KOL投放渠道留存率很高，说明SEO/SEM渠道的用户定位不准确，或者SEO/SEM渠道的广告宣传有夸大其词的成分。

发现问题之后，我们就可以针对性地进行产品迭代优化——比如优化新用户引导流程、降低产品的入门门槛、提高高级功能的发现率、优化高级功能的价值、调整SEO/SEM渠道的用户定位、修改SEO/SEM渠道的广告宣传内容。

2.3 核心概念3：嵌入式Agent与留存率之间的核心关系

现在，我们已经搞清楚了嵌入式Agent和留存率这两个核心基础概念——那它们之间的核心关系是什么？

简单来说，嵌入式Agent是通过“提升用户价值感知”和“降低用户使用门槛”这两条核心路径，来提升传统软件的留存率的——我给大家画了一个嵌入式Agent提升传统软件留存率的核心路径ER实体关系图，大家可以直观感受一下：

接下来，我给大家详细讲解一下这两条核心路径以及它们下面的子路径：

2.3.1 核心路径1：提升用户价值感知

用户价值感知（Perceived User Value），指的是用户在使用产品的过程中，主观上感受到的产品给他带来的利益与他付出的成本之间的差值——用户价值感知越高，说明用户主观上感受到的产品给他带来的利益越大，或者他付出的成本越小，他就越愿意继续使用产品；用户价值感知越低，说明用户主观上感受到的产品给他带来的利益越小，或者他付出的成本越大，他就越不愿意继续使用产品。

嵌入式Agent主要通过以下5条子路径来提升用户的价值感知：

子路径1.1：帮助用户完成复杂、多步骤、跨功能、跨系统的业务任务

这是嵌入式Agent提升用户价值感知的最核心的子路径——因为现在的用户，不管是企业员工还是个人消费者，遇到的大多数业务任务都是复杂、多步骤、跨功能、跨系统的，而传统的软件只能帮助用户完成简单、单步骤、单功能、单系统的业务任务，复杂的业务任务需要用户自己去找功能、学功能、用功能，甚至需要用户自己查文档改API接口，跨系统的业务任务需要用户自己在不同的系统之间切换，手动复制粘贴数据——这会让用户付出巨大的时间成本和精力成本，用户价值感知自然就很低。

而嵌入式Agent具备强大的感知能力、推理决策能力和工具调用能力，它能够：

1. 理解用户的自然语言指令——不管用户的指令有多复杂、多模糊；
2. 把复杂的业务任务拆解成多个简单的子任务——这叫“任务规划（Task Planning）”；
3. 自主地调用软件内部所有功能API、外部系统API、第三方服务API——动态组合多个工具完成多个子任务；
4. 自主地处理任务执行过程中遇到的问题——比如某个API接口调用失败了，它会自动重试，或者自动切换到另一个备用的API接口；
5. 把最终的结果以用户需要的格式呈现给用户——比如Excel表格、PDF文档、钉钉工作群消息、微信聊天消息。

举个例子，假设我们是「闪电报销」的用户，我们需要完成这样一个复杂、多步骤、跨功能、跨系统的业务任务：

“帮我把最近30天的所有餐饮类报销单（报销金额在50元到500元之间，报销地点在深圳南山区）整理成符合我们公司财务部要求的Excel表格（Excel表格的列名必须是：报销日期、报销人姓名、报销人部门、报销金额、报销地点、餐饮类型、发票号码、发票金额、上传的发票图片链接），然后自动同步到我的钉钉工作群「财务部报销审核组」里，同时给我发一条微信聊天消息提醒我已经完成了。”

如果是传统的「闪电报销」软件，我们需要完成以下至少15个步骤：

1. 打开「闪电报销」软件；
2. 登录自己的账号；
3. 找到「报销单查询」模块；
4. 点击「高级筛选」按钮（很多用户根本不知道有这个按钮）；
5. 设置筛选条件：
   a. 报销日期：最近30天；
   b. 报销类别：餐饮类；
   c. 报销金额：≥50元，≤500元；
   d. 报销地点：包含“深圳南山区”；
6. 点击「筛选」按钮；
7. 手动选择所有符合条件的报销单；
8. 点击「导出」按钮；
9. 在导出设置里选择「Excel表格」格式；
10. 手动修改Excel表格的列名（因为默认的列名不符合公司财务部的要求）；
11. 手动把上传的发票图片链接添加到Excel表格里（因为默认的导出功能不包含发票图片链接）；
12. 打开钉钉软件；
13. 找到「财务部报销审核组」工作群；
14. 点击「上传文件」按钮，上传刚才修改好的Excel表格；
15. 打开微信软件，给自己发一条提醒消息。

这至少需要30分钟到1个小时的时间，而且如果我们不小心修改错了Excel表格的列名，或者不小心漏选了某个符合条件的报销单，还需要重新来一遍——这会让我们付出巨大的时间成本和精力成本，我们的价值感知自然就很低，甚至可能会因为“太麻烦了”而放弃使用「闪电报销」软件。

但如果是嵌入了「闪电小助」嵌入式Agent的「闪电报销」软件，我们只需要完成以下1个步骤：

1. 打开「闪电报销」软件，找到「闪电小助」的对话框，输入刚才那段自然语言指令（或者直接用语音说出来）。

然后，「闪电小助」就会自主地帮我们完成所有的事情——大概只需要30秒到1分钟的时间，我们就会收到微信聊天消息的提醒，同时钉钉工作群里也已经上传好了符合要求的Excel表格——这会让我们的时间成本和精力成本几乎降为零，我们的价值感知自然就会非常高，我们也会更愿意继续使用「闪电报销」软件。

