过去两年的体育 Agent，大多还在“等人来问”

把2025到2026年体育行业公开的 AI Agent 项目摆在一起，会看到一个共同点：它们大部分在回答问题。

F1 在2026年3月扩大与 Salesforce 的合作，在 F1.com 上线基于 Agentforce 360 的球迷陪伴 Agent，全天候讲解2026年的新技术规则，同时追踪球迷问得最多的问题。新闻稿还披露了 F1 此前使用 Agentforce 的效果：八成常规咨询在4小时内解决，AI 生成的快捷回复让平均响应时间缩短80%，AI 推荐内容的点击率提高22%——这些都属于企业自述，没有第三方验证[1]。更早一些，温网与 IBM 在2025年推出 Match Chat，球迷可以在单打比赛进行中和赛后用自然语言提问，背后是 watsonx Orchestrate 的多 Agent 编排，以及按网球术语和温网编辑风格调校过的 Granite 模型[2]。

这些项目说明了两个趋势。第一，球迷 AI 正从通用问答机器人，升级为有名字、有定位、嵌进官方 App 和网站的 Agent。第二，Agent 的形态已经不是“一个大模型”，而是“编排层加专门调校的模型，再加自家数据”。但它们的起点仍然是球迷的提问。下一步的变化，是 Agent 不再等人问，而是自己盯着数据找机会，再把建议送到运营团队面前。F1 那句“追踪热门问题”其实已经露出了这个方向：球迷问什么，本身就是需求信号。

模拟场景：一次门线解围之后，Agent 多查了五件事

模拟场景

假设周六晚上，一支升班马球队的19岁中后卫在终场前完成一次门线解围，保住了平局。自动剪辑系统在赛后20分钟内把片段切成横屏和竖屏两个版本发出。到周日中午，竖屏版本的完播率和评论数都达到球队本赛季同类防守片段的四倍左右。

只会剪辑的系统到这里就收工了。Sports Media Agent 会继续发起五次查询：直播回放里，这次解围前后的在线人数和弹幕密度；赛后新增关注的来源，有多少人是第一次关注这支球队；官方商城里这名球员的球衣页面访问有没有变化；会员注册入口的来源路径里，这条视频占多少；社交平台上的讨论是在夸这次解围，还是在议论他会不会被大俱乐部买走。

模拟结果是：新增关注里约三成来自这条视频，多数是本地用户；球衣页面访问翻了一倍，但商城里没有他号码的现货；讨论中有一小部分在传转会消息。Agent 最终提交了三条建议和一条提醒：补拍一条他的成长故事；请商城评估是否上架他的号码并给出备货区间；下一场直播设一个“本场最佳防守”投票；转会话题不跟进，交新闻官判断。

这四条输出没有一条是 Agent 自己执行的，全部进入审批队列，并附上各自用到的数据、查询时间和置信度。这里要区分两个经常被混用的词：“主动”指它会自己去找，“自动”指它会自己去做。前者可以大胆，后者必须克制。整个过程可以拆成六步：

Detect→Analyze→Create→Distribute→Monetize→Monitor

它是一张分工表，而不是一个万能模型

不少团队把 Agent 理解成“更强的大模型”，于是把所有期待都压在模型选型上。真正跑起来就会发现，效果取决于分工：语言模型负责理解任务、决定调用顺序、写解释和起草文案，具体判断来自一组专门的模型和业务系统。

FOX Sports 在2026年世界杯期间的工作流是一个很好的参照。据谷歌云8月下旬发布的访谈，FOX 的媒资平台用 Vision Warehouse 自动看片打标，可以按关键词检索片段，并计划升级为智能体式、对话式检索；它与 ElevenLabs 合作，调用 Gemini 和语音转写，把非英语球员的赛后采访近乎同步地配成英语；另有面向解说团队的数据与背景工具。赛事期间，FOX 录制了1.15万小时以上的素材，生成8.5万多条子片段[3]。仅这一条工作流里，就至少有视觉理解、语音转写、语音合成和大语言模型四类模型，而且来自不止一家供应商。

组件在 Agent 里做什么典型输出 容易出错的地方
语言模型（规划与表达）拆解任务、决定调用顺序、起草解释和文案 执行计划、建议说明、文案草稿 数据缺失时会“补全”出看似合理的结论
视频理解与精彩片段识别找出画面中的球员、动作和关键时刻 带时间码的事件与候选片段把回放镜头当成新事件，重复计数
语音转写、翻译与合成采访转写、多语种字幕和配音字幕、译文、配音音轨口音与术语出错；声音使用需要授权
情绪与话题模型判断讨论在说什么、态度如何 话题聚类、情绪分布、风险话题 同一个梗在不同球迷群体里含义相反
推荐与受众分析 决定内容推给谁，衡量推送之后的效果 分群、预估互动、来源拆分 冷启动：新球员、新用户没有可比的历史
Sports CRM、商城与票务接口 提供会员状态、订单、库存和授权范围 可触达名单、商品与库存数据 接口延迟；授权范围之外的数据即使存在也不能用
排期、推送与审批流 执行已经批准的动作，并留下记录 发布记录、审批记录、回滚点 权限配错会把上游所有错误一起放大

