展开抓取的正文（本地存档，已排版）
当呼叫量上升时，客户服务运营通常通过增加人员来扩展规模，但这会增加每次交互的成本和复杂性。Ringg(在新窗口中打开) 作为一家语音和聊天代理平台，在与印度大型消费类企业合作时亲身经历了这一问题。
这些公司不仅难以应对更多的来电，其客户服务代理还在使用碎片化、手动化的系统来协助客户完成任务，从购买保险到预约日程安排等。
这一经历促使 Ringg 构建了一个企业级代理平台，其核心采用 GPT‑5.6 等高效率模型，覆盖语音、聊天、WhatsApp 和网页。将合适的实时工作负载从 GPT‑4.1 迁移至 GPT‑5.6，使模型成本降低了约 90%，同时满足了所需的质量和延迟要求。
“模型质量只是方程式的一部分。我们还需要低延迟、可靠的工具使用、强大的指令遵循能力以及能够规模化运作的经济性。OpenAI 为我们提供了所需平衡。”
—Siddharth Tripathi，Ringg 联合创始人
如今，Ringg 的代理每月处理超过 700 万次连接通话，其客户的平均客户满意度（CSAT）评分为 4.8。
围绕客户成果构建代理平台
为了完成客户请求，代理可能需要检查政策、检索账户记录、安排预约、更新 CRM 系统，或将对话连同相关上下文转移给专家。
对于实时交互，Ringg 使用 GPT‑5.6 Luna 和其他模型来解释客户请求、选择工具并引导客户完成多步骤工作流。Ringg 的编排层在 CRM 系统、工单平台、支付系统、调度工具和内部 API 之间执行操作，并在需要时将案例升级给人工客服，同时附带对话摘要。
Ringg 的知识系统结合了结构化过滤与跨数据集、PDF、CSV 和业务文档的语义检索，帮助代理利用相关企业信息回答问题。
Ringg 还可以将工作分配给专门的子代理，分别负责资格认证、支持、验证、调度和升级。该平台协调这些步骤，同时在语音、聊天、WhatsApp 和网页等渠道与客户保持一致的对话。
根据任务需求路由到合适的 OpenAI 模型
在评估了 OpenAI 及其替代方案在对话质量、延迟、指令遵循、工具调用、多语言性能、可靠性和成本等方面的表现后，Ringg 发现 OpenAI 为生产工作负载提供了最强的整体平衡。
GPT‑5.6 和其他 OpenAI 模型在遵循复杂指令、执行工具调用、保持对话上下文以及在企业规模下可靠运行方面也表现出更一致的性能。
Ringg 根据任务需求将工作路由到特定的 OpenAI 模型。GPT‑4.1 处理大多数实时语音和聊天流量。GPT‑5.6 Luna 保留在生产栈中，并在其性能、延迟或性价比更适合请求时使用。GPT‑5.6 Terra 处理通话后分析，包括摘要和情感分类。而 GPT‑5.6 Sol 则支持评估、提示改进以及模型作为裁判的工作流。
当客户在语音通话中说话或通过聊天发送消息时，Ringg 的编排系统会将该输入与代理指令、对话历史、特定客户数据、相关知识库上下文及可用工具相结合。随后，Ringg 的路由层选择适当的模型和配置。模型的输出经过编排系统处理，并通过客户选择的渠道交付。
对于较长的交互，当上下文接近约 80,000 个 token 时，系统会创建结构化摘要。此后对话可以继续，同时保留重要信息，而无需反复发送整个历史记录。
使用生产评估提升质量和降低成本
Ringg 在生产部署前使用历史对话和模拟客户流对模型进行测试。其评估平台利用这些结果识别弱点并推荐提示改进，从而为代理和配置建立持续改进循环。
其中一项评估涉及 Ringg 的通话后分析工作流。该公司将 GPT‑5.6 Terra 与 Gemini 2.5 Flash 等替代方案进行了测试，Terra 表现最佳。Ringg 将摘要和情感分类迁移至 GPT‑5.6 Terra。Terra 在保持高准确性的同时显著改善了单位经济性。
该公司还跨语言和区域变体测试模型，包括在不同语言间切换或结合英语与当地语言短语的对话，这是其服务市场的常见行为。GPT‑5.6 Terra 的表现优于 Gemini 2.5 Flash，在常见区域语言上的准确率高达 97%，使其成为服务于 Ringg 客户的代理的更优选择。
通过离线测试合格的模型会在推广前引入到少量生产流量中。在生产环境中，Ringg 的路由器会监控各区域的延迟和端点健康状态，并在端点不可用或超过延迟阈值时转移流量。专用节点、警报和版本化部署有助于隔离问题并限制其影响。
这种方法也有助于 Ringg 改善单位经济性。将某些实时工作负载从 GPT‑4.1 迁移至 GPT‑5.6 Luna 使模型成本降低了约 90%。
“当我们需要模型迁移支持时，OpenAI 反应非常迅速。专用的 Slack 支持和核心工程团队的访问权限帮助我们快速行动、减少工程不确定性、加速发布并扩展代理的能力。”
—Siddharth Tripathi，Ringg 联合创始人
跨行业交付客户成果
对于其客户，Ringg 的智能体可解决高达 65% 的常规客户咨询，无需人工介入。
印度最大的在线保险平台之一 Policybazaar 使用 Ringg 处理超过 57,000 个客户请求，其中 67% 的电话由智能体独立处理，无需人工干预。Policybazaar 的平均响应时间从 8–12 分钟缩短至不到 60 秒，提升了约 88%。
在 Practo（一家全球医疗平台），Ringg 的智能体协助客户预约医疗服务并完成服务请求。部署后，Practo 的首次呼叫解决率达到了 85%，响应时间低于三秒。与之前的人工主导工作流相比，运营成本下降了 70%，而 Ringg 如今每天可完成超过 1,000 次预约预订。
在线投资平台 Groww 使用 Ringg 通过自助服务完全解决与 IPO、期货和期权相关的 72% 的入站查询，平均处理时间为两分钟。
将智能体扩展至浏览器
利用 OpenAI 的计算能力，Ringg 正在为平台入职、了解您的客户（KYC）流程、IT 故障排除、值班事件支持以及理赔处理开发浏览器智能体。
该公司还在开发一个上下文层，以保留跨渠道和交互的信息。客户可以开始语音请求，在 WhatsApp 上继续，最后在浏览器中完成，而无需每次重复相同的信息。
“OpenAI 的计算能力加速了我们的浏览器智能体路线图。它们使我们能够将用户屏幕上的内容与对话上下文相结合，从而使智能体能够实时引导人们完成复杂的工作流程。”
— Siddharth Tripathi，Ringg 联合创始人
对于 Ringg 而言，下一代客户运营将依据完成的业务成果和自动化深度来衡量，而非通话量或人员数量。