子路径1.2：主动发现用户可能遇到的业务问题并提供解决方案

这是嵌入式Agent提升用户价值感知的另一个非常重要的子路径——因为传统的软件只能“被动地等待用户提出问题”，而不能“主动地发现用户可能遇到的问题”——等用户提出问题的时候，他可能已经遇到了很大的麻烦，甚至可能已经对产品产生了不满，准备流失了。

而嵌入式Agent具备强大的感知能力、推理决策能力和记忆能力，它能够：

1. 持续地感知用户的历史行为数据、软件业务状态和外部环境数据；
2. 基于大语言模型的因果推理和常识推理，主动地发现用户可能遇到的业务问题；
3. 主动地向用户推送问题的解决方案——甚至直接帮用户解决问题。

举个例子，假设我们是「房多多经纪人版」的用户，我们是深圳南山区的一个房地产经纪人，我们的历史行为数据显示：

• 我们每天都会录入3-5套深圳南山区的房源；
• 我们每天都会给10-15个客户发送房源推荐消息；
• 我们最近7天没有录入过任何一套深圳南山区的小户型房源（面积在50平方米以下）；
• 我们最近7天有12个客户的需求是“深圳南山区的小户型房源，总价在300万元以下”；
• 我们最近7天的客户成交率只有0.8%，而我们上个月的客户成交率是2.5%。

同时，外部环境数据显示：

• 最近30天深圳南山区的小户型房源成交量环比增长了45%；
• 最近30天深圳南山区的小户型房源供应量环比下降了20%。

如果是传统的「房多多经纪人版」软件，它根本不会发现我们可能遇到的问题——我们只能自己发现“最近小户型房源的客户很多，但我们手里没有小户型房源”，然后自己去想办法找房源——这可能会让我们错过很多成交机会，我们的价值感知自然就很低，甚至可能会因为“成交率太低了”而放弃使用「房多多经纪人版」软件。

但如果是嵌入了「房小帮」嵌入式Agent的「房多多经纪人版」软件，它就会主动地发现我们可能遇到的问题，然后主动地向我们推送问题的解决方案——比如：

“张经理您好！我发现您最近7天没有录入过任何一套深圳南山区的小户型房源（面积在50平方米以下），但您最近7天有12个客户的需求是‘深圳南山区的小户型房源，总价在300万元以下’——最近30天深圳南山区的小户型房源成交量环比增长了45%，供应量环比下降了20%，这可是一个很好的成交机会哦！

我已经帮您在我们的房源共享平台上找到了15套符合您客户需求的深圳南山区的小户型房源，您可以点击下面的链接查看详细信息：[链接]

另外，我还帮您生成了一份‘深圳南山区小户型房源市场分析报告’，您可以点击下面的链接下载查看：[链接]”

甚至，如果我们授权了「房小帮」，它还可以直接帮我们联系房源共享平台上的房源经纪人，预约看房时间——这会让我们抓住很多成交机会，我们的价值感知自然就会非常高，我们也会更愿意继续使用「房多多经纪人版」软件。

子路径1.3：主动推荐软件的新功能和优化建议

这是嵌入式Agent提升用户价值感知和老用户功能发现率的非常重要的子路径——因为之前说过，传统软件的高级功能发现率不到30%，使用率不足1%——这些功能明明能帮用户省时间省成本，但用户根本不知道有。

而嵌入式Agent具备强大的感知能力、推理决策能力、记忆能力和学习能力，它能够：

1. 持续地感知用户的历史行为数据、软件的业务更新数据和用户的反馈数据；
2. 基于用户的历史行为数据和业务偏好数据，主动地向用户推荐软件的新功能和优化建议——这些新功能和优化建议必须是用户真正需要的，而不是随便推荐的；
3. 主动地向用户演示新功能的使用方法——比如用自然语言交互演示，或者用短视频演示。

举个例子，假设我们是「印象笔记企业版」的用户，我们的历史行为数据显示：

• 我们每天都会创建5-10篇关于“人工智能”的笔记；
• 我们每天都会花1-2个小时的时间阅读这些笔记，并手动整理成一份“人工智能学习周报”；
• 我们最近3个月没有使用过「印象笔记企业版」的任何高级功能；
• 我们最近1个月给「印象笔记企业版」的客服发过3条反馈消息，内容都是“手动整理周报太麻烦了，有没有什么自动整理的功能？”。

同时，「印象笔记企业版」在2024年10月1日推出了一个新的高级功能——「AI周报生成器」，这个功能可以根据用户的历史笔记数据，自动生成一份符合用户要求的周报。

如果是传统的「印象笔记企业版」软件，它可能只会在主界面的顶部放一个很小的横幅广告，或者在欢迎使用弹窗里放一个很短的文字介绍——但我们每天都会创建很多笔记，根本不会注意到那个很小的横幅广告，而且我们已经过了新用户阶段，根本不会再看到欢迎使用弹窗——所以我们根本不知道有「AI周报生成器」这个新功能，我们的价值感知自然就很低，我们的功能发现率和使用率也自然就很低。

但如果是嵌入了「印象AI智能助手」嵌入式Agent的「印象笔记企业版」软件，它就会主动地向我们推荐「AI周报生成器」这个新功能，然后主动地向我们演示它的使用方法——比如：

“李博士您好！我发现您最近3个月每天都会花1-2个小时的时间手动整理‘人工智能学习周报’，而且您最近1个月给我们的客服发过3条反馈消息，内容都是‘手动整理周报太麻烦了’——刚好我们在2024年10月1日推出了一个新的高级功能「AI周报生成器」，这个功能可以根据您的历史笔记数据，自动生成一份符合您要求的周报。

我已经根据您最近7天的人工智能笔记数据，自动生成了一份‘人工智能学习周报（2024年第40周）’，