團隊用 ContextDB 花 7 天打造越用越懂團隊的數碼員工小T
7 天,我用ContextDB 养出一个越用越懂团队的数字员工
團隊用 7 天業餘時間,以 ContextDB 作知識與記憶底座,搭建數碼員工小T初版,並沿用 Codex 的 Agent 執行循環,採用 DeepSeek V4.1 Flash。小T可在羣組提供圖文答疑、分析客戶進展及整理產品反饋,並透過羣記憶、每日後台學習和 Skill 沉澱,持續更新知識與做事方法。客戶羣與產研羣按不同職責配置權限和工作方式。
2026-11-18 1
版权
版权声明:
本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写 侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。
简介: 小T是团队7天业余时间打造的数字员工,以ContextDB为知识与记忆底座,支持图文答疑、客户进展分析与反馈闭环。它具备快速上岗、持续学习(群记忆+后台知识进化+技能沉淀)和“有人味”的协作能力,已在客户群与产研群差异化落地。
我们用 7 天的业余时间,搭起了数字员工小T的初版。
其中,ContextDB 是我们采用的知识与记忆底座,帮助小T用上已有业务资料,也把日常工作中的经验积累下来。
做小T,源于几个很实际的需求。随着业务发展,客户的产品咨询、问题反馈和排障需求越来越多,我们想让 Bot 帮团队接下一部分工作。同时,这些交流里也藏着不少有价值的信息:客户用得怎么样,推进到哪一步,哪些需求值得继续跟进。我们希望小T在服务客户的同时,也能结合对话和平台信息,帮团队梳理客户进展,发现潜在商机和产品迭代机会。
我们也把持续学习放进了小T的设计里。产品知识会更新,团队会提出新的工作要求,不同客户群也有各自的交流习惯。小T需要从这些日常交流和指导中积累经验,再通过记忆与后台学习,用到下一次工作中。这样,随着参与的事情越来越多,它也能越来越懂业务,越来越熟悉我们的工作方式。
这篇文章就聊聊小T是怎么搭起来的,以及我们在快速上岗、持续成长和日常协作上做了哪些设计。
图 1|图文答疑与操作指引
截图中的“卡文”和文中的“小T”,是同一数字员工在不同时期使用的名称。
一、先看小T的整体架构
小T要在群里工作,需要把消息、模型、工具和业务资料组织起来。我们围绕模型搭建了一套负责上下文准备、任务执行、权限控制和结果交付的运行系统,也就是小T的 Harness。
Agent 执行循环我们直接复用了 Codex,模型选用 DeepSeek V4.1 Flash。试用下来,它的答疑效果已经不错,也符合客服场景对响应速度的要求,让我们能把更多精力放在业务能力上。
图 2|小T的 Harness 全景
这套架构可以从三个方面来看。
1. 一条消息进来,小T怎样处理。
以客户在群里提问为例:小T的服务程序先识别消息来自哪个群、是否需要回复,再把当前讨论、相关群记忆和允许使用的工具交给 Agent。模型根据问题调用工具查资料,结合返回结果继续处理,最后由服务程序把回答发回群里。用户中途补充的环境或截图,也可以追加到正在处理的任务中。
权限检查同样由小T的服务程序负责:根据群和人员的身份,限定可以读取的资料、可以使用的工具,并在调用时检查。这样,客户群和团队群能够共用执行机制,同时保持各自的信息范围和工作职责。
2. 把业务能力做成可以组合的模块。
我们按插件式思路组织能力,把工具接口、使用说明、做事方法和执行约束收在统一目录里。产品答疑需要查知识和操作指引,客户分析需要结合对话与平台信息,反馈求助需要整理背景并发起协作。这些能力按场景组合给小T,后续增加新的工作,也可以补充相应模块,复用已有的会话、权限和执行机制。
3. 把日常工作与持续学习连接起来。
知识与记忆底座我们选用了 ContextDB,用它组织产品资料、检索相关内容,并保存各群的背景与经验。在持续学习的设计中,本群记忆随交流更新,直接用于本群后续工作;记忆晋升和后台提炼的候选知识汇入每日学习,经评审和整理后更新共享知识;做法类经验则通过 Skill 的评估、修订与验证,用于之后的同类任务。小T把这些积累接回具体工作,让下一次处理问题时能用上此前学到的东西。
