晓多「Belly 助手」产品 / 业务介绍Belly 是晓多 VOC AI 面向企业客户打造的电商全场景智能分析助手。它不只是对数据和报表进行总结而是结合消费者完整会话、商品、订单、销售阶段及企业业务知识进一步判断业务问题、分析原因、提取关键原声证据、识别问题优先级并给出可落地的改善建议让 AI 真正参与企业 VOC 分析过程。目前 Belly 已支持自然语言问数、业务数据选择、企业文件联合分析、标准化 Skill 调用、个人记忆、定时任务及多格式报告生成可输出 HTML、PPT、PDF、Word、Excel 等分析成果并形成【新建会话】【文件中心】【定时任务】【技能广场】【个人记忆】【渠道配置】等核心能力。让 Agent 真正懂 VOC晓多选择 Qoder Cloud Agents 的思考与实践1企业进行 Agent 架构升级的痛点及需求随着 Belly 从简单问答逐步进入复杂 VOC 分析场景单次模型调用已经无法承载完整任务。一次真实分析通常需要连续完成数据获取、上下文理解、多轮推理、文件处理、报告生成及用户追问等多个环节。因此 Belly 需要从单次 Prompt → Response 的调用方式升级为能够持续执行任务、管理上下文、状态和分析产物的Agent 运行架构。痛点一AI 每次都要重新认识用户不同岗位、不同用户对分析重点和报告方式都有自己的习惯。如果每次新建会话都需要重新说明背景和要求AI 很难真正成为长期助手。而短期与长期记忆机制是让 Agent 越用越懂用户的基础能力让后续分析能够默认适配用户习惯做到越用越懂用户。痛点二分析过度依赖人工发起日报、周报、月报等经营分析具有明显的周期性如果每次都依赖业务人员主动找数据、发起分析既耗费时间也容易错过问题发现时机。因此需要平台支持定时任务机制支持按照指定 Agent、平台、店铺、时间范围和分析目标自动执行让分析从 “人主动找数据” 转向“Agent 持续工作、洞察主动送达”。痛点三规模用户所需的基础设施运维负担及成本B 端客户与 C 端用户规模大导致底层基础设施规模庞大并产生固定的基础设施开销。这对创新业务而言是沉重的运维与资源负担阻碍其轻装上阵。拥有开箱即用的平台能力则能免去客户的创新业务在基础设施上的运维与资源成本负担。痛点四跟进 Agent 迭代演进的技术投入大AI 与 Agent 技术的快速迭代发展垂直领域厂商的核心竞争力主要源于对业务数据的深度掌握及业务场景的精准理解而非对 Agent 技术演进的及时跟进。自主构建或持续更新 Agent 技术实现如 Agent Harness将导致高昂的技术投入与运维负担对厂商而言构成显著成本压力。因此依托专业平台能力及时获取业内领先的 Agent 技术与服务是更优的资源分配方式既能保障用户体验又能让厂商聚焦核心业务价值。2接入 Qoder Cloud AgentsQoder Cloud Agents以下简称 QCA是 Serverless 模式的云端 Agent 托管服务把 Qoder 引擎以 API 开放提供全托管的云端 Agent 运行时编排、模型、沙箱、记忆、验收、观测六位一体即”Agent Runtime As a Service”。其价值主张是用功能齐备、集成高效、成本友好的托管服务助力企业在 2C/2B 应用中快速实现 AI 创新核心价值在于一站式能力平台一站式提供齐备的企业级能力运行时底座覆盖编排、模型、沙箱、记忆、验收、观测六个环节企业无需自建底层设施即可获得生产级可用的 Agent 运行时。应用上线效率无需自建基础设施及平台只需云端定义 Agent 并集成 API 即可完成上线。应用 Agent 开发上线周期从数月缩短为数周。成本友好Serverless 模式下按任务量计费无固定成本或座席费用使用成本友好且可控。3Belly × Qoder Cloud Agents 整体架构整体架构可以分为四层其中Belly 负责 Agent 如何真正理解 VOC 业务基于消费者会话、VOC 数据和电商业务知识完成消费者诉求识别、问题归因、原声证据提取、优先级判断及改善建议。QCA 负责 Agent 如何持续工作提供 Session、Memory、Skill、文件与 Artifact、定时任务及 Agent Runtime 等通用基础能力。接入 Qoder Cloud Agents 之后总结的五条实战经验1通用 Agent 能力与 VOC 业务能力分层建设在 QCA 接入过程中我们将通用 Agent 能力与 VOC 领域能力进行分层建设。