摘要： 一家年营收3000万的外贸公司，用铠盒AIBOX-F1部署了多语言客服Agent和邮件回复Agent，覆盖英语、西班牙语、法语、阿拉伯语四种语言的售前咨询，同时实现了48小时内邮件的自动回复和跟进。本文从选型逻辑、部署配置、三个月运行数据三个维度还原真实案例，不吹概念，只摆数据。

宁波的孙总做家具外贸十三年了。公司在北美、欧洲、中东都有代理商，员工的日常被三件事占满：回邮件、回询盘、倒时差。

"我们的销售团队8个人，平均每人每天要处理50+封客户邮件和30+条在线咨询，"孙总在部署铠盒AIBOX-F1之前做了一个时间审计——"纯回复邮件和在线消息的时间占工作日的70%以上。"

这不是效率问题。这是结构性问题：外贸行业的客户分布在全球时区，而员工只能在一个时区睡觉。

选型逻辑：为什么不买SaaS订阅？

孙总公司之前用过的方案有三个，每一个都遇到了不同的问题。

方案一：SaaS客服平台（如Zendesk、Freshdesk）

每个月几百美元起步，按坐席收费。问题是邮件和在线客服是两套系统——代理商发来的邮件的上下文和历史记录，和在线会话是割裂的。而且所有数据在云端，合规和隐私始终是个隐患。

方案二：OpenAI API + 自研对接

技术合伙人花了两个月写了一套对接脚本，把OpenAI API接入邮箱和网页客服。上线后效果不错，但每月API费用从第一周的$200涨到第四周的$800——客户越多，提问越多，费用线性上涨，没有上限。

方案三：行业内所谓"AI外贸工具"

试用了几款市面上的AI外贸软件，问题是一致的——"专业度不够"。你发给它一份西班牙语的客户询盘邮件，它翻译成中文没问题，但回复的时候内容空洞，缺少针对家具行业的产品参数、认证要求、包装标准这些专业信息的理解。

"这些工具更像是'翻译插件'，不是一个'行业Agent'。"孙总总结。

铠盒AIBOX-F1的方案逻辑完全不同——一次性硬件投入，本地运行开源大模型，数据不出本地的硬盘。选型的关键考量有三点：

1. 私有化部署：客户数据、报价策略、供应商信息全部留存在本地服务器上，不经过任何第三方API
2. 一次投入、无限调用：不存在"按token付费"的模型，Agent回多少封邮件都是一样的硬件成本
3. 可定制Agent：可以在本地模型基础上叠加企业产品知识库、历史邮件语料库，让Agent"懂行"

部署配置：一台铠盒AIBOX-F1跑三个Agent

孙总选择的是铠盒AIBOX-F1（高配版），本地部署了两款开源大模型作为Agent的底层引擎：

• Qwen2.5-72B-Instruct：作为客服Agent的主模型，处理多语言在线咨询的实时对话。选择原因是在多语言理解评测榜单上，72B模型在小语种上的表现接近GPT-4的水平，但完全本地运行。
• Qwen2.5-32B-Instruct：作为邮件Agent的主模型，处理邮件撰写、摘要、分类。32B的参数规模足够处理长篇文本的格式规范和语气控制，而且推理速度比72B快40%以上。

在这两台模型之上，运行了三个Agent实例：

部署过程和时间线

孙总的IT团队（两个人）和铠盒技术支持远程配合，部署过程如下：

• 第一天：硬件上架、开机、系统初始化
• 第2-3天：部署Qwen2.5-72B和32B模型，配置Agent运行时环境
• 第4-5天：导入历史邮件（近两年约8000封）和产品资料（SKU数据库、报价模板、各类认证证书PDF），构建检索增强生成（RAG）知识库
• 第6-7天：配置邮件服务器对接和在线客服工具对接
• 第8天：开放在线客服Agent灰度测试（只面向英语询盘客户）
• 第14天：邮件Agent全量上线
• 第21天：小语种客服全量开放（西班牙语、法语、阿拉伯语）

"从硬件到货到三个Agent全部上线，刚好21天，"孙总说，"最花时间的不是技术部署，而是整理历史邮件和产品资料——这些都是之前散落在各个销售员电脑里的数据。把知识库建好花了整整一周。"

