ThoughtSpot用AgentSpot构建七Agent内容开发流水线

现在，七个AgentSpot智能体增强了我们内容开发流程的每一步，将我们团队的重点从手动操作任务转移到高价值的内容开发和策略上。

我们在ThoughtSpot的电子学习开发团队在ThoughtSpot大学的六个学习路径中管理着大约50门课程和数百个视频。我们为外部客户构建赋能内容：业务用户、业务分析师、数据专家和管理员。多年来，每个新视频背后的工作都是无形的：花费数小时阅读发布说明以了解变更内容，在Confluence、Slack和电子邮件中追踪找到正确的产品经理，并根据文档和SME会议手动编写脚本。

因此，我们构建了自己的出路。使用AgentSpot——ThoughtSpot的自定义AI智能体构建器——我们映射了内容开发生命周期中的每一个摩擦点，并用一个专用的智能体替换了每一个。

为什么我们首先需要智能体？

为快速交付的产品开发内容确实要求很高。每次发布都会带来新功能、重命名的UI元素、弃用的工作流程和更改的术语；这些都可能使课程内容在一夜之间变得不准确。在智能体出现之前，我们团队中的一个人会花费数小时手动阅读发布说明，并猜测哪些课程受到影响。另外一段时间会用于找到负责相关功能领域的PM。然后，从零开始编写脚本。

这些并非边缘案例；它们是反复出现、可预测且消耗精力的，足以证明系统性修复是合理的。

我们如何设计七个智能体的工作流程？

我们从ThoughtSpot发布版本的那一刻到学习者完成知识检查的那一刻，追踪了内容生命周期。出现了七个不同的阶段，每个阶段都变成了在AgentSpot上配置的智能体。

智能体01：发布影响智能体

任何发布后的第一个问题是我们的哪些课程需要更新。发布影响智能体直接从ThoughtSpot文档获取实时发布说明，读取我们上传为结构化知识JSON文件的全部六个学习路径文件，并根据发布对其内容的触及程度，在四点量表（无、低、中、高）上对每个路径进行评分。它生成一个Plotly条形图，显示所有六个路径的影响分布，然后深入分析到确切的课程和课程单元，并给出建议的更新。

以前需要手动通读的工作，现在几分钟内就能返回结构化报告。

智能体02：培训焦点推荐智能体

了解产品中的变化只是事情的一半。我们还需要确保我们将精力投入到正确的功能上。该智能体从Mixpanel产品使用情况和客户成功/走向市场（CS/GTM）客户痛点数据中提取数据，然后将这两个信号映射到我们的培训目录上。

例如，当一个功能既表现出高客户痛点（P1（即优先级一）支持工单激增）又具有高使用率时，我们优先启用它，在最关键的地方减少客户困惑。

智能体03：ThoughtSpot信息搜索智能体

在编写脚本之前，作者需要上下文：谁拥有这个功能，产品经理在上一次产品审查中说了什么，产品团队是否在某个Slack频道中分享了演示文稿，或者Confluence中是否有最佳实践。该智能体连接Google Drive、Slack、Confluence和GTM Buddy（我们的销售赋能工具），并返回带有直接链接的引用结果。

收集源材料以前需要花费数小时与PM来回沟通，其中一些PM在不同时区，这增加了更多延迟。现在只需一个查询，所有共享的源材料都可以在几分钟内获得。

智能体04：教学设计脚本构建智能体

这是时间节省最明显的地方。该智能体接收文档URL、学习者角色（业务用户、业务分析师或管理员）以及任何补充材料（PM会议记录、通话记录、信息搜索智能体发现的任何内容），并生成完全结构化、可直接配音的培训脚本。

输出遵循严格的格式：课程标题、使用Bloom分类法动词编写的学习目标、带有叙述文本的理论幻灯片，以及演示演练。教学设计原则如渐进式揭示和认知负荷减少会自动应用，而不是留给作者去记住。部署此智能体后，脚本开发时间减少了60-70%。

智能体05：教学设计脚本审查智能体

一旦我们构建了脚本，我们就会通过教学设计内容审查智能体运行它，该智能体读取我们的学习内容（故事板、脚本、课程大纲、讲师指南、工作辅助工具以及Rise/Articulate导出），并返回一份结构化的评论，涵盖学习者体验、认知负荷、参与度、多媒体原则和结构，每个发现都关联到确切位置和具体修复建议。