所以评估一个 Sports Media Agent，与其问“用了哪个大模型”，不如问三个更实在的问题：它能调用哪些工具；每次调用有没有留下记录；哪些工具只能读，哪些工具可以写。

Detect 与 Analyze：数据没理顺，Agent 只会更快地出错

Detect 看的不是绝对值，而是偏离。同一名球员过去十场同类片段的表现构成他的基线，偏离越大、持续越久，信号越可信。Analyze 则沿着行为链往下追：直播、新关注、商品、会员、社交，缺了任何一环，建议都可能跑偏。

这两步的门槛主要不在模型，而在数据。LIV Golf 在2026赛季开赛时推出两款基于 Agentforce 360 的 Agent：面向球迷的 Fan Caddie 内置在官方 App 里，提供实时赛况、排行榜、球员数据、球员服装导购和赛事后勤信息；面向转播方的 Agent Caddie 通过 Slack 提供击球情报。LIV 的技术负责人在接受 CIO 采访时提到，上线前做了大量数据清洗和结构化，数据才能同时服务报表和 Agentic AI；LIV 还计划在未来一年把 Agent 扩展到营销、零售、法务和财务部门[4]。

这个案例有两点值得注意。其一，同一家机构同时运行面向球迷和面向内部的 Agent，说明 Agent 正从“一个产品功能”变成“一层运营基础设施”。其二，数据整理是前置工程，不是上线后再补的事。如果一支俱乐部的直播数据按场次存、短视频数据按平台存、商城数据按订单存，彼此没有统一的球员编号和时间轴，Agent 在 Analyze 阶段拿到的就是一堆对不上的数字。

放到行业层面看，云和 CRM 厂商在体育领域竞争的重点，已经从卖算力转向“统一的球迷数据层，加上面的 Agent”。谁先把数据层理顺，谁的 Agent 才有东西可查。

Create 与 Distribute：生成可以交给机器，发布要有人签字

Create 阶段，Agent 从素材库找片段、起草几个方向的标题和文案、生成不同画幅的版本。这部分可以大量自动化，因为草稿在发布之前没有任何外部后果。Distribute 阶段则完全不同，一旦发出去就代表官方口径。

德甲的做法给出了一条清晰的分界线。DFL 的内容管理系统用生成式 AI 把已有文章自动转成竖屏 Stories：通过 AWS Bedrock 调用 Anthropic 的 Claude 生成文字，用计算机视觉按时间戳和数据挑选比赛画面，但发布前要经过人工审核；这套流程自2024/25赛季起持续为德甲 App 供稿[5]。生成全自动、发布有人把关，是目前最稳妥的分工。

在中国市场，发布前还要多一道合规检查。《人工智能生成合成内容标识办法》自2025年9月1日起施行，要求为 AI 生成的文本、音频、图片、视频等内容添加显式标识，并在文件元数据中加入隐式标识，任何组织和个人不得恶意删除或篡改标识[6]。在韦德体育的 Agent 流程里，Distribute 步骤因此有一个固定检查项：这条内容有没有 AI 生成的部分，标识是否完整。AI 配音的采访、AI 生成的海报和文案，都在检查范围内。

至于一场比赛里该挑哪几个瞬间、每个平台怎么拆版本，可以参考一场比赛该选哪几个精彩瞬间的讨论，这里不展开。

Monetize：Agent 可以提出卖什么，但不该自己定价

商业团队对 Agent 感兴趣，是因为它离交易越来越近。LIV 把球员服装导购放进了 Fan Caddie 这样的第二屏助手[4]，F1 披露 AI 推荐内容带来了更高的点击率[1]，都说明 Agent 已经站在了商品和内容推荐的入口上。

回到模拟场景：球衣页面访问翻倍，商城却没有现货。激进的系统可能建议立即上架预售并打折引流。更合理的判断是，这批访问者多数刚刚关注这名球员，认同感才开始建立，现阶段更有价值的是把他们留住，而不是换来一次折扣成交。何况备货、定价、优惠还牵涉供应链、财务和球员肖像授权，没有一项能由 Agent 单方面决定。

所以在 Monetize 阶段，Agent 应该交出的是一份“商业机会说明”：机会是什么，依据哪些数据，预估规模的区间，主要风险，需要哪些部门确认。它是一份提案，而不是一个已经执行的动作。

哪些动作可以自动执行，哪些必须人工审批

下表是韦德体育项目中的默认分级，各机构会按合同约束和风险偏好调整。分级的依据有三条：动作能不能撤回，是否直接触达真实用户，是否牵涉收入或合同。三条中占一条就需要人工确认，占两条以上就需要跨部门审批。