下面就从快速上岗开始,展开聊聊这些设计。
二、快速上岗:把知识底座用起来
小T能在 7 天业余时间里搭起初版,一个重要原因是知识层直接复用了 ContextDB。让 Bot 参与产品答疑,需要处理资料、建立索引、做好检索,还要考虑后续更新。这些工作有了现成的底座,我们就能把精力放在准备业务知识、定义小T的职责和打磨回答上。
1. 从已有资料出发,让小T先懂业务。
冷启动时,我们先用上了团队已有的产品文档、接口说明、操作指南,以及周会的 AI 听记。但这些材料并不都适合直接召回,比如周会记录里有大量闲聊和重复讨论,不同时间的说法还可能存在冲突。因此,我们借助 ContextDB 的自动重写去掉噪音,结合时间和版本整理变化的结论,再形成适合检索的知识文档。
另一部分知识来自代码和设计文档。涉及对外服务,代码不适合直接透出,每次重新读代码、分析查证也比较慢。我们因此提前从中蒸馏出产品行为、使用条件和限制,整理成文档,供小T答疑时使用。
代码更新后,我们通过后台流程自动更新相关说明,并同步到 ContextDB。后续的知识处理与索引更新由底座完成,我们不用再单独维护文档切分、向量化和索引更新这一套流程。
这些材料构成了小T上岗时的初始知识。更细的业务情况,以及文档里没有覆盖的问题,再让它从后续工作和交流中逐步学习。
图 3|从已有资料,到有依据的图文回答
2. 找得到相关知识,也要用对地方。
客户的问法和文档写法经常不一样,一个问题也可能同时涉及几份资料。ContextDB 的多路召回帮助小T匹配不同表达,知识图谱则通过提取文档中的实体和关系,把分散的相关知识关联起来,补充回答所需的依据。
拿到这些内容后,小T还会结合客户当前的产品、版本和环境判断是否适用,必要时继续读取原文,补齐限制条件。检索帮助它找到依据,小T再把这些依据和客户的具体情况对应起来,组织成准确、清楚的解答。
3. 涉及控制台操作,就把图和步骤一起给出来。
客户问某个功能怎么配置时,仅仅说出入口名称,可能还不够。小T可以把操作步骤和对应页面的截图放在同一条回复里:在哪个页面、找到哪个位置、接下来做什么,让客户对着自己的控制台就能继续操作。
这里用到了 ContextDB 的图片召回能力。小T结合当前操作选择适用的图片,再组织成图文回答。对于需要指着页面说明的问题,图片能帮助客户更快理解,也减少来回确认位置的沟通。
复用知识底座,省下了我们从零搭建和维护知识层的投入,也让小T从上岗开始就有了答疑和操作指导的依据。接下来要解决的,是怎样把日常工作中遇到的新问题、得到的新指导,变成它持续成长的经验。
三、自进化:在日常工作中持续学习
小T上岗之后,新的业务知识还在不断产生。产研同学在群里补充产品解释,客户反馈实际使用情况,团队也会教它怎样完成一项工作。我们把这些日常交流接入学习流程,让小T持续更新对业务的了解,也逐步掌握团队的做事方法。
这里有两类学习内容:产品知识、客户背景和问题结论,帮助它理解业务;任务步骤、交付要求等做事方法,帮助它把工作做好。
1. 用独立群记忆,持续了解每个客户。
我们用 ContextDB 的 Mem(长期记忆)能力,为每个群建立了相互隔离的记忆空间。群聊中的客户环境、问题进展、已尝试的办法,以及产研同学给出的解释,会被整理成记忆保存下来。小T后续处理本群问题时,读取相关记忆,就能带着此前的背景继续工作。
原始聊天记录保留交流经过,Mem 则保存从中整理出的信息。比如,一次排查聊了很多轮,后续真正需要用到的,可能是客户当前的配置、哪些办法已经试过,以及最后确认的原因。把这些内容保存下来,可以减少重复询问,也方便小T接着上次的结果处理。
记忆的持续演进由 ContextDB 提供支持。新的处理结果会补充已有进展,后续纠正会更新此前的认识,环境变化也会反映到相关记忆中。随着交流增加,小T对这个群的了解随之更新。
2. 从群聊中学习,持续更新产品知识。
群聊里还会产生值得写进产品文档的内容:产研同学对某个机制的解释、排障后确认的使用条件,或者对旧说明的纠正。我们为此安排了每日运行的后台独立学习进程,集中整理这些信息,维护小T答疑时使用的产品知识库。
这套设计从两处获取待整理的知识:
