如何评估一个阿拉伯语原生的 AI 智能体
如今几乎每家面向海湾市场的供应商都声称支持阿拉伯语，但它们所指的并不是同一回事。本指南给出八项测试——如果我们坐在您这一侧的谈判桌前，就会这样测——每一项都能在两分钟内让一个「翻译型聊天机器人」露出破绽。
发布于
为什么「支持阿拉伯语」算不上一项技术规格
一个以英语为绝对主体训练、再被塞进阿拉伯语提示词的模型，确实能产出语法正确的标准阿拉伯语，但读起来像一份政府公文。您的客户不会用标准阿拉伯语给您写消息——他们用沙特、阿联酋或海湾方言，一半用拉丁字母拼写，还会在句子中间夹进英文产品名。
评估之所以出错，正是卡在这道落差上。演示用的是干净的标准阿拉伯语脚本，一切顺畅；等到试点面对真实的 WhatsApp 收件箱，问题才暴露。所以要尽早、反复地把演示推离它的脚本。
测试 1—— 要方言，而不只是阿拉伯语
按您客户真实的书写方式发三条消息：一条沙特方言、一条埃及方言、一条黎凡特方言。真正懂方言的智能体会把三条都答上，既不会把客户拽回标准阿拉伯语，也不会要求对方换个说法。
不要只看回答是否准确，还要看它的语域。用正式的「福斯哈」去回答一个随意的方言问题，说明它听懂了词，却没读懂人。
测试 2—— 同一次会话中的语码转换
先用阿拉伯语开场，接着用英语追问，然后再切回阿拉伯语。智能体必须在这三轮中完整保留上下文，不能重置、不能重复提问，也不能用第一个问题的语言去回答第二个问题。
这是生产环境中最常见的单点失败，因为多数系统把语言实现成「按会话」设置，而不是「按消息」属性。
测试 3—— 阿拉伯语的数字、日期与金额
问一笔「上周四」下的订单，看它按伊斯兰历还是公历解析这个日期——以及它是否说明用的是哪一种。再问一个价格，检查沙特里亚尔在从右至左的句子里是否渲染正确，数字方向是否符合客户预期。
双向文本正是「浅层阿拉伯语支持」最容易露馅的地方：价格被倒置、订单号被拆断，客户还没读完就已经失去信任。
测试 4—— 姓名与音译
在同一段对话中，把同一个名字用两种写法给它——عبدالرحمن 和 Abdulrahman——看它是否认定为同一个人。然后让它把这个名字写回 CRM 字段，看它会选哪一种写法。
跨书写体系的身份归并一点都不光鲜，却直接决定您的 CRM 里最终是一条记录还是两条。
测试 5—— 依据锚定与拒答
问一个您根本不提供的产品档位、折扣或政策。正确的回答是明确的「我们不提供这项」，最好再附上最接近的真实替代方案。如果它在这里编出一个听起来合理的阿拉伯语答案，那它在客户面前也一样会编。
把同一个虚构问题用阿拉伯语和英语各问一遍。有些系统在英语上锚定得很好，在阿拉伯语上却开始幻觉，原因是检索索引当初只用英文文档建过。
测试 6—— 带上下文的升级
强制触发一次升级，然后看人工同事收到的是什么。完整的双语对话记录、已识别的意图，以及客户真正的问题，才算一次可用的交接。一张写着「客户需要帮助」的工单，只是给队列多加了几个步骤。
要专门问清楚：交给人工的摘要，是用人工坐席的工作语言写的，还是用客户的语言写的。
测试 7—— 语音，如果语音在范围内
文字质量说明不了通话质量。让智能体拨打一个手机号，重点听三件事：第一个字出口前的延迟、被打断时的处理方式，以及阿拉伯语的语调听起来像个人还是像导航播报。
然后再问：线路嘈杂时会怎样——因为真实的跟进电话，往往发生在车里。
测试 8—— 对话结束之后它做了什么
对话只是看得见的那一半。请供应商演示写回动作：CRM 记录、ERP 字段、真正发起的那笔退款。并要求在您本来就在用的系统里，看到该动作的审计轨迹。
一个说得漂亮却什么都不写回的智能体，只是把您的问题从收件箱搬到了队列，手工活一点没少。