首页2026年9月28日，智元机器人与爱仕达合作，让100台灵犀X2陆续进入全国100家线下门店，担任一种特殊的“门店促销员”。相比机器人能够跳舞、行走或抓取物体，这个案例更值得研究的是它如何参与真实的零售服务流程。
当顾客走进商场，机器人需要在嘈杂环境中听清问题，理解购买需求，结合商品信息给出建议，必要时还要识别周围环境，并将自己无法完成的任务交给工作人员。
对于服务机器人来说，能回答问题只是第一步。如何让语音、视觉、业务数据和人工服务协同，才是进入真实门店需要解决的工程问题。
一. 机器人进门店，为什么不能只会聊天？
在商场或零售门店中，机器人面对的不是固定测试问题，而是随时可能变化的真实顾客需求。
有人只是想了解某件商品，有人需要比较价格，还有人希望直接找到货架位置，或者询问是否有货。
这些问题看起来都可以通过自然语言提出，但背后对应的业务处理并不一样。
1. 从听懂需求，到给出商品推荐
顾客说“想买一口适合炒菜的锅”，其实还不足以确定应该推荐哪款商品。机器人可以进一步询问家庭人数、烹饪习惯、灶具类型和预算，再根据商品的材质、容量和适用场景缩小选择范围。
这要求 AI 不只是理解一句话，还要在多轮对话中保留已经获得的信息。
例如，顾客已经说明预算在1000元以内，机器人就不应该在后续推荐中忽略这个限制；如果顾客临时改变预算，系统也需要及时更新条件。
因此，导购机器人的对话过程更接近一个持续收集需求、查询商品信息和调整推荐结果的任务流程，而不是开放式闲聊。
2. 从回答问题，到参与门店业务
商品介绍可以参考产品知识库，但库存、价格和优惠政策可能随门店与时间发生变化。
例如，顾客问“这款锅今天有没有优惠”，系统如果只依赖语言模型已有的知识，就可能给出不准确的回答。
更合理的处理方式是通过商品管理、库存或促销系统查询最新信息，再决定如何回应。
如果某项优惠需要人工确认，机器人应该明确说明，并把任务转交工作人员。
这也是爱仕达案例中很有价值的设计：机器人负责前端接待、需求了解和初步推荐，真人导购继续处理复杂优惠与成交环节。
对于商业服务机器人，知道自己能够处理什么、什么时候应该交给人，比尽可能回答所有问题更重要。
二. 商场环境复杂，机器人如何听清顾客说话？
机器人在实验室里完成语音对话，与在营业门店里持续接待顾客，是两种不同的使用环境。
商场里可能同时存在背景音乐、促销广播、其他顾客的交谈声，以及机器人自身移动时产生的机械声音。
如果系统无法准确判断是谁在向机器人说话，就可能出现识别错误或误打断。
1. 实时语音需要处理噪声和多人干扰
在典型的语音交互链路中，麦克风首先采集声音，系统进行必要的音频处理，再通过 ASR（自动语音识别）或语音大模型理解用户输入。
对于服务机器人，音频前处理会直接影响后续识别结果。
例如，顾客正在询问商品，旁边另一位顾客突然提高音量。系统需要尽量避免将无关的讲话内容当成当前用户的指令。
这涉及回声消除、噪声抑制、语音活动检测，以及必要的目标说话人识别或锁定能力。
对于能够在门店移动的机器人，还需要考虑顾客与设备之间的距离、朝向变化，以及麦克风阵列在不同位置的拾音效果。
因此，商场语音交互的重点不只是模型能否正确识别普通话，而是能否在真实环境中持续获得可靠的用户语音输入。
2. 顾客随时可能改变问题
导购过程中的对话并不总是按照预设流程进行。
例如，机器人正在介绍一款不粘锅，顾客突然说：“等一下，我更想看看没有涂层的。”
如果系统仍然播放原来的介绍，就会让顾客觉得机器人没有听懂自己的意思。
因此，机器人需要结合轮次检测、语义理解和语音打断机制，在用户改变需求时及时停止旧回复，并进入新一轮对话。
但打断也不能过于敏感。正常的思考停顿、环境噪声，或者旁边顾客的说话声，都不应该轻易中止当前对话。
在实际开发中，需要根据商场噪声、顾客说话习惯和设备音频采集能力，持续调整交互策略。
三. 视觉理解如何帮助机器人完成商品导购？
语音能够帮助机器人了解顾客想要什么，但当任务涉及商品、货架和现场环境时，仅靠语音还不够。
