大模型已经在多个领域展现出强大的语言理解和生成能力。在智能客服场景中，这种能力被广泛应用于理解用户提出的问题、生成与用户需求匹配的回复，甚至是预测用户行为和提供个性化推荐。这不仅极大地提高了客户服务的效率和质量，还为企业节省了大量的人力和时间成本。

从智能客服的完整流程来看，大模型在核心环节均有渗透：

根据沙丘智库近期发布的《生成式AI案例研究简报》，智能客服现已成为企业在探索大模型技术时首选的落地场景之一。

沙丘智库长期跟踪调研大模型技术的发展，旨在帮助企业快速了解大模型最新、最全面的落地情况。

在“大模型+智能客服”的众多落地实践中，沙丘智库选取了其中7家企业（包括美敦力、江苏银行、杭州市城市管理局、58同城、中国工商银行、河南电信、字节跳动）的最佳实践案例，为企业落地“大模型+智能客服”提供参考。

美敦力公司为改善心脏起搏器患者的术后随访问题，推出了基于大模型的智能问答系统。该系统通过自然语言处理和大模型技术，提供7*24小时的在线客服，显著缩短患者等待时间，提升服务体验，并为客服人员提供“专家智囊”，提高工作效率。

完整内容：美敦力基于大模型的患者随访智能问答实践

杭州城管利用大模型构建具备丰富能力矩阵的 AI Agent，通过语音或文本唤醒 Agent，由 Agent 根据具体任务进行模型工具调用，解决不同场景下的业务需求。

在智能客服领域，杭州城管利用大模型全面学习政务服务以及业务办理知识，打造专业知识助手，为企业、群众提供精准问答，优化企业、群众办事体验，体现客服专业度。 

案例选自：生成式AI案例研究简报

传统的问答机器人存在知识库问题匹配不精确、提问语义理解不足、不具备上下文理解与答案抽取能力的三大痛点。

江苏银行基于大模型的智能客服解决方案首先运用智慧小苏L1模型，对用户提问进行向量检索，在知识库中匹配到的向量检索内容形成对L2模型的提示工程。L2模型在该场景经过微调训练，知识反馈融入到提示工程后，通过L2模型进行反馈和输出。

完整内容：江苏银行利用大模型提高智能客服应答准确率

58同城上有很多蓝领招聘，用户在向招聘方投递时，招聘方可能没有合适的客服团队及时进行回应，此时商家智能聊天助手会接管对话。

58同城探索大模型在聊天助手场景的应用，将AI对话拆分成意图识别、回答问题、反问生成、信息抽取四个能力模块，每个模块是一个单独的大模型能力（但通过S-Lora的方式部署在同一个大模型上），通过在业务数据上对大模型进行微调得到，这种拆分能力的方案在准确率和幻觉问题上表现的更好。

完整内容：58同城B端商家智能聊天助手实践

针对远程银行客服中心上千人的坐席团队，工商银行覆盖事前运营、事中辅助和事后质检全流程，聚焦对客服务中枢的运营团队、群体技术较大的人工坐席、工作量较为繁重的质检人员，重新定义作业和生产模式，基于大模型能力赋能客户服务全流程。

通过在坐席通话的前、中、后全过程中融合大模型能力，坐席服务效率提升了18%。

完整内容：工商银行大模型赋能远程银行实践

为满足省内10000号客服坐席服务支撑场景，河南电信引入智能客服助理，大模型通过识别客服与用户之间的对话内容，为客服提供一系列智能辅助功能，帮助客服快速解决用户的问题，不仅显著提升了客户服务效率和质量，并且通过实时沟通监控降低了客户投诉率，增强了品牌形象。

完整内容：河南电信智能客服助理实践

答疑场景天生适合利用大模型进行智能化改造，可以引入大模型升级智能客服。研发基建部门日常需要安排答疑值班，回答用户关于基建相关的咨询，因此字节跳动将这一场景作为切入点，利用大模型建设答疑机器人，并联动研发领域沉淀多年的知识积累。

在落地过程中，字节跳动首先利用RAG进行答疑机器人的落地，然后做好现有内容的消费、加强检索、优化模型、优化对话流程，最后实现问答闭环&数据飞轮。

完整内容：字节跳动研发答疑场景大模型实践