QCA 主要承载 Session、上下文管理、Memory、Skill、File、Artifact、Schedule 及长程任务执行等通用 Agent 基础能力Belly 则聚焦 VOC 数据、电商业务语义、消费者诉求分析、流失与成交分析、商品及服务问题诊断等领域能力。这种分层方式既避免了重复建设 Agent 基础设施也让 Belly 能够将更多精力投入 VOC 业务理解避免通用 Agent 在缺乏行业上下文时产生 “看似正确、但业务价值有限” 的分析结果。核心原则通用能力交给 QCA领域能力沉淀在 Belly。2上下文与长期记忆管理按生命周期优化 Agent 能力企业 Agent 的上下文来源多样包括当前会话、分析数据、企业知识、Skill、用户偏好和历史产物。若将所有信息堆砌进单一超级 Prompt不仅导致上下文持续膨胀、管理复杂度剧增还难以适配不同信息的生命周期从而影响 Agent 的分析效率和用户契合度。为此Belly 采用分层管理策略并使用 QCA 的对应 API 进行便利地集成。任务数据专用于服务当前分析任务Skill 沉淀可复用的分析方法企业文件补充业务背景个人记忆聚焦保存长期稳定的用户偏好如身份、负责业务、关注指标、分析习惯和报告偏好Session 则动态承载当前持续分析过程。同时Belly 严格区分聊天记录仅记录 “之前聊了什么”用于短期上下文追溯与 Memory专门沉淀 “以后还应该记住什么” 的稳定信息如用户核心工作特征避免无效历史对话的累积确保后续任务能精准延续用户真实工作方式显著提升了 Agent 的持续分析能力、个性化服务水平和资源利用效率。核心原则上下文和长期记忆必须按生命周期与用途严格分层管理确保信息稳定、可复用而非简单堆砌或复制历史以驱动 Agent 实现高效、精准且可持续的服务进化。3让平台对交付物质量做初步把关Belly 的分析任务最终往往需要形成 HTML、PPT、PDF、Word、Excel 等业务成果而不只是停留在聊天回答中。QCA 支持为会话的产出定义「期望结果 评分标准rubric」自动对照标准评估 Agent 产出让交付物在到达用户之前先过一道质量关 —— 而不是产生即输出、质量全靠事后人工把关。核心原则充分利用平台能力将会话成果的产出和验证最大程度自动化。4用 Schedule 承接重复业务任务对于日报、周报、月报等高频重复分析如果仍然依赖用户每次手动发起就无法真正发挥 Agent 的持续工作价值。因此Belly 将这类任务产品化为【定时任务】使用 QCA 的 Schedule API 实现用户只需配置分析对象、数据范围和执行频率后续即可由 Agent 自动持续执行。核心原则普通 AI 等待用户提问真正进入业务流程的 Agent 应该能够主动承担重复工作。5使用多 Agent 的协同来高效处理复杂任务VOC 业务的分析涉及非常多的数据来源分析以及非常复杂的 Workflow 分析流程单个分析任务繁重且耗时。通过 QCA 的 “MultiAgent” 多 Agent 协同机制能够很好地将复杂任务拆分成相对简单的子任务获得收效大型任务分拆成子任务避免上下文爆炸子任务并行执行加速整个任务的完成用较高性价比的模型完成只有最旗舰模型才能完成的任务节省了成本核心原则用多 Agent 机制来分解执行复杂任务提高任务的完成质量和效率。接入 Qoder Cloud Agents 之后1一次完整 VOC 周报约 46 小时人工工作缩短至约 3060 分钟人工复核以电商运营、客服运营或消费者体验主管完成一次标准 VOC 周报为例传统方式需要经历数据整理、会话抽样、原因归纳、原声提取、图表制作和报告整理等环节通常需要约 46 小时。通过 Belly Agent可连续完成数据分析、问题归因、原声证据提取、优先级判断及报告初稿生成业务人员主要负责关键结论复核和业务口径确认人工投入可缩短至约 3060 分钟。按照每周一次测算人工分析与报告整理时间可减少约 75%90%单个业务人员每年可释放约 200 小时、约 25 个工作日的重复分析投入。2专项分析从天级压缩到小时级对于退款增长、高意向流失、活动咨询、服务非满等 VOC 专项分析传统方式通常需要经历取数、筛选、会话抽样、原因归纳、原声提取和报告制作整体往往需要 12 个工作日。通过 Belly 调用专项 VOC Agent、分析 Skill、业务数据和企业文件可连续完成数据读取、问题分类、原因归因、原声证据提取、优先级判断及报告初稿生成业务人员主要负责关键结论复核和业务校正。