携手亚马逊云科技，LingoAce 以 Agent-DLC 方法论推动智能服务走向持续优化

LingoAce 面向 3 至 15 岁青少儿，提供中文、英语、数学和音乐等多学科在线教学服务。依托 Agent-DLC 方法论，LingoAce 基于 Amazon Bedrock AgentCore（仅在海外区域可用）将面向海外用户的智能客服升级为具备动态任务规划、长期记忆和持续评估优化能力的 AI 智能助手，问题解决率从 75% 提升至 95%，端到端平均响应时间从 45 秒缩短至 15 秒。目前，LingoAce 主要使用的亚马逊云科技服务包括：Amazon Bedrock、Amazon Bedrock AgentCore、Amazon ElastiCache、Amazon VPC、Amazon CloudWatch 等。

对在线教育而言，师生进入同一间在线课堂只是基础，课堂之外的服务能否准确衔接同样不可或缺。一位家长提出“查询本周课程，把周四的课调整到周五”需求时，对话中可能包含多个意图及需求，包括查询课程与教师时间，校验调课规则、进行实际操作以及及时给予反馈通知等。能否准确理解并完成这一系列需求，与学员的体验息息相关。

LingoAce 面向 3 至 15 岁青少儿，提供中文、英语、数学和音乐等多学科在线课程。随着学员数量不断增加，课程咨询、课时查询、约课、调课和取消课程等服务请求不断增加，相关工作量也在持续上升。LingoAce 希望通过智能化服务及时响应这些请求，减少对人员的依赖，让学习顾问将更多精力投入需要专业判断和深入沟通的工作。

为此，LingoAce 启动了智能客服建设，先后尝试 Workflow、单 Agent 和多 Agent 等方案，但仍受到预设路径依赖、复杂意图识别和多步业务执行能力的限制。在处理复合意图或中途需求变化时，系统容易出现意图遗漏、流程中断或任务无法闭环等问题，问题解决率停滞在 75%，平均响应时间约 45 秒。

为了突破既有架构瓶颈，LingoAce 与亚马逊云科技合作，借助 Amazon Bedrock AgentCore 构建覆盖运行、记忆、生产观测、质量评估和持续优化的 Agent 架构，提升复杂意图理解与多步业务执行能力。

“智能服务意味着准确理解家长在连续对话中的需求，并完成课程查询、约课和调课等后续操作。Amazon Bedrock AgentCore 的模块化能力让我们能够按需组合运行、记忆、生产观测、评估和优化能力，将 Agent 的构建、部署与持续改进连接起来。模型、Prompt 和工具的每轮调整都可以先评估、再验证、再逐步上线，使智能服务转变为可持续衡量、验证和优化的生产能力。”

——  LingoAce AI 与智能产品研发部负责人 金灿敏

Agent 从原型验证推进至规模化应用过程中，面临着开发、部署与持续优化等多种需求。LingoAce 选择以亚马逊云科技 Agent-DLC（Agent Development Lifecycle，Agent 开发生命周期）方法论主导项目，以业务目标和评估标准贯穿 Agent 生命周期，将真实运行过程中发现的问题持续回流至下一轮迭代，使 Agent 上线后仍能不断改进。

基于 Agent-DLC 方法论，LingoAce 将业务目标拆解为认知、质量、责任、成本和性能五个维度：认知维度判断 Agent 能否完整识别复合意图，质量和责任维度关注任务能否闭环、回复是否准确并遵守业务规则，成本和性能维度衡量 Token 消耗、响应效率与运行稳定性，从而将笼统的业务目标转化为明确、细致的评估判据。

在此基础上，LingoAce 以真实对话中的运行轨迹和质量评估结果驱动架构迭代，并基于 Amazon Bedrock AgentCore 等产品，构建了由访问层、智能层和能力层组成的 AI 智能助手。

