Regal Voice Inc. 今日（10月27日）喺自家平台上加入 Goal Oriented Agents（目標導向代理），一通電話由兩架AI模型分工處理：一快一慢，一個開口、一個盯目標。
呢個係點運作？
Regal 嘅設計係將每通電話拆成 goal nodes（目標節點），每個節點列明要完成嘅目標同前置條件。用户一停口，兩架模型同步開工。Actor（演員）係較小較快、專門調較過對話嘅模型，負責即時回應。Director（導演）喺背後運作，逐個回合檢查當前階段嘅目標有冇達成，並決定要唔要將電話推進到下一個階段，同時向 actor 發出新指示。
Regal 話呢個設計係為咗解決一個具體問題：傳統基於條件邏輯嘅語音agent，遇到用户一次過講晒事故經過、地點同涉事人士，會因為逐欄位填寫而重複追問用户已經交代過嘅資料。Regal 嘅講法係，純用單一提示詞嘅agent雖然保持對話開放，但業務流程只係「鬆散跟隨」。
廠商示範（非實測）
Regal 提供嘅示範場景：保險索償電話入面，用户 Dan 喺第一句即提及車損、照片證據同傷亡，director 同時將三項標記為已收集，actor 轉問姓名；拿完姓名後，director 發現地點同保單號碼未收集，指示 actor 追問。呢個係 Regal 官方示範，非第三方測試結果。
前置條件可以係具體資料（例如出生日期），都可以係自然語言條件（例如「用户提及家人離世」）。
適用場景同客户
Regal 指出複雜 intake 同資格核對電話係最適用場景，列舉：Medicare 登記、路邊救援、按揭資格核對、以及符合 HIPAA（美國健康保險可攜性同責任法案）嘅醫療 intake。Regal 聲稱服務超過200間企業，包括 Google、AAA 同 Toyota；Five9 聯係中心平台用户自2026年8月起可透過整合使用 Regal 語音agent。
Regal 係風投支持的初創公司，累計融資 $83 million，包括2024年10月一輪 $40 million。以上客户數同融資額均為 Regal 自述。
阿調搞兩下
呢個係功能介紹，唔係本站實測。將「即時對話」同「流程監督」分拆成兩架模型，呢個邏輯唔算新奇，多agent分工喺業界早有人做。但具體落到語音場景，時延就係關鍵：director 喺每一回合都要介入，用户會唔會感受到明顯延遲？呢個冇數據。另外，「鬆散跟隨」呢個批評出自 Regal 自己之口，傳統系統究竟有冇呢麼爛，冇對照數據。客户名單同融資額同樣係廠商自述，讀者自行估掂。
阿調｜深度調教