对于相对标准化的专项分析人工投入可缩短至约 13 小时整体分析投入预计减少约 70%85%。3业务问题从 “小时级响应” 进入 “分钟级分析”传统 VOC 分析从发现问题到拿到第一版结论通常还需要经历取数、整理、分析、案例筛选和报告制作往往需要数小时甚至到第二天才能完成。通过 Belly 将数据读取、会话分析、业务归因和报告生成串联起来业务问题提出后即可直接进入自动分析流程更快获得第一版可供判断的结论。这不仅减少了人工操作更重要的是缩短了从 “发现问题” 到 “形成判断” 的决策链路让业务响应从小时级、天级逐步进入分钟级。4日报类重复分析实现自动化对于服务日报、售后问题日报、退款问题日报等高频重复任务传统方式每天通常需要约 3060 分钟完成数据整理、异常识别、会话抽样和结论输出。通过 Belly 定时任务Agent 可按固定周期自动完成数据分析和报告生成业务人员主要负责结果确认人工投入可降低至约 515 分钟 / 天。按每月 22 个工作日测算单个日报场景每月可减少约 1213 小时重复工作让业务人员将更多时间投入到问题判断和改善推进而不是重复的数据整理与报告制作。5综合价值让消费者声音及时有效的进入经营决策VOC 接入 Belly 助手后价值不只是 “更快出一份报告”而是让商家能够持续从海量消费者会话中发现真正影响经营的问题并快速找到改善方向。Belly 可以结合 VOC 数据持续识别消费者在商品、价格、活动、物流、服务、售后等环节中的高频问题和异常信号帮助商家更早发现转化流失卡点消费者为什么犹豫、为什么没有下单哪些商品信息、价格权益或客服承接影响成交退货退款根因消费者为什么退、哪些商品或履约问题集中导致退款哪些环节最值得优先改善服务体验问题哪些问题反复出现、哪些诉求长期没有解决哪些场景容易引发不满、差评和投诉商品与运营机会消费者最关注什么、哪些信息存在认知缺口、哪些商品和活动策略需要进一步优化。通过持续洞察、下钻分析和专项报告VOC 不再只是 “事后看数据”而是逐步形成发现问题 → 定位原因 → 找到重点场景 → 推动业务改善 → 持续验证效果。 
长河君 · 2026/10/9 2:40:22 · 阅读 1.2k 让 Agent 真正懂 VOC 业务：Qoder Cloud Agents 助力晓多AI 打造「电商VOC助手」
晓多「Belly 助手」产品 / 业务介绍Belly 是晓多 VOC AI 面向企业客户打造的电商全场景智能分析助手。它不只是对数据和报表进行总结而是结合消费者完整会话、商品、订单、销售阶段及企业业务知识进一步判断业务问题、分析原因、提取关键原声证据、识别问题优先级并给出可落地的改善建议让 AI 真正参与企业 VOC 分析过程。目前 Belly 已支持自然语言问数、业务数据选择、企业文件联合分析、标准化 Skill 调用、个人记忆、定时任务及多格式报告生成可输出 HTML、PPT、PDF、Word、Excel 等分析成果并形成【新建会话】【文件中心】【定时任务】【技能广场】【个人记忆】【渠道配置】等核心能力。让 Agent 真正懂 VOC晓多选择 Qoder Cloud Agents 的思考与实践1企业进行 Agent 架构升级的痛点及需求随着 Belly 从简单问答逐步进入复杂 VOC 分析场景单次模型调用已经无法承载完整任务。一次真实分析通常需要连续完成数据获取、上下文理解、多轮推理、文件处理、报告生成及用户追问等多个环节。因此 Belly 需要从单次 Prompt → Response 的调用方式升级为能够持续执行任务、管理上下文、状态和分析产物的Agent 运行架构。痛点一AI 每次都要重新认识用户不同岗位、不同用户对分析重点和报告方式都有自己的习惯。如果每次新建会话都需要重新说明背景和要求AI 很难真正成为长期助手。而短期与长期记忆机制是让 Agent 越用越懂用户的基础能力让后续分析能够默认适配用户习惯做到越用越懂用户。痛点二分析过度依赖人工发起日报、周报、月报等经营分析具有明显的周期性如果每次都依赖业务人员主动找数据、发起分析既耗费时间也容易错过问题发现时机。因此需要平台支持定时任务机制支持按照指定 Agent、平台、店铺、时间范围和分析目标自动执行让分析从 “人主动找数据” 转向“Agent 持续工作、洞察主动送达”。痛点三规模用户所需的基础设施运维负担及成本B 端客户与 C 端用户规模大导致底层基础设施规模庞大并产生固定的基础设施开销。