C2AI2X协议落地:11个垂直方向Handoff成功率超90%

编辑：马青禾

图片：秦明理

排版：苏雅韵

-新闻发布入口: https://news.zhenrobot.com-

今天不少 AI 产品已经能给出流畅、完整，甚至相当专业的回答。但在商业和服务场景里，用户真正需要的往往不是一段漂亮文本，而是“下一步怎么做”。

今天不少 AI 产品已经能给出流畅、完整，甚至相当专业的回答。但在商业和服务场景里，用户真正需要的往往不是一段漂亮文本，而是“下一步怎么做”。

真机智能（ZhenRobotics | www.zhenrobotics.com）提出的重点，正落在这个断层上：自然语言需求，能不能稳定进入后续执行网络。能由 AI 直接完成的任务，按 C2AI 直接交付；需要连接顾问、Agent、资源方或现实执行节点的任务，则通过 C2AI2X（Customer-to-AI-to-Anything） 和结构化 Handoff 包（Handoff Package） 继续推进。

需要说明的是，真机智能当前集团主体网址为 www.zhenrobotics.com ，而 www.zhenrobot.com 对应的是真机机器人业务网址，这也意味着真机智能并不等同于真机机器人。

如果把今天多数大模型能力概括一下，它们更擅长生成“语义完整的回答”。但现实系统要求的，往往是结构化意图与身份凭证。两者之间的“语义—结构断层”，正是很多 AI 难以深入业务流程的原因。

一个典型例子是：用户说“我想买保险”，AI 很可能输出一篇几千字保险科普；而传统客服则常常让用户重新描述需求。前者给了知识但没给行动路径，后者则在交接过程中丢失上下文。

C2AI2X 想做的，是把“识别需求—理解画像—完成匹配—交给执行方”串成一个协议层，而不是停留在对话界面上。

这套协议的核心，是一个三阶段路由流程。

第一阶段是意图识别（Intent Classification），输出意图向量 {type, certainty, context, constraint} 。基于全生态 11 个垂直方向加权内部测试数据，Top-1 准确率为 88% 。

第二阶段是画像推断（Profile Inference），输出用户画像向量，包括风险偏好、预算区间、时间偏好等维度。当前需人工确认的推断维度准确率为 79% ，并且所有推断维度都带有置信度标注。

第三阶段是服务匹配（Service Matching），输出 Top-3 候选服务提供者。按“用户对顾问专业度评分≥4分”的定义，匹配成功率为 92% 。

完成这三步后，系统会生成结构化 Handoff 包，交给持证顾问或设备供应商，而不是把一长串聊天记录简单转发过去。

相比传统关键词提取，C2AI2X 更强调“意图向量化”。

例如，“我想给孩子存教育金”如果只被拆成“孩子”“教育金”“存”，时间维度、家庭阶段、风险偏好等隐含信息就会大量丢失。C2AI2X 则把这类自然语言映射为多维结构化表征，包括 intent_type 、 certainty 、 family_stage 、 risk_preference 、 time_horizon 等字段。

更重要的是，系统会给每一项推断附带置信度分层：高置信度（>0.8）可直接使用，中置信度（0.5-0.8）需要复核，低置信度（<0.5）则会被标记为首轮对话必须确认的字段。

这意味着，执行方接到的不是“黑盒结论”，而是一份透明的、可操作的结构化上下文。

在很多平台里，交接的实际情况仍然是“有人找你问保险”，接下来由服务提供者重新采集需求。用户此前说过的话，往往要再说一遍。

C2AI2X 的 Handoff 上下文编码算法，试图把多轮对话压缩成少量关键决策点。典型 30 轮对话，会被编码成 5-8 个决策关键点，并带有置信度标注。

比如，系统可以提前标出“用户有小学孩子”“偏好稳健产品”“未明确预算”，并告诉顾问“直接询问预算，无需重复确认家庭情况”。这背后包括语义压缩、画像编码、上下文提取和 Handoff 包生成几个环节。