- 从 Mem 中提炼。 借助 ContextDB 的“记忆晋升”能力,从已经积累的记忆中提炼其他场景也能使用的知识,形成待核对的知识文档。例如,把一次排查中确认的产品限制整理成说明。
- 从原始群聊中提炼。 后台学习进程直接阅读聊天记录,整理产研同学的回答和排查结论,发现现有文档尚未覆盖的内容。这条路径也能覆盖尚未沉淀进 Mem 的信息。
这两类内容随后进入统一的评审与更新环节。后台独立学习进程读取产品文档和代码,对照原始交流,核对结论、版本及适用条件,再补充已有说明、修正过时内容,或为新的主题建立文档。更新后的知识写入 ContextDB,供小T后续检索使用。原始群聊的提炼与评审,可以在同一个每日学习任务中衔接完成。
群记忆和这条学习流程分别承担不同的工作。以一次排查为例,客户的配置、尝试和处理进度保存在本群记忆中,方便继续跟进;其中产研同学解释清楚的产品限制,则由后台学习进程查证、整理,补进产品知识库。这样,小T既能接着当前客户的问题往下做,也能在其他获授权的群里用上整理后的产品知识。
图 4|群记忆与后台知识学习
3. 从团队指导中,学会新的做事方法。
在内部测试群,我们让小T承担周报整理工作。最初的周报没有关于产品开通 workspace 的数量说明,格式也与现在不同。后来,团队在群里提出调整格式、补充这项说明的要求,小T学到后,后续周报沿用了调整后的格式,也补上了这项说明。
图 5|双周报:workspace 数据、产品进展与客户动态
小T学到的是团队对周报的要求:以后按什么方式组织、需要包含哪些信息。每周的数据会变化,但这些要求需要在后续报告中沿用。我们把这类可复用的任务步骤和交付要求整理成 Skill,供后续同类任务读取和使用。
在方法演进的设计中,ContextDB 的 Skill 评估能力将任务过程、团队反馈与已有方法对照,提出值得保留的改进;小T据此修订方法,验证其在同类任务中的效果,再用于后续工作。知识学习更新对产品和客户的认识,方法学习则把团队的指导变成持续可用的工作要求。
图 6|方法演进:指导 → 沉淀 → 验证 → 复用点击查看大图
这些积累让小T逐渐熟悉业务和团队的工作方式。接下来,我们还要让客户在日常交流中感受到它的帮助,愿意把问题交给它。
四、有人味:让客户愿意把问题交给小T
小T进了客户群,客户却未必会主动找它。大家可能觉得 AI 客服不太可靠,或者预期它只会给出一段模板答案,最后仍然需要找人处理。于是,哪怕只是一个基础问题,也更愿意先 @ 熟悉的同事。
做小T时,我们把“有人味”作为一个明确的设计方向:愿意帮忙,听得进补充,记得住此前的交流,遇到困难也有交代。客户有自己的处境和表达习惯,可能正在着急排查,也可能不知道怎样描述问题。我们要让小T多承担一些理解和衔接工作,让客户少费一些力气,逐渐愿意把事情交给它。
1. 先判断怎样参与,再决定是否回复。
客户起初并不知道小T能做什么。如果一直等着被 @,它就很难得到展示能力的机会。
图 7|自动答疑:结合截图定位查询参数问题
因此,在开启自动回复的群里,对于没有明确 @ 小T的消息,我们用前置判断模型阅读群聊上下文,结合发言人、引用关系和正在处理的任务,决定怎样参与。模型输出四种判定:
图 8|主动回复的判断链路点击查看大图
这让小T有机会主动帮上忙,也能根据讨论进展调整参与方式。后续消息量增加时,还可以在前置模型之前加入 Jev 初筛,先筛选可能需要参与的消息,再交给前置模型结合上下文判断,形成分层处理的漏斗。
2. 接住连续消息,让客户按自己的习惯把话说完整。
群聊里的问题常常分几条发出:先说现象,再补环境,随后贴一张截图,或者纠正前面说错的条件。小T需要判断这些消息与原问题的关系,把属于同一个请求的补充接到一起。
无论是客户直接 @ 小T后继续补充,还是小T主动参与后收到新信息,都需要把补充内容与正在处理的问题关联起来。系统结合发言人、会话和任务状态,将符合追加条件的消息通过 Codex 的 turn/steer 接口送入正在运行的任务,
Agent 带着新信息继续处理。如果原任务已经结束,就在后续一轮接着处理。
