在客服场景中，构建状态化多轮电话 AI 代理是实现全链路自动化的关键。通过 Microsoft 的 Call Center AI 项目，我们可以快速部署一个支持 API 触发的电话机器人，支持实时语音识别（ASR）、文本转语音（TTS）、结构化 Claim 数据收集，以及断线续传的多轮对话持久化。这种设计避免了传统单次交互的局限，确保复杂客服流程如保险理赔或 IT 支持的连续性。
核心观点在于：状态化管道通过 Cosmos DB 持久化会话历史、Claim 数据和提醒事项，实现多轮对话的上下文保持。证据显示，系统在 inbound/outbound 通话中实时流式处理音频：用户语音经 Azure Cognitive Services 的 Speech-to-Text 转为文本，注入 GPT-4o 或 GPT-4o-mini 模型生成响应，再经 Text-to-Speech 转为语音输出。同时，Redis 缓存加速 RAG 检索，Event Grid 处理事件驱动更新。断线后，系统自动从 DB 加载历史消息、Claim 状态和合成摘要，确保无缝续传。“Conversations are streamed in real-time to avoid delays, can be resumed after disconnections, and are stored for future reference。”
落地参数配置从 Claim schema 开始，这是结构化数据收集的核心。默认 schema 包括 caller_email（email 类型）、caller_name（text）和 caller_phone（E164 格式），可自定义扩展如 incident_datetime（datetime）、hardware_info（text）。API 调用时传入 claim 数组，例如：
"claim": [
{"name": "hardware_info", "type": "text"},
{"name": "first_seen", "type": "datetime"},
{"name": "building_location", "type": "text"}
]
系统验证数据类型，确保合规。提示中注入最新 Claim 数据，如 “# Support status\n {claim}”，指导 LLM 逐步收集缺失字段，直至完整。对于多轮 persistence，会话 ID 基于 phone_number 生成，存储 messages 数组（含 created_at、action、content、persona），next action（如 case_closed）和 reminders（如 due_date_time）。
实时 ASR/TTS 参数优化至关重要。特征标志（App Configuration）控制 vad_threshold（0.5，默认语音活动检测阈值，范围 0.1-1）、vad_silence_timeout_ms（500ms，静音触发）、recognition_stt_complete_timeout_ms（100ms，STT 完成超时）和 phone_silence_timeout_sec（20s，用户静音警告）。LLM 响应有 answer_soft_timeout_sec（4s，发送等待消息）和 answer_hard_timeout_sec（15s，强制中止）。这些参数可动态调整，无需重启，TTL 60s 刷新。监控 Application Insights 中的 call.answer.latency（用户语音结束至 bot 语音开始时延）和 call.aec.droped（回声消除丢帧）。
人工转接与回退机制确保可靠性。通信服务支持 transfer to agent，特征标志 human_agent_fallback 启用。call recording（recording_enabled=true）存 Azure Storage，便于 QA。RAG 通过 AI Search 的 vectors（1536 维，ADA embedding）检索内部文档，注入提示增强领域知识。
部署清单：
-
Azure 资源：Communication Services（phone number，支持 voice/SMS）、Cosmos DB（RU/s 1k+ 多区域写）、Redis、AI Search（Basic，15GB/index）、OpenAI（gpt-4o-nano 优先，低延迟）。
-
配置 config.yaml：conversation.initiate.task（英文任务描述，如 “Help the customer with their insurance claim.”）、claim schema、prompts.tts.hello_tpl（多模板随机化，提升自然度）、llm.fast.model（gpt-4o-nano）。
-
部署：make deploy name=my-rg（Bicep IaC，serverless Container Apps）。本地开发用 make tunnel + uv run local.py 测试无电话。
-
监控与调优：Insights 追踪 LLM tokens、STT/TTS 延迟。成本估算：1000 通话 ×10min ≈ $720 / 月，主因 Cosmos RU 和 Speech 服务。优化：PTU 降低 LLM TTFT，采样日志减 Monitor 费。
风险控制：作为 POC，生产需加单元测试、多区域、vNET。私有数据用 Content Safety moderation（0-7 级），fine-tuning 历史通话提升准确率（预处理 PII）。
此管道适用于中低复杂度客服，扩展 IVR 或 callback（callback_timeout_hour=3）。通过 API POST /call 传入 phone_number、task、claim，即可触发状态化代理，实现 24/7 自动化。
资料来源：
- GitHub: https://github.com/microsoft/call-center-ai (README 与架构图)
- Azure 文档: Communication Services, Cognitive Services Speech
（正文字数：约 950 字）