0-1 全自研：AI 外呼机器人系统架构设计与延迟优化实践

在 2026 年，随着 LLM（大模型）能力的爆发，传统的基于 IVR（交互式语音应答）模板的电销系统已进入淘汰周期。然而，直接接入 AI Agent 进行外呼面临严重的工程化挑战，尤其是端到端延迟（Latency）和话术确定性（Business Logic Determinism）。本文将分享我们基于“大模型意图识别 + 受控状态机”架构的“方途智呼”系统设计经验。

一、 系统架构选型：为什么是“混合驱动”？

纯 Agent 驱动方案虽然灵活，但在商业电销场景中表现往往不尽如人意。通过对比，我们选择了“方途智呼”的混合驱动架构：

二、 核心技术模块解析

1. 毫秒级前端 VAD（语音活动检测）

为了实现类似真人的平滑打断，我们放弃了通用 VAD 库，通过轻量级自研模型在前端进行实时静音检测。当用户在机器人播放过程中插入语音时，系统在 300ms 内触发打断信号，释放 TTS 线程，大幅降低了对话的“撞车感”。

2. 意图解析的双轨并行设计

系统采用“双轨并行”模式处理用户输入：

• 链路 A（NLP 解析）： 利用大模型进行语义理解，捕捉用户复杂的意图碎片（如：拒绝原因、犹豫情绪、特定需求）。
• 链路 B（关键词/语义匹配）： 用于快速捕捉核心业务节点（如“要价格”、“加微信”），直接触发对应的状态机转移。

3. 状态机强制拦截（Safety Net）

这是保证业务合规的核心。大模型生成的文本作为“意图描述”，通过 状态机（State Machine） 转换为标准的话术输出。如果大模型的输出偏离了预设的业务逻辑路径，状态机会强制将对话回滚到合规节点。

三、 关键代码实现思路（Python 伪代码）

在实际工程中，我们通过状态机引擎管理对话流程，代码逻辑如下：

class OutboundStateMachine:
    def __init__(self):
        self.state = "START"

    def transition(self, intent):
        # 通过大模型识别意图，结合状态机强制约束
        if self.state == "ASK_PRICE" and intent == "REFUSE":
            self.state = "END"
            return "明白，打扰了。"
        # ... 其他业务逻辑

四、 总结与展望

“方途智呼”混合架构的优势在于将 LLM 的推理能力与传统状态机的流程控制能力进行了深度融合。在后续的优化中，我们将尝试引入 KV Cache 预加载技术，进一步将端到端延迟压至 500ms 以内，以支撑更复杂的高频线索清洗业务。

本文基于团队方途智呼（FangTu-SmartCall）自研项目架构整理，希望能为正在做 AI 外呼开发的工程师提供参考。