这对创新业务而言是沉重的运维与资源负担阻碍其轻装上阵。拥有开箱即用的平台能力则能免去客户的创新业务在基础设施上的运维与资源成本负担。痛点四跟进 Agent 迭代演进的技术投入大AI 与 Agent 技术的快速迭代发展垂直领域厂商的核心竞争力主要源于对业务数据的深度掌握及业务场景的精准理解而非对 Agent 技术演进的及时跟进。自主构建或持续更新 Agent 技术实现如 Agent Harness将导致高昂的技术投入与运维负担对厂商而言构成显著成本压力。因此依托专业平台能力及时获取业内领先的 Agent 技术与服务是更优的资源分配方式既能保障用户体验又能让厂商聚焦核心业务价值。2接入 Qoder Cloud AgentsQoder Cloud Agents以下简称 QCA是 Serverless 模式的云端 Agent 托管服务把 Qoder 引擎以 API 开放提供全托管的云端 Agent 运行时编排、模型、沙箱、记忆、验收、观测六位一体即”Agent Runtime As a Service”。其价值主张是用功能齐备、集成高效、成本友好的托管服务助力企业在 2C/2B 应用中快速实现 AI 创新核心价值在于一站式能力平台一站式提供齐备的企业级能力运行时底座覆盖编排、模型、沙箱、记忆、验收、观测六个环节企业无需自建底层设施即可获得生产级可用的 Agent 运行时。应用上线效率无需自建基础设施及平台只需云端定义 Agent 并集成 API 即可完成上线。应用 Agent 开发上线周期从数月缩短为数周。成本友好Serverless 模式下按任务量计费无固定成本或座席费用使用成本友好且可控。3Belly × Qoder Cloud Agents 整体架构整体架构可以分为四层其中Belly 负责 Agent 如何真正理解 VOC 业务基于消费者会话、VOC 数据和电商业务知识完成消费者诉求识别、问题归因、原声证据提取、优先级判断及改善建议。QCA 负责 Agent 如何持续工作提供 Session、Memory、Skill、文件与 Artifact、定时任务及 Agent Runtime 等通用基础能力。接入 Qoder Cloud Agents 之后总结的五条实战经验1通用 Agent 能力与 VOC 业务能力分层建设在 QCA 接入过程中我们将通用 Agent 能力与 VOC 领域能力进行分层建设。QCA 主要承载 Session、上下文管理、Memory、Skill、File、Artifact、Schedule 及长程任务执行等通用 Agent 基础能力Belly 则聚焦 VOC 数据、电商业务语义、消费者诉求分析、流失与成交分析、商品及服务问题诊断等领域能力。这种分层方式既避免了重复建设 Agent 基础设施也让 Belly 能够将更多精力投入 VOC 业务理解避免通用 Agent 在缺乏行业上下文时产生 “看似正确、但业务价值有限” 的分析结果。核心原则通用能力交给 QCA领域能力沉淀在 Belly。2上下文与长期记忆管理按生命周期优化 Agent 能力企业 Agent 的上下文来源多样包括当前会话、分析数据、企业知识、Skill、用户偏好和历史产物。若将所有信息堆砌进单一超级 Prompt不仅导致上下文持续膨胀、管理复杂度剧增还难以适配不同信息的生命周期从而影响 Agent 的分析效率和用户契合度。为此Belly 采用分层管理策略并使用 QCA 的对应 API 进行便利地集成。任务数据专用于服务当前分析任务Skill 沉淀可复用的分析方法企业文件补充业务背景个人记忆聚焦保存长期稳定的用户偏好如身份、负责业务、关注指标、分析习惯和报告偏好Session 则动态承载当前持续分析过程。同时Belly 严格区分聊天记录仅记录 “之前聊了什么”用于短期上下文追溯与 Memory专门沉淀 “以后还应该记住什么” 的稳定信息如用户核心工作特征避免无效历史对话的累积确保后续任务能精准延续用户真实工作方式显著提升了 Agent 的持续分析能力、个性化服务水平和资源利用效率。核心原则上下文和长期记忆必须按生命周期与用途严格分层管理确保信息稳定、可复用而非简单堆砌或复制历史以驱动 Agent 实现高效、精准且可持续的服务进化。3让平台对交付物质量做初步把关Belly 的分析任务最终往往需要形成 HTML、PPT、PDF、Word、Excel 等业务成果而不只是停留在聊天回答中。QCA 支持为会话的产出定义「期望结果 评分标准rubric」自动对照标准评估 Agent 产出让交付物在到达用户之前先过一道质量关 —— 而不是产生即输出、质量全靠事后人工把关。