例如，顾客指着货架上的一口锅问：“这个和旁边那款有什么区别？”
如果系统不知道顾客指的是哪件商品，就无法准确回答。
因此，具备摄像头和视觉模型的机器人，可以进一步将语音与图像信息结合起来。
1. 先识别顾客关注的商品
一种可参考的实现方式，是在顾客提出问题时获取相关画面，再通过视觉模型判断画面中出现了哪些商品。
如果机器人同时具备商品识别、货架位置和门店地图信息，就可以进一步把视觉结果与具体商品编号关联起来。
例如，顾客询问“左边那口锅能用电磁炉吗”，系统需要先确认被指向的商品，再查询对应的产品规格。
但视觉模型对商品外观的判断，并不应直接替代权威商品数据。
2. 视觉感知与机器人移动控制需要分工
如果机器人不仅负责回答问题，还需要带顾客前往对应货架，就必须进一步处理空间定位和移动控制。
例如，机器人可以根据商品位置生成“前往炒锅展示区”的高层任务，再由设备本地的定位、路径规划和运动控制系统负责具体移动。
移动过程中，机器人需要持续感知周围环境，避让其他顾客、购物车和临时障碍物。
即使大模型能够理解用户意图，也不意味着它应该实时计算每一个电机的动作。
更合理的分工是：视觉和语言模型负责识别对象、理解任务与提供高层建议，本地控制系统负责导航、避障和安全执行。
对于门店机器人来说，真正重要的不是能否让 AI 直接操控每一步动作，而是不同系统之间能否可靠地传递任务与执行结果。
四. 机器人遇到复杂问题，如何把服务交给人工？
爱仕达门店案例中，一个值得关注的细节是：机器人在顾客询问优惠政策后，将后续服务交给了现场真人导购。
这说明机器人不需要独立完成所有服务环节。
不过，人工接管实际上包含两种不同的需求，需要分开设计。
1. 现场导购接手：关键是保留业务上下文
第一种是现场工作人员接手服务。
例如，机器人已经了解顾客希望购买适合爆炒、预算在1000元以内的锅具，并推荐了两款候选产品。
当顾客需要咨询优惠时，机器人可以将这些信息整理为业务摘要，再交给现场导购。
工作人员只需确认必要信息，就可以继续介绍活动、库存或购买方式。
如果系统没有传递此前的对话上下文，真人导购就需要重新询问家庭人数、预算和商品偏好，顾客体验也会受到影响。
因此，现场人工接管需要关注的，不只是通知工作人员，还包括对话摘要、顾客需求、推荐商品和当前任务状态。
涉及顾客身份、联系方式等个人信息时，还应遵循最小必要原则，并明确采集与使用权限。
2. 远程工作人员接入：需要实时音视频与状态同步
第二种是远程人工协助。
如果机器人部署在多个门店，企业不一定能为每台设备安排专门的现场技术人员。
当机器人出现无法自主解决的设备异常，或者某项远程服务需要专业人员参与时，可以考虑由远端工作人员接入。
例如，机器人在带路过程中遇到持续无法绕开的障碍，远程运维人员可以查看现场视频和设备状态，再判断是否需要现场员工处理、重新规划路线，或者在安全条件允许时接管相应操作。
这类场景需要实时视频回传、双向语音、设备状态同步，以及明确的控制权限管理。
3. 接管之后，还需要完成状态交接
无论是现场导购接手，还是远程工程师介入，系统都需要明确当前由谁负责处理任务。
例如，机器人已经把某位顾客交给人工服务，就不应该继续自动执行原先的商品推荐流程，导致双方同时回答。
对于涉及移动和操作的设备，还需要确保自动模式与人工控制模式不会产生冲突。
在任务结束后，系统可以根据最终处理结果决定是否恢复自动服务，而不是简单地沿用之前的动作指令。
因此，人工接管并不是一个独立按钮，而是一套涉及任务状态、权限分配和执行反馈的协作机制。
五. 声网如何支持机器人实时语音、视觉交互与远程协作？
从门店导购的业务流程来看，机器人主要需要三类能力：自然语音交互、业务信息查询，以及设备与工作人员之间的实时连接。
声网现有的对话式AI引擎、RTC 实时音视频、RTM 实时消息和机器人远程操控与实时互动解决方案，可以分别支撑相关环节。
以下介绍的是开发者构建类似零售机器人时可以参考的技术路径。
1. 对话式AI引擎：让机器人听清需求并自然回应