在三层架构中，智能层负责理解用户需求、规划任务并调度业务工具。AgentCore Runtime 兼容任意 Agent 框架，LingoAce 选择将基于 Claude Agent SDK 构建的 Agent 部署其中，灵活选择 Amazon Bedrock 中的模型。由于模型会在每次工具返回后重新判断后续操作，Agent 不再需要为每种需求编排固定流程，也能连续完成信息查询、规则校验和业务操作，从而在复合意图、中途需求变化及多步任务等场景中减少意图遗漏和流程中断。

作为智能层的生产运行环境，AgentCore Runtime 为 LingoAce 提供了全托管环境、资源自动伸缩和会话级沙箱隔离等能力。结合 Amazon VPC 配置的固定出站 IP，Agent 可以按照既有网络规则访问课程、教师和课时等业务信息，从而减少 LingoAce 自建和扩容 Agent 运行环境的工作，降低后续运维投入。

智能层可以理解和处理当前请求，但要连续服务同一位用户，还需要保留跨轮次、跨会话的长期上下文。为此，LingoAce 在能力层使用 AgentCore Memory 提供的三类记忆策略。其中，Semantic 用于沉淀用户所在地区和时区等事实信息；User Preference 记忆可以提供家长的教师偏好，帮助 Agent 优先查询相应教师的可选时间；Episodic 则保存 Agent 处理任务时形成的执行路径和经验。Agent 由此能够结合当前课程安排和业务规则规划后续步骤，减少重复询问，并提供更连贯的服务。

此外，LingoAce 自研消息分发器在访问层负责承接企业微信等渠道的用户消息，使用 Amazon ElastiCache 支撑 Redis 状态管理，使系统能够在用户连续发言或人工学习顾问介入时更新任务状态，减少消息乱序、重复回复及人机同时应答。

完成三层架构建设后，LingoAce 进一步使用 AgentCore Observability、Evaluations 和 Optimization，形成“定位问题—量化问题—验证方案”的持续改进闭环。

以跨时区调课场景为例，当 AgentCore Evaluations 在自动采样中发现规则遵循表现相对薄弱时，团队可以结合 AgentCore Observability 记录的运行轨迹，判断问题是否来自当地时间理解、调课规则判断或工具执行。针对定位到的问题，团队可以在 Prompt 或 Skills 中补充时区校验步骤，并将典型错误对话加入黄金评估集，作为后续版本的回归测试样本。

基于 Agent-DLC 方法论，LingoAce 将原有依赖固定 Workflow 的智能客服，升级为具备动态任务规划、长期记忆和持续评估优化能力的 AI 智能助手。经过多轮迭代，AI 智能助手的问题解决率从 75% 提升至 95%，未解决问题占比由 25% 降至 5%；端到端平均响应时间从 45 秒缩短至 15 秒。同时，课程咨询、课时查询、约课和调课等常见需求均可由 Agent 连续处理，学习顾问能够将更多精力投入需要专业判断和深入沟通的工作。

在研发和运行效率方面，AgentCore 对不同框架和模型的兼容性，使 LingoAce 能够采用适合自身业务的框架，将框架层代码量减少约 70%。结合 Skills 渐进加载与 Amazon Bedrock Prompt Caching，系统 Token 消耗下降 90%。此外，AgentCore Runtime 的全托管和资源自动伸缩能力，也减少了 LingoAce 在 Agent 运行环境建设、扩容和日常运维等方面的投入。相比传统人工客服模式，LingoAce 长期单位服务成本下降约 97%。

“学员家庭分布在不同国家和时区，课程安排、服务需求和业务规则也在不断变化，LingoAce 需要能够随业务持续迭代，并支撑课程咨询、课时查询、约课和调课等场景的 Agent 服务能力。为此，LingoAce 引入亚马逊云科技的 Agent-DLC 方法论，以问题解决率、响应效率和规则遵循为目标，形成构建、部署、生产观测与迭代的闭环，让每一次 Agent 的优化都有目标、有数据、有验证，让智能服务质量变得可衡量、可验证、可持续提升。”

——  LingoAce AI 与智能产品研发部负责人 金灿敏

未来，LingoAce 计划将智能服务进一步应用于教学管理、课程总结和数据分析等场景，并继续探索语音、图片等多模态交互和主动服务能力，使既有 Agent 架构能够支持更多教育服务需求。