核心原则充分利用平台能力将会话成果的产出和验证最大程度自动化。4用 Schedule 承接重复业务任务对于日报、周报、月报等高频重复分析如果仍然依赖用户每次手动发起就无法真正发挥 Agent 的持续工作价值。因此Belly 将这类任务产品化为【定时任务】使用 QCA 的 Schedule API 实现用户只需配置分析对象、数据范围和执行频率后续即可由 Agent 自动持续执行。核心原则普通 AI 等待用户提问真正进入业务流程的 Agent 应该能够主动承担重复工作。5使用多 Agent 的协同来高效处理复杂任务VOC 业务的分析涉及非常多的数据来源分析以及非常复杂的 Workflow 分析流程单个分析任务繁重且耗时。通过 QCA 的 “MultiAgent” 多 Agent 协同机制能够很好地将复杂任务拆分成相对简单的子任务获得收效大型任务分拆成子任务避免上下文爆炸子任务并行执行加速整个任务的完成用较高性价比的模型完成只有最旗舰模型才能完成的任务节省了成本核心原则用多 Agent 机制来分解执行复杂任务提高任务的完成质量和效率。接入 Qoder Cloud Agents 之后1一次完整 VOC 周报约 46 小时人工工作缩短至约 3060 分钟人工复核以电商运营、客服运营或消费者体验主管完成一次标准 VOC 周报为例传统方式需要经历数据整理、会话抽样、原因归纳、原声提取、图表制作和报告整理等环节通常需要约 46 小时。通过 Belly Agent可连续完成数据分析、问题归因、原声证据提取、优先级判断及报告初稿生成业务人员主要负责关键结论复核和业务口径确认人工投入可缩短至约 3060 分钟。按照每周一次测算人工分析与报告整理时间可减少约 75%90%单个业务人员每年可释放约 200 小时、约 25 个工作日的重复分析投入。2专项分析从天级压缩到小时级对于退款增长、高意向流失、活动咨询、服务非满等 VOC 专项分析传统方式通常需要经历取数、筛选、会话抽样、原因归纳、原声提取和报告制作整体往往需要 12 个工作日。通过 Belly 调用专项 VOC Agent、分析 Skill、业务数据和企业文件可连续完成数据读取、问题分类、原因归因、原声证据提取、优先级判断及报告初稿生成业务人员主要负责关键结论复核和业务校正。对于相对标准化的专项分析人工投入可缩短至约 13 小时整体分析投入预计减少约 70%85%。3业务问题从 “小时级响应” 进入 “分钟级分析”传统 VOC 分析从发现问题到拿到第一版结论通常还需要经历取数、整理、分析、案例筛选和报告制作往往需要数小时甚至到第二天才能完成。通过 Belly 将数据读取、会话分析、业务归因和报告生成串联起来业务问题提出后即可直接进入自动分析流程更快获得第一版可供判断的结论。这不仅减少了人工操作更重要的是缩短了从 “发现问题” 到 “形成判断” 的决策链路让业务响应从小时级、天级逐步进入分钟级。4日报类重复分析实现自动化对于服务日报、售后问题日报、退款问题日报等高频重复任务传统方式每天通常需要约 3060 分钟完成数据整理、异常识别、会话抽样和结论输出。通过 Belly 定时任务Agent 可按固定周期自动完成数据分析和报告生成业务人员主要负责结果确认人工投入可降低至约 515 分钟 / 天。按每月 22 个工作日测算单个日报场景每月可减少约 1213 小时重复工作让业务人员将更多时间投入到问题判断和改善推进而不是重复的数据整理与报告制作。5综合价值让消费者声音及时有效的进入经营决策VOC 接入 Belly 助手后价值不只是 “更快出一份报告”而是让商家能够持续从海量消费者会话中发现真正影响经营的问题并快速找到改善方向。Belly 可以结合 VOC 数据持续识别消费者在商品、价格、活动、物流、服务、售后等环节中的高频问题和异常信号帮助商家更早发现转化流失卡点消费者为什么犹豫、为什么没有下单哪些商品信息、价格权益或客服承接影响成交退货退款根因消费者为什么退、哪些商品或履约问题集中导致退款哪些环节最值得优先改善服务体验问题哪些问题反复出现、哪些诉求长期没有解决哪些场景容易引发不满、差评和投诉商品与运营机会消费者最关注什么、哪些信息存在认知缺口、哪些商品和活动策略需要进一步优化。通过持续洞察、下钻分析和专项报告VOC 不再只是 “事后看数据”而是逐步形成发现问题 → 定位原因 → 找到重点场景 → 推动业务改善 → 持续验证效果。