这样,客户可以一边沟通一边把问题说清楚,小T负责整理零散信息、跟上条件变化。用户不用先把问题写成一份完整说明,也不必因为多补了一句话就重新介绍全部背景。
3. 记住背景,也适应群里的交流方式。
前面介绍的独立群记忆,让小T能带着客户环境、已有尝试和此前结论开始下一次交流。已经说过的事情有了延续,用户就少一次重复解释。
群风格学习的设计进一步关注“怎样说更合适”:从日常聊天和明确反馈中归纳表达习惯,按群保存,在组织回复时使用。习惯先看结论的群,就先给结论;需要操作细节时,再展开步骤;说明长度和术语使用也随群里的习惯调整。自然的称呼、简短确认和合适的表情反馈,让回应贴近当时的交流。
4. 暂时答不上来,也把问题交接清楚。
缺少信息时,小T具体追问需要补充哪些条件;需要产研同学进一步判断时,就整理问题背景、已尝试的办法和待确认点,再求助或记录。同时,回复里说明已经做了什么、目前卡在哪里、接下来怎样处理。
客户不必换个人就把问题重新讲一遍,产研同学也能带着整理好的背景接手。即使暂时没有最终答案,这次交流仍然帮助事情往前推进了一步。
图 9|产研求助:整理客户诉求并交由产研确认
这些设计服务于同一个目标:让客户在一次次交流中建立信任,遇到问题时愿意优先 @ 小T。有人味体现在它怎样理解和帮助一个具体的人,也体现在相处久了,交流能够越来越顺畅。
五、不同的群,不同的工作方式
小T进入不同的群,要承担不同的工作。我们从权限、自动接入和会话组织三个方面,让它适应这些差异。
1. 按身份配置能力,在执行时落实权限。
我们为不同群配置了不同的职责:客户群侧重答疑、排障与反馈,产研群则支持客户进展分析和内部协作。收到消息后,服务程序根据群和发言人的身份确定授权,为 Agent 提供相应的职责说明、工具和资料;工具执行时,再检查发起者是否有权进行这项操作,共享会话也遵循同样的规则。
公共产品知识按授权复用,各群记忆分别绑定独立的 ContextDB 成员身份,客户背景按群隔离。产研同学的身份标记也用于识别群内指导的来源。
2. 拉进新群后,自动完成接入。
这些配置也被放进了自动接入流程。后续把小T拉进新群,只需要产研同学在群里 @ 它,系统识别身份后,就会自动完成群注册、角色配置和消息订阅,绑定这个群独立的记忆,并配置相应的能力和回复方式,无需再逐群手工搭建。
3. 一起讨论就共享会话,各自提问就并发处理。
我们根据群里的协作方式,提供了两种会话模式:
- 单一客户的协作群,使用共享 Session。 大家共用一份会话上下文,有人补环境、有人发截图,小T能结合这些信息继续跟进问题。
- 多人各自提问的群,按人组织会话。 每个人的问题在各自的会话中处理,不同任务可以并发执行,减少相互等待。
图 10|共享会话与按人并发
六、从搭起一个数字员工,到把工作交给它
回头看,小T这次实践里,模型能力只是起点。ContextDB 提供知识与记忆底座,既帮助小T快速上岗,也让工作中积累的知识与经验能够持续复用;Harness 把模型、工具和业务流程组织起来,让它能真正参与工作。
此后的持续学习、交流方式和权限设计,则让它逐渐了解业务、接住人的反馈,在不同群里承担合适的职责。我们用 7 天搭起了初版,也为它留下了继续成长的空间。一个数字员工的价值,既在于上岗时能做什么,也在于工作一段时间后,能否把事情做得更好,让人愿意交给它更多工作。
顺着这条路继续走,我们想探索的是:当它能积累知识、改进做法、与人协作,能否进一步自己发现值得解决的问题,并围绕一个长期目标持续行动?人交给它的任务,也许会从回答一个问题,扩展到负责一项工作,甚至经营一项业务。
走到这里,数字员工与 AGI 的距离,就成了一个可以在真实工作中不断检验的问题:面对新的目标,它还需要人替它拆解多少步骤、纠正多少偏差?7 天让小T开始工作,而让它真正具备独立承担工作的能力,还需要多久?
附录:
- ContextDB 控制台:https://rdsnext.console.aliyun.com/contextDb/cn-hangzhou
- ContextDB 产品页:https://www.aliyun.com/activity/database/contextdb
來源:阿里雲開發者社區 AI · developer.aliyun.com