三个月运行数据

截至孙总接受采访，铠盒AIBOX-F1已经稳定运行90天。以下是运营团队统计的三个月核心数据。

多语言客服Agent

最显著的数据是转化率提升。孙总分析："中东客户习惯在线聊天询价，而且他们当地工作时间是北京时间的下午到凌晨。以前这部分客户发消息过来没人回，等第二天上班了客户已经找了别家。Agent 7×24小时在线后，中东市场的在线询盘转化率翻了一倍。"

邮件Agent

邮件Agent的策略不是自动发送——而是生成草稿+人工审核。但运营数据显示，88%的邮件草稿可以直接发送，审核的工作量比从零写邮件小得多。"我们的销售员每天多了起码两小时出来做主动开发客户，而不是回邮件。"孙总算了一笔人力账。

一个意外的数据：投诉减少

部署后三个月内，客户投诉单月下降了62%。回溯原因后发现，之前大部分投诉的根源并不是产品质量或交期问题，而是"信息差"——客户发了邮件没收到回复、发了两遍才有人理、或者等回复的过程中产生了误解。7×24小时Agent回邮后，客户基本不再有"找不到人"的体验。

三个实际教训（踩过的坑）

孙总团队愿意分享他们踩过的坑，让后来者少走弯路。

坑一：邮件Agent不能直接用72B，会"写太多"

初期测试时直接把72B模型接邮箱，结果Agent回复每一封邮件都像写商业报告——结构工整、面面俱到，但客户反馈"太长不看"。"客户询价就是要个报价和交期，洋洋洒洒写三页反而让人困惑。"后来改用32B模型配合精简prompt，邮件长度控制在200词以内，"客户体验反而更好"。

坑二：阿拉伯语的文本方向需要预处理

阿拉伯语是右向左书写的，在Agent输出文案时偶尔会出现格式错乱——比如英文和阿拉伯语混排的邮件排版不对。解决方式是在Agent pipeline中加了文本方向预处理模块，所有阿拉伯语输出强制RTL格式。

坑三：在线客服Agent的"冷启动"问题

新客户第一次对话时，Agent没有历史上下文，只能根据知识库猜客户的需求。这导致对话开头比较生硬。后来工程师加了一个"首次对话模板"——当Agent检测到连续三轮对话中用户提供的信息太少时，主动追问订单量、目的港、材质偏好等关键信息，把"猜需求"变成"填表单"。

给外贸公司的一些建议

基于孙总的经验，如果你正在考虑为自己的外贸公司部署私有多语言Agent，以下几点可以参考：

1. 先搞定知识库，再调模型

孙总团队花了一周整理知识库——这是整个项目周期最长的阶段。如果产品资料、历史邮件、报价模板这些"行业数据"是散乱的，Agent再强也只是"有常识但不认识你"的外人。

2. 邮件Agent建议先走"草稿模式"

直接让Agent替你发邮件风险太大——一封语气不对的邮件可能丢掉一个长期客户。先跑一到两周的"Agent生成草稿→人工审核"模式，积累信任数据，等修改率降到15%以下再考虑是否放开。

3. 小语种的模型选型不能省

如果客户群体涉及非英语市场，不要为了省钱选小参数模型。7B/8B级别的模型在处理小语种时"翻译腔"严重——语法对了但语气生硬，客户一眼就能看出是机器人。72B级别是门槛。

4. 不要想一次性把所有语言都上线

孙总公司先开了英语客服灰度测试两周，确认稳定后才逐个开放西班牙语、法语、阿拉伯语。"每条新语言上线时前三天都是我们在盯着——小语种的问题往往只有母语者才能发现。"

关于成本

铠盒AIBOX-F1是硬件一次性投入，无需按月按坐席付费，无需按API调用量付费。90天内三个Agent累计处理了超过5.7万条会话和3.4万封邮件，产生的额外费用为零。对比之前用SaaS平台和API的方案，成本结构完全不同：不是"用得越多越贵"，而是"用得越多越值"。

这不是一个关于AI有多酷的故事，而是一个关于AI怎么让一家传统外贸公司多赚钱、少操心的案例——当你那些散布在五个时区的客户，能在深夜联系上你的"虚拟外销团队"的时候，单子自然就来了。

铠盒智能 | 让AI 7×24小时替你干活的智能体计算机 · 用户案例