动作 默认级别 谁来确认 理由
查询数据、生成信号与分析报告自动执行 无需审批，定期抽查不改变任何对外状态
剪辑候选片段、起草标题文案、生成多画幅版本自动生成 编辑挑选 发布之前没有外部后果
调整站内推荐排序阈值内自动，超出阈值需确认 内容运营 影响面广，但改动可在几分钟内撤回
在官方账号发布内容 人工审批值班编辑 代表官方口径，涉及版权、事实核对与AI标识
以官方身份回复球迷限定知识范围内自动，超出转人工 客服主管 回答越界会被当作官方表态
向会员分群推送消息人工审批 会员运营 送达后无法撤回，打扰过多会换来退订
商品上架、定价、优惠券 必须人工审批 商务与财务影响收入、库存和已购用户的公平感
赞助商内容与品牌植入 必须人工审批赞助团队与法务 赞助合同对露出方式有明确约定
伤病、转会、纪律处罚等敏感话题 禁止自动跟进新闻官 信息未经证实，可能伤害球员本人
向第三方导出球迷个人数据禁止 — 超出用户授权范围

表里最容易被低估的是“以官方身份回复球迷”这一行。F1、LIV、温网这类面向球迷的 Agent，本质上都在以官方身份说话，一个答错的规则解释、一条未经证实的阵容消息，都可能被截图传播。把它的知识范围限定在官方数据和已发布内容之内，超出范围就明确说明并转人工，比追求回答率更重要。

AI可能判断错的地方

  1. 把“被讨论”当成“被喜欢”。讨论量上升可能来自争议或传闻，Agent 如果顺势加推内容，放大的可能是争议本身。讨论热度和商业价值的关系，可以参考讨论量上涨不等于商业价值上涨。
  2. 时间重合被当成因果。新会员和爆款视频出现在同一天，不代表是视频带来的，票务开售、赛程公布都可能同时发生。
  3. 小样本被放大。一名本赛季只出场几次的年轻球员，“四倍”可能只是分母太小。样本不足时，Agent 应该主动标注，而不是给出高置信度结论。
  4. 工具调用失败时，语言模型替数据补了空。某个接口超时，语言模型有时会用“看上去合理”的推测填补缺口。要求每条结论都能追溯到具体的工具调用记录，是最直接的防线。
  5. 跨系统口径不一致。直播按场次统计，商城按自然日统计，社交按平台统计，时间窗口不对齐，Agent 算出的“转化”可能根本不是同一批人。
  6. 回答球迷时越界。面向球迷的 Agent 被追问伤病、转会、裁判判罚时，最容易说出官方从未确认过的内容。

Monitor：用复盘决定下一次给它多少权限

每条建议在被批准时，就应该同时写下验收标准：成长故事要看7天后新关注的留存，防守投票要看参与率，球衣预售要看落在预估区间的哪一端。执行结束后，Agent 把实际结果和当初的预估放在一起，写回判断记录。

模拟场景

假设两周后复盘这名中后卫的案例：内容类建议的实际效果与预估相差约一成，商业类建议则高估了约四成——预售量落在预估区间的下沿。团队据此做了两处调整：同类内容建议以后可以直接进入编辑的待选清单，省掉一轮确认；商业类建议继续走完整审批，并要求 Agent 在备货预估里单独列出“新关注用户”的转化假设。

权限就应该这样一点点调整，而不是一次性决定 Agent 能做什么：按动作类型分别积累记录，持续准确的类别逐步放宽，出过问题的类别收回人工。从自动剪辑到主动寻找商业机会，技术上的跨度并不大，真正的难点是把“谁可以做什么”设计清楚。更多关于模型层和工具编排的设计，可以在韦德体育AI大模型栏目里看到。

参考资料

  1. Salesforce Newsroom：《Formula 1 Powers Fan Engagement Strategy with Salesforce's Agentforce 360》，2026年3月3日。https://www.salesforce.com/news/press-releases/2026/03/03/formula-1-agentforce-to-grow-fan-connection/
  2. IBM Newsroom：《The All England Lawn Tennis Club and IBM Launch New AI Features for Real-Time Wimbledon Fan Engagement》，2025年6月17日。https://newsroom.ibm.com/2025-06-17-the-all-england-lawn-tennis-club-and-ibm-launch-new-ai-features-for-real-time-wimbledon-fan-engagement
  3. Google Cloud Blog：《Q&A: What the World Cup taught Fox Sports about the future of sports broadcasting》，2026年8月27日。https://cloud.google.com/transform/fox-sports-world-cup-ai-agents-future-of-sports-broadcasting
  4. CIO：《LIV Golf engages fans with agentic AI》，2026年4月23日。https://www.cio.com/article/4161287/liv-golf-engages-fans-with-agentic-ai.html
  5. Bundesliga Group（DFL）：《Creating AI-generated stories for the Bundesliga channels》，2024年7月16日。https://www.bundesliga-group.com/innovation/creating-ai-generated-stories-for-the-bundesliga-channels/
  6. 中央网信办：《四部门联合发布〈人工智能生成合成内容标识办法〉》，2025年3月14日。https://www.cac.gov.cn/2025-03/14/c_1743654685899683.htm