产品详细介绍

Basalt 是一个专注于“自我改进型智能代理”的基础设施平台，核心目标是让你的 AI 代理不再是一次性配置、静态运行，而是能够在真实用户交互中持续学习、持续优化。

传统的智能客服或 AI 代理往往存在几个痛点：

  • 难以系统化收集用户真实行为与反馈
  • 代理决策过程不透明，难以调优
  • 每次改进都依赖人工标注和工程投放，成本高、周期长

Basalt 针对这些问题，提供一套“让代理从用户交互中学习”的底层基础设施，帮助团队把用户行为数据转化为可执行的改进信号，让代理在实际业务场景中不断变得更聪明、更贴合业务目标。

核心能力概览：

  1. 用户行为捕获与数据管道
    Basalt 能够系统化捕获用户与代理的每一次对话、点击、选择、转化等行为，并将这些数据结构化存储，形成可追踪、可分析的交互日志，为后续的模型优化和策略学习提供基础数据。

  2. 自我改进与策略学习基础设施
    平台为“自学习代理”提供所需的基础设施，包括：

    • 将用户行为映射为奖励/惩罚或质量信号
    • 支持基于反馈的策略更新与版本迭代
    • 为不同代理版本提供对比实验（A/B）和效果评估能力 通过这些机制，代理可以在不打断业务运行的前提下，逐步学习“什么回答更好”“什么流程更高转化”。

  3. 可观测性与可解释性
    Basalt 提供对代理行为的可观测能力：

    • 追踪每一次决策背后的上下文与结果
    • 分析不同策略、提示词、模型版本的表现差异
    • 帮助团队快速定位“为什么这个回答不好”“为什么这个流程转化低” 这让产品、运营和工程团队可以基于数据做决策，而不是凭经验反复试错。

  4. 面向团队协作的基础设施
    Basalt 并不是一个单一的聊天机器人，而是为团队构建和运营多种智能代理提供统一基础设施：

    • 支持多代理、多场景接入（如客服、销售、运营助手等）
    • 为产品、数据、工程团队提供统一的数据视图和调优入口
    • 便于在现有业务系统中嵌入和扩展

  5. 面向未来的自学习代理架构
    随着大模型和智能代理生态的发展，Basalt 致力于成为“自学习代理”的底座：

    • 让代理在真实业务中持续学习，而不是停留在离线训练
    • 让每一次用户交互都变成模型进化的养分
    • 为企业构建长期可积累的“交互资产”和“决策资产”

通过 Basalt，团队可以从“手工调参、被动维护的 AI 机器人”，升级为“自动学习、持续进化的智能代理系统”，在客服、销售、运营、内部协作等多个场景中获得更高的效率和更好的用户体验。

简单使用教程

以下是基于 Basalt 官方定位总结出的一个简明上手路径，帮助你理解如何在团队中落地使用：

  1. 确定业务场景与目标

    • 明确你要接入 Basalt 的代理类型：如客服机器人、销售线索筛选助手、产品问答助手等。
    • 设定可量化目标：如解决率、首次响应时间、转化率、用户满意度等，这些指标将成为后续“自学习”的优化方向。

  2. 接入现有代理或创建新代理

    • 如果你已有基于大模型的代理（如自建客服机器人），可通过 Basalt 提供的接口/SDK 将其接入平台，让交互数据开始被统一采集和管理。
    • 如果你计划新建代理，可在现有技术栈（如 OpenAI、Anthropic、其他 LLM 提供商）基础上构建代理逻辑，再通过 Basalt 进行行为数据接入和后续优化。

  3. 开启用户行为采集与日志记录

    • 在前端或服务端集成 Basalt 的数据采集能力，将用户与代理的每一次对话、点击、转化等行为上报到 Basalt。
    • 确保在采集过程中遵守隐私与合规要求，对敏感信息进行脱敏或过滤。

  4. 配置反馈与质量信号

    • 设计并接入用户反馈机制：如“有用/没用”按钮、满意度评分、问题是否解决等。
    • 将业务结果（如是否完成下单、是否提交表单、是否成功转化）映射为奖励信号，让 Basalt 能够理解“哪些交互是成功的”。

  5. 在 Basalt 中分析代理表现

    • 登录 Basalt 后台（或数据面板），查看：
      • 不同会话的质量分布
      • 常见失败场景与低满意度对话
      • 不同提示词/策略/版本的效果对比
    • 基于这些分析，识别需要重点优化的场景和问题类型。

  6. 配置自学习与版本迭代机制

    • 在 Basalt 中为代理配置策略更新逻辑：例如基于反馈自动调整提示词、路由策略或模型选择。
    • 使用 A/B 测试或多版本对比功能，在小流量上验证新策略的效果，再逐步放量。

  7. 持续监控与循环优化

    • 定期查看关键指标（解决率、转化率、满意度等），观察代理在自学习后的变化趋势。
    • 将业务团队的经验（如话术优化、流程调整）与 Basalt 的数据洞察结合，形成“人工 + 自学习”的双重优化闭环。

通过以上步骤，你可以把 Basalt 作为团队的“自学习代理中枢”：一方面统一采集和管理交互数据，另一方面驱动代理在真实业务中持续进化，让每一次用户交互都为下一次体验带来提升。