从Token到DAA：企业智能办公价值度量变革与效能探索

摘要：生成式人工智能进入企业办公与营销场景后，Token已成为模型调用计量与成本核算的基础单位。然而，以Token消耗规模评价应用成效，难以反映业务任务完成度与组织效能提升。本文提出分布式自主智能体（Distributed Autonomous Agent，DAA）概念，将其界定为由多个以大模型为认知核心、具备专业能力且可动态协作的任务执行体系。以中国电信星辰TokenHub与TeleAgent实践为参照，分析企业智能化办公由Token资源管理向DAA业务协同转型的逻辑与路径。通过经营数据大屏自动生成和企业客户背景分析两个案例，对比传统模式与DAA模式在人工工时、任务闭环时间与业务产出方面的差异。研究表明，DAA的核心价值在于将模型能力嵌入完整业务链条，使效能评价从资源消耗维度转向价值创造维度。

关键词：Token运营；DAA；分布式自主智能体；TeleAgent；电信营销

引言

大模型在企业办公中的应用已由文稿生成、知识问答拓展至数据处理、流程填报、营销策划和业务执行。企业通常以Token调用量和模型费用衡量使用情况。Token能够反映模型处理信息的规模，是成本结算和算力预算的基础，但不能直接说明模型输出是否被业务采纳，也不能反映人工智能是否真正改变了业务流程。中国电信推出的星辰TokenHub[5]和TeleAgent[6]分别承担模型资源运营和复杂任务执行功能，为研究这一转型提供了实践基础。本文采用案例研究法与对比分析法，以电信运营商营销场景为研究对象，分析DAA模式相较于传统模式在任务执行效率、资源消耗归集和业务产出方面的差异。

电信运营商营销场景下的DAA体系构建

营销智能体的角色划分

电信运营商营销业务链条涵盖数据采集、策略制定、内容生成、渠道分发与合规审查等多个环节，适合采用多智能体协同模式。在DAA框架下，营销智能体按“感知-决策-执行-反馈”逻辑链进行角色划分。

感知层中，客户洞察智能体分析客户消费行为、套餐使用和服务记录，输出客户分群标签与需求预测。决策层中，营销策略智能体根据客户洞察匹配套餐升级方案与权益搭配，内容生成智能体将策略转化为短信、外呼话术和客户经理推荐口径，合规审核智能体检查资费表述准确性与触达频次合规性。执行层中，渠道执行智能体根据客户偏好选择触达渠道。反馈层中，效果评估智能体汇总触达率、响应率和投诉率，将结果回写至客户画像与策略库，形成闭环优化。协调智能体负责全流程任务拆解、分发与异常调度，确保各环节按时序推进。

分布式智能体驱动的营销流程

以存量客户套餐优化为例。传统流程中，数据部门提取名单，营销部门制定规则，文案和渠道人员分别完成内容与触达，全流程依赖表格传递和人工沟通，周期以周为单位，任一环节变更需重新传递资料。

DAA模式下，协调智能体接收“提高套餐适配度并控制投诉”的目标后，将任务拆解为六个子任务分发至对应智能体。与传统串行不同，DAA允许部分子任务并行执行——策略智能体为高价值客群生成方案的同时，内容智能体可先行准备通用话术框架。更关键的是动态纠偏能力：合规审核发现资费表述歧义时可直接退回内容智能体修改，无需回退至流程起点；渠道智能体检测到客户已通过其他渠道办理时可自动终止重复触达。这种并行协作与即时纠偏使流程从部门串行传递转变为智能体间的动态协同。

DAA驱动营销效能提升的案例分析

2.1案例：经营数据大屏自动生成与联动更新

经营数据大屏需展示移动用户净增、宽带渗透率、5G套餐渗透率、ARPU值、流量收入占比、客户满意度和投诉率等指标，按地市分公司维度对比。传统模式下，人工从计费、客服和营销等多个系统导出数据，手动汇总计算后更新可视化页面，全流程约3至4小时，数据时效性为“T+1”，且易出现口径偏差。

