文章主张业务接管优先用Workflow而非ReAct Agent，底层逻辑是生产场景更关心稳定、成本和可控，而非架构先进性。Workflow牺牲灵活性换可预测性：每个节点的触发条件、分支走向都固定，LLM只在特定节点执行任务不参与决策；Agent则让模型自主规划下一步，灵活但黑盒、难审计且token成本高。两者不是技术代差，而是「给LLM多大的自由空间」的设计抉择——路径明确的流程用Workflow，路径无法提前设定的开放任务才用有边界的Agent。

文章提到的「向量+BM25混合检索+RRF融合+Reranker重排」并非炫技，而是工业级RAG的标准配置。纯向量检索对专有名词、型号等精确匹配天然弱，而BM25恰好补齐这个短板；两者用RRF融合后，再用Cross-Encoder精排能把命中率从70%拉到90%。这三板斧解决的不是「能不能搜到」，而是「最相关的那条知识能不能排到第一」。

文章坦诚AI客服综合成本可能高于人工，但从消费者端看，故事完全不同。AI月租低至99元、人工月均5000元的30倍价差，正诱使大量企业把AI设计成「隐形过滤网」——通过循环应答、多层跳转消耗用户耐心。中消协2026上半年数据显示售后服务投诉占比26.79%，AI客服不实承诺与转人工难已成投诉新热点。9月起新国标强制要求人工通道畅通，经济账和技术账之外，监管账正在改写规则。

新国标落地后，「AI处理简单问题、人工兜底复杂纠纷」会从潜规则变成硬标准。但这对人工客服的能力要求不是降低而是升维——共情力（承接情绪而非识别情绪）、判断力（敢不敢在权限内灵活决策）、经营力（把服务变成增长机会）这三项AI学不会也抢不走。当前人工客服月均5000元的成本锚点，可能会因为稀缺性重新定价：标准问答型客服贬值，高判断力客服升值，客服行业从「人力密集型」转向「智力密集型」。

文章结尾点到待处理池和待建设场景池构成知识飞轮，但没展开说这轮怎么持续转。AgentLoop提出的七步法把调优从「看几条客诉→手动改Prompt」升级为系统工程：接入真实Trace→观测→审计→沉淀Badcase→建立评估标准→开实验回测→经验库自动反哺。每转一圈，Agent的起点都比上一圈高。真正值得问的不是「怎么建飞轮」，而是「飞轮的初始推动力从哪里来」——在客服场景中，答案藏在人工审核的每一票里。