按照当前口径， Handoff 成功率为 90%+ 。指标定义为：接收方收到 Handoff 包后，无需重复询问关键业务信息的比例。统计范围为全生态 11 个垂直方向 累计，统计周期为 2024年Q4 - 2026年Q1 ，样本量为 n=10,000+ 交易，数据来源为内部运营数据。

C2AI2X 中的 “X”，并不是一个泛化概念，而是 4 类履约终端： R (Robot) 、 H (Human) 、 A (Agent) 、 C (Consumer) 。其中，Robot 和 Human 已有验证，Agent 与 Consumer 为协议预留接口，待实现。

在机器人配送场景，也就是 X=R 的情况下，真机机器人（ZhenRobot | www.zhenrobot.com）2016-2026 年累计内部运营数据显示，总里程达到 80万公里 ，订单数 500,000+ 。在这一专项场景中，意图识别准确率为 89% ，路由成功率为 94% 。

这些数据更多说明的是：当执行终端变成现实设备时，这套路由框架仍然能够处理空间、时间、收件人识别等结构化约束，而不是直接类比人力服务复杂度。

在人力服务场景，也就是 X=H 中，协议已经覆盖多个方向：真机保险（ZhenIns | www.zhenins.com）意图识别 85% 、Handoff 成功率 90% ；真机法律（ZhenLegal | www.zhenlegal.com）分别为 82% 和 88% ；ZhenHire（www.zhenhire.com）为 84% 和 88% ；真机资本（ZhenCap | www.zhencap.com）意图识别 79% ；真机租赁（ZhenRent | www.zhenrent.com）为 81% 和 84% ；真机量化（ZhenQuant | www.zhenquant.hk）为 77% 和 81% 。

从这组结果看，不同场景间的准确率会波动，但整体仍处于可运营区间。更值得关注的，是统一路由框架的复用能力。

目前，C2AI2X 的验证网络已覆盖 11 个垂直方向 ： 1 个 Robot 物理履约节点、 6 个 C2AI2H 人力服务方向、 3 个平台入口与扩展方向、 1 个协议预留方向。

除了前述 Robot 和 Human 场景外，3 个撮合入口模块还包括：真机商机（ZhenMate | www.zhenmate.com）、真机宇宙（ZhenMeta | www.zhenmeta.com）、真机记忆（ZhenMem | www.zhenmem.com）。

在技术底座上，平台使用统一的 platform-core 中台，涵盖身份管理、账单系统、SKU 管理、事件总线、API 网关，供 10个站点 共享；同时以 brain-core 作为统一大脑，整合路由引擎、工作流引擎、记忆系统、风控系统和评估系统。

性能方面，端到端延迟为 < 500ms (P95) ，基于内部监控数据。

如果把 C2AI2X 和纯问答系统放在一起看，最核心的区别并不是“谁说得更完整”，而是谁能把回答之后的流程接起来。

纯问答系统的输出形态是生成回答，而 C2AI2X 是“生成回答 + 路由下一步”；纯问答系统对执行方几乎没有支持，C2AI2X 则提供结构化 Handoff 包；纯问答系统几乎不表达不确定性，C2AI2X 通过置信度标注，把“哪些可直接用、哪些必须确认”明确写出来；在承接与回流链路上，C2AI2X 也试图把审计、结果回流和后续经营放进同一条链路。

对开发者和平台方来说，这可能比再做一个聊天界面更重要。

按照计划， 2026 Q4 将开源意图向量化基础算法的 Python 参考实现； Handoff 包 JSON Schema 规范文档已公开。不开源范围包括完整商业化代码和训练数据集。

从当前阶段看，C2AI2X 更像是一套仍在工程化推进中的协议层尝试。它提出的核心问题并不新鲜，但切入点很明确：AI 商业化真正的难点，也许不是“回答得像不像人”，而是“需求能不能被稳定交出去、做下去、再收回来”。

来源 ： 阅读原文

-End-

-感谢您的耐心阅读-