在语音交互环节，声网对话式 AI 引擎支持接入主流 ASR、LLM 和 TTS 服务，并提供实时语音对话、选择性注意力锁定、轮次检测及优雅打断等能力。
对于门店机器人，这些能力主要解决顾客自然提问、多人噪声环境和对话连续性问题。
例如，顾客询问一款商品，机器人可以先通过语音识别理解问题，再结合产品知识生成回答。当顾客中途改变需求时，系统可以按照配置的打断策略停止旧回复，处理新的问题。
针对需要查询价格、库存或订单的场景，声网还提供自定义工具调用能力，开发者可以在符合支持条件的标准文本 LLM 工作流中，连接企业自己的 HTTPS 业务接口。
例如，当顾客询问“这款锅还有库存吗”，模型可以选择对应的库存查询工具，由业务系统返回实际结果，再生成语音回答。
不过，工具调用并非默认支持所有多模态或端到端语音模型。开发者应根据官方文档核对当前使用的模型类型、接口能力和配置要求。
特别是价格修改、订单提交等可能产生业务后果的操作，还应由服务端完成权限校验，并在必要时取得用户确认。
2. 多模态理解：让语音与商品画面形成关联
对于配备摄像头的智能硬件，声网对话式 AI 相关能力也支持视觉理解场景。
例如，开发者可以利用图片消息接口，将必要的商品图像提供给支持图片理解的模型，辅助回答用户问题。
需要注意，该图片消息功能在相应开发文档中仍标记为 Beta，实际图像理解依赖所接入模型的能力，不能简单将其视为已经具备完整的机器人实时视觉导航功能。
如果需要持续的视频感知，或者根据货架位置、摄像头与传感器数据规划移动路线，仍需要开发者对接相应视觉模型、机器人控制系统和业务数据。
声网能够承担实时媒体传输和对话交互等部分，但商品识别准确率、库存数据可信度和机器人导航安全，仍取决于具体应用的实现。
3. RTC与RTM：为远程协助提供实时连接
对于需要远程运维或人工接管的机器人，可以参考声网的平行操控方案。
该方案基于 RTC SDK 和 RTM SDK 2.x，提供机器人设备端与远程操作端之间的实时音视频传输和控制信令能力。
例如，当一台门店机器人出现异常时，远程工作人员可以通过 RTC 查看设备摄像头画面，并根据需要进行双向语音交流。
RTM 则可以用于传递设备连接状态、告警、任务信息和经过授权的控制消息。
如果远程人员需要调整设备操作模式，还需要由业务系统确认权限，并通过机器人本地控制系统执行安全检查。
这类架构的意义，不是让远端人员替代机器人完成所有动作，而是让企业能够在必要时了解现场情况，并对无法自主解决的问题提供协助。
4. RTM与业务上下文：让交接过程少一些重复询问
除了设备控制消息，实时消息也可以用于同步当前任务与服务状态。
例如，机器人已经获取顾客的预算、商品偏好和当前推荐结果，业务层可以根据需要将相关信息传递给人工服务界面。
声网对话式 AI 引擎还支持通过RTM 临时状态传递自定义上下文，让支持相应上下文格式的自定义大模型使用当前业务信息。
但这一能力需要开发者完成 RTM 与模型配置，不会自动替企业生成顾客档案、订单系统或完整的导购任务流程。
对于跨设备、跨人员的服务交接，企业还需要自行设计业务数据库、权限管理和对话摘要机制。
六. 结语
智元灵犀X2的案例，让具身智能有了一个具体的商业服务场景：机器人不只是展示动作，还开始询问顾客需求、推荐商品，并与真人导购共同完成接待流程。
对于服务机器人，真正困难的部分不只在于能够听懂一句话，而是要在复杂环境中持续交流，结合视觉和业务数据理解当前任务，并在遇到无法自主处理的问题时及时寻求人工协助。
在技术实现上，对话式 AI 可以提供自然语音理解与回应，视觉模型帮助设备感知商品和周围环境，RTC 与 RTM 则可以为远程协助、音视频连接和设备状态同步提供支持。
不过，机器人本地控制、商品数据库、业务流程和安全机制仍需要独立设计。随着机器人进入更多零售、文旅、教育和公共服务场景，值得持续关注的问题也会从“机器人能做什么动作”，逐渐转向“机器人能否完成真实任务，以及人和机器人如何高效协作”。