DAA模式下，协调智能体调度四类智能体协同执行：数据提取智能体通过定时任务自动拉取原始数据并按字段映射规则清洗；计算智能体按预设公式汇总指标、计算环比同比及地市排名；可视化智能体将结果写入大屏接口驱动图表刷新；校验智能体对超阈值波动指标标记预警。更新周期压缩至约20分钟，时效性提升至准实时。DAA相比传统RPA方案的核心优势体现在动态适应能力：当数据源字段发生变更时（如“收入”字段拆分为“产品收入”和“服务收入”），数据提取智能体可通过语义理解自动识别新字段含义并调整映射规则，无需人工修改脚本；当指标异常波动时，协调智能体可自主触发归因分析，调用数据分析智能体按渠道、套餐、客群维度动态选择下钻路径，而非沿预设路径机械展开。Token消耗归集至三个环节，可按任务类型核算单位成本。人工角色由数据操作者向规则制定者与异常决策者转变。

DAA效能评价指标体系

DAA效能评价不应以智能体数量衡量，而需建立覆盖任务、质量、资源与业务结果的四维指标体系。其设计逻辑为：任务指标衡量“做完了没有”，质量指标衡量“做得好不好”，资源指标衡量“花了多少成本”，业务指标衡量“对经营有何贡献”。

任务指标包括任务完成率、智能体交接成功率和平均闭环时间，反映系统可靠性与流程效率。质量指标包括客户识别准确率、方案采用率、合规一次通过率和内容人工修改比例——后者是关键信号，持续偏高说明智能体生成质量未达业务标准，需优化提示词或知识库。资源指标包括单位任务Token消耗、失败重试Token占比和模型调用结构（强弱模型使用比例），反映模型路由策略的合理性。其中，单位任务Token消耗是连接Token运营与DAA效能的关键桥梁：通过对同一任务类型在不同智能体分工模式下的Token消耗进行对比，可识别最优任务分解策略。业务指标包括营销响应率、套餐办理转化率、客户保有率、投诉率和节约人工工时。节约工时应与质量指标交叉验证，避免“省了人工但质量下降”。四维指标构成评价矩阵，持续监测为DAA系统迭代优化提供数据依据——当某类指标出现劣化趋势时，可定向优化对应环节的提示词设计、知识库内容或模型路由策略。

结语与展望

从Token到DAA，体现了企业人工智能由资源消耗管理向业务价值创造的范式转变。Token仍是成本计量与资源调度的基础，但不能单独承担效能评价功能。DAA通过多智能体的任务分解、自主执行与协同反馈，将模型能力嵌入客户洞察、营销策略、内容生成、渠道执行和效果评价的完整业务链条，使效能度量从“资源消耗规模”转向“价值创造效能”。中国电信TokenHub与TeleAgent分别提供资源运营与任务执行基础，二者协同形成“Token供给-任务规划-多智能体协作-业务反馈”的运行闭环。总体而言，企业应完善数据治理、智能体分工、模型路由和人机协同机制，使人工智能从零散的办公辅助工具转变为跨系统、可评价、可进化的智能生产力。

参考文献

[1] 中国信息通信研究院. 智能体技术和应用研究报告（2025年）[R]. 北京：中国信息通信研究院，2025.

[2] 中国信息通信研究院. 企业级智能体技术与应用研究报告（2026年）[R]. 北京：中国信息通信研究院，2026.

[3] WOOLDRIDGE M. An Introduction to MultiAgent Systems[M]. 2nd ed. Chichester: Wiley, 2009.

[4] PARK J S, O'BRIEN J C, CAI C J, et al. Generative Agents: Interactive Simulacra of Human Behavior[C]//Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology. 2023: 1-22.

[5] 中电信人工智能科技有限公司. 星辰TokenHub运营服务平台[EB/OL]. 2026.