智能客服：把重复咨询交给 AI，把复杂问题留给人

写在前面 客服场景是企业引入 AI 最常见的第一站，也是最容易做砸的一站。做砸的原因通常不是模型不够强，而是三件事没想清楚：知识从哪里来、答错了谁负责、什么时候必须把人放回链路里。本文讲的是我们实际采用的落地路径与取舍，不谈"颠覆"。

一、先分清两类咨询

把客服问题笼统地丢给一个大模型，是效果最差的做法。落地前我们会先把咨询流量拆成两类：

第一类：答案是确定的。 退换货政策、发票规则、保修期限、开通流程、价格档位。这类问题的答案写在公司文档里，AI 的任务不是"生成"答案，而是准确地找到并复述它，同时给出出处。

第二类：答案是不确定的。 客户带着具体订单、具体故障、具体合同条款来问。这类问题需要查系统、需要判断、有时需要授权。

大部分企业的咨询量里，第一类占绝对多数——这也是 AI 能真正吃下的部分。第二类的目标不是让 AI 独立解决，而是让它把问题理解清楚、把上下文整理好，再交给人。

还有一个容易被忽略的第三类：非业务闲聊

"你们公司叫什么名字""你们老板是谁""今天天气怎么样"——这类问题不重要，但如果不处理，AI 会开始自由发挥。我们的做法是设一个精简的兜底回答池，覆盖最常见的非业务话题，然后引导回业务。

把这三类混在一起，送进一个通用对话模型，就会出现最糟糕的情况：AI 用生成的方式回答了一个本该确定的问题，还答错了。客户不知道这是编的，还以为"官方就是这么说的"。

二、知识库是这套方案的地基

客服知识库不是把文档丢进去就完事。实际交付中，这部分的工作量往往超过一半：

• 资料归集：产品手册、售后规则、常见问题、历史工单、培训材料。散落在各个部门和网盘里，第一步是把它们收拢并确定"哪一份是唯一有效版本"。一个常见痛点：运营部有版本 A、销售部有版本 B，内容还不一致——先解决这个，再谈 AI。
• 文档解析与切片：PDF、Word、网页、表格的结构差异很大。切片粒度直接决定检索质量——切得太碎会丢失上下文，切得太整会引入无关内容。
• 向量索引与召回：基于语义检索找到相关片段，而不是靠关键词匹配。"退货"和"退款"可能是同一个答案，但关键词搜索可能只命中一个。
• 引用溯源：回答必须带出处。这一点不是为了好看，是为了让客服主管在出问题时能快速定位是知识写错了，还是模型理解错了。

我们在自有产品「辣椒AI」上验证过这套链路：回答中的每一条引用都要能对应到具体的文档分段，引用不存在或越界会被拦截。这个机制被我们直接搬进了企业交付。

历史工单是金矿

很多企业忽略了历史工单的价值。过去两年客服和客户之间的对话记录，是知识库里最有价值的数据——它告诉你客户真正关心什么、用什么方式提问、什么回答最有效。

我们建议在整理知识库时，把高频工单的"客户问题 + 客服最终采纳的回答"作为一个独立的知识条目，而不是只依赖产品手册这类"官方文档"。官方文档告诉你功能是什么，工单告诉你客户在什么场景下遇到了什么问题。

三、意图识别决定链路走向

用户问题进来后，第一件事不是检索，是判断这句话属于哪一类：

用户提问
  ├─ 明确的知识型问题  → 知识库检索 → 带引用回答
  ├─ 信息不足           → 多轮追问，补齐关键槽位
  ├─ 涉及订单/账户      → 调用业务系统查询 → 组织答案
  └─ 投诉/情绪/超纲     → 立即转人工，附带完整上下文

多轮追问这一环容易被忽略，但它对体验的影响非常直接。客户说"我的订单还没到"，AI 不该立刻编造物流状态，而应该先问清是哪一笔订单。

追问也有艺术：每次追问只问一个关键信息，而不是列一堆问题。"请问您的订单号是多少"比"请提供订单号+购买时间+收货地址"更友好——你是在和人对话，不是在填表单。

四、什么时候必须转人工

这是客服方案里最需要提前和业务方谈定的一条。我们建议至少在以下情况强制转人工：

最后一条尤其重要。知识库里没有的内容，宁可回答"这个问题需要人工确认"，也不要让模型自由发挥。

转人工前，AI 应该做什么

转人工不只是"把客户丢给人"。AI 在转之前要做三件事：

1. 整理好客户已经说的内容——人坐席不需要再问一遍
2. 总结 AI 已经尝试了什么——人坐席知道从哪继续
3. 如果可能，给出 AI 的初步判断——参考价值，不是结论

一个好的转交，人坐席看到的是"客户的问题、背景、AI 已经做了的尝试"，而不是一个空白的会话窗口。这样才能真正实现"提效"而不是"转移负担"。

五、多渠道接入

同一套知识和话术，需要覆盖官网、App、企业微信、公众号等多个入口。工程上的关键点是：知识库和策略只维护一份，各渠道差异只体现在接入层和展示形态上。否则运营几个月后，各渠道的口径就会开始互相矛盾。

渠道差异中最值得关注的是形态差异：公众号是文本对话、App 可能支持卡片和按钮、企业微信可以触发人工会话。这些差异在知识库层面不需要感知，但在意图处理和回答渲染层需要考虑。

六、上线不是终点

客服 AI 上线后真正的工作才开始。需要持续看的指标：

• 自助解决率：AI 独立完成的会话占比，是核心收益指标。但定义"解决"要谨慎——"会话没有转人工"不等于"问题被解决了"。用户可能放弃离开，这个信号比转人工更难捕捉。
• 转人工率与转人工原因分布：哪类问题一直转人工，就是下一轮知识补充的重点。按原因分类统计，而不是只看到一个总比例。
• 人工修正记录：客服改写 AI 答案的地方，是知识库最有价值的反馈来源。每个被人工修改过的回答都应该触发一条"知识库待更新"的提醒。

我们的交付方式是：把这些会话数据沉淀下来，每隔一段时间回看一次，补知识、调策略、改话术。这件事没有捷径，但做与不做，三个月后的效果差距非常明显。

一个实用的节奏建议：上线第一周每天看数据（快速抓严重问题），之后变每周（补充常见缺失），稳定后变每月（持续微调）。初期的高频检查不能省——客户不会因为你是 AI 就给你新手保护期。

七、典型交付流程

需求与现状梳理  →  知识归集与清洗  →  检索链路搭建
       →  意图与转人工策略配置  →  渠道接入联调
       →  小范围试点  →  数据回看与迭代  →  全量上线

试点环节不能省。真实客户的提问方式，永远和内部测试时想象的不一样。

如果你正在被重复咨询占用大量人力，欢迎联系我们聊聊具体场景。我们会先了解你的咨询量结构和现有知识现状，再判断这套方案值不值得做。