除了教学设计分析外，该智能体还对语法、机制、用词、语气和术语一致性进行完整的编辑审阅。这意味着我们可以在一次审查中同时获得学习科学严谨性和写作质量反馈。

智能体06：Skilljar知识检查编写与审查智能体

每节课都需要知识检查。该智能体读取课程脚本，识别1到3个可行的学习要点，并为每个要点以Skilljar的格式编写一个测验题：多项选择、多选或判断题。该智能体确保每个学习目标都以一对一的方式得到相应评估。

学习者永远不会被问到有关教学材料中未涵盖的细节的问题。此外，这有助于我们的团队恰当地识别课程的优势和改进机会。如果学习者都在某个特定的知识检查问题上挣扎，那么教学材料需要修改以加强相关内容。

该代理还以审阅者模式运行：我们可以粘贴现有问题，它会根据写作和教学标准对每个问题进行审核，返回“通过”、“修改后通过”或“不通过”的判定，并附上具体问题和修改建议。

代理 07：Rise 复习模块规划器

ThoughtSpot University 的每门课程都配有在 Articulate Rise 中制作的复习模块，用于总结课程。此代理将课程内容转换为 Articulate Rise 360 交互式模块。该代理读取脚本，提取以第二人称主动语态编写的学习目标，为每个目标推荐一种 Rise 模块类型（手风琴、闪卡、排序活动、测验），并为每个模块撰写完整的文案，可直接粘贴到 Rise 中。

对于需要截图的模块，它会生成精确的截图规范：界面位置、截图前准备步骤、取景指南、标题文本和替代文本。此代理减少了我们团队花费在将内容重新格式化以适应不同交付方法上的时间和精力。我们不再需要考虑如何将教学视频片段打包成供学习者互动的复习活动。而且，我们可以随着每次发布保持复习课程的最新状态，让学习者及时了解我们的最新功能。

这对团队有什么改变？

现在，工作流程在每个阶段都得到了人工智能的增强，每个代理负责其步骤中可重复的、信息密集的部分，以便教学设计人员能够专注于需要判断的工作：为课程选择合适的角度、决定删除哪些内容以及捕捉代理遗漏的任何内容。这才是团队专业知识的真正所在。

脚本编写时间的减少是突出的数字，但复合效应更为重要。在 50 门课程和数百个视频中，在每个开发周期都能挽回这些时间意义重大。除了速度，质量也得到了提高，因为每个代理都基于实际文档、实际产品使用数据和实际课程目录，而不是记忆或近似值。

构建代理也比预期更快。AgentSpot 使配置无需工程支持即可实现。如果你清楚了解团队的痛点（在与它们共存多年之后，你确实了解），那么将这些问题转化为代理是可行的。痛点本身就成了产品简报。

准备好为你的工作流程构建AI代理了吗？立即尝试 AgentSpot。

常见问题解答

1. 在 AgentSpot 上构建这样的代理需要工程支持吗？

不需要。AgentSpot 是为业务用户和团队打造的。这里描述的代理是由学习内容从业者配置的，而不是工程师。基本的输入是你对要自动化的工作流程步骤的精确理解。

2. Release Impact 代理如何知道新版本影响哪些课程？

六条学习路径中的每一条都以结构化知识 JSON 文件的形式上传到代理中。在分析时，代理会实时从 docs.thoughtspot.com 获取发布说明，将发布信号（新功能、弃用功能、界面更改、术语重命名）映射到学习路径内容中，并为每个路径打分，影响严重程度从“无”到“高”。

3. Instructional Design 脚本构建代理能否为不同的学习者类型编写内容？

可以。它支持三种定义的人物角色：业务用户、业务分析师/数据分析师和管理员/数据建模师。每种角色都会改变输出的深度、术语和重点；相同的功能文档会根据课程的受众产生三种不同的脚本。

4. 当知识检查问题未能通过审阅者审计时会发生什么？

Skilljar 知识检查审阅者会为每个未通过的问题提供具体的诊断和修改建议。它不会自动重写问题；它会向作者提供确切的问题，以便进行深思熟虑的更正，并追溯到源材料。

5. Rise 复习模块规划器如何决定推荐哪种模块类型？

它使用学习原理将每个学习目标映射到 Rise 360 模块类型：比较概念映射到排序活动，程序步骤映射到流程模块。它只推荐 Rise 360 中原生存在的模块类型，并标记它无法清晰映射的内容，而不是进行近似。

6. 构建全部七个代理花了多长时间？

我们在一天内配置了第一个代理；整个七代理流水线在三周内运行起来。