打破地理壁垒 从最早期的面对面服务，伴随无线电和网络科技的发展，逐渐演变成了电话、邮件以及在线聊天等不受地理位置限制的端到端完整服务。 

    引入科学技术 自然语言处理（NLP）技术为规则性和信息查询类问题提供了相对完善的解决方案。然而，在提供人性化服务和智能体验方面常遭用户诟病；近两年，大型语言模型（LLM）技术的使用成本大幅降低，使得 LLM 技术在业务中的应用成为可能。这将为智能客服领域带来了新的飞跃，为用户提供更“人味儿”和“智能”的服务体验。

    我们抛开一系列的技术基础设施和服务平台部分。将重点放在自然语言理解、对话管理与自然语言上，对其常见的实现方式进行拆解。

    自然语言理解指的是让机器具备理解和解析人类语言的能力。其核心在于让机器能够如同人类一般理解文本对话的含义与意图。它更为注重对语言深层含义的理解，涵盖词义消歧、实体识别、情感分析等方面。它要求机器能够理解句子的语义、上下文以及语言背后的意图，从而实现更智能的人机交互。

    在这个环节，主要要分析清楚用户所描述的事情究竟是什么？是要求完成一项任务、询问一件事情，还是过来发发牢骚。

    当我们理解用户所描述的内容时，则需要匹配到不同的工具流中，以完成相对应的任务。

任务式问答 根据用户意图和包含的实体（词槽）执行符合其需求的任务。对于复杂的问题，可以通过多轮对话的方式进一步交互。常见的场景有：票务机器人、房屋酒店预订、订外卖、点歌等。除了需要准备一些执行任务的话术外，还需要整理一些词槽、实体类别等内容。

匹配式问答 匹配式问答应用比较广泛，常见的规则咨询、科普问答等都有应用。首先要根据业务场景需求梳理准备问答对数据（问题与答案的组合 Questions Answer Pairs），训练相似度模型，当用户问题 Query 与问题 Questions 相似时，即会输出该问答对中的答案。

基于知识图谱的问答 解析用户问题后从知识图谱中查询或推理结构化知识，找出答案。可以完成相对复杂的多跳、限定条件、序数类、是否类、计数类等类型的问题。

基于表格的问答 从表格查询和推理获取用户问题的答案。比如商品属性相关的表格，从表格中搜索商品具体属性的值。基于表格的问答也可以解决复杂问题，带约束查询、推理计算、多表联查等。

    这一部分通常比较模板化，通过预置好的话术或者模板话术进行回复，尽管回复的内容符合预期，但在“人味儿”上还是有所欠缺。  

    i. 固定话术匹配随机回复；

    ii. 固定话术填槽式模板回复；

    LLM 的加入让自然语言理解、对话管理、自然语言生成都有了不同程度上的效果提升。通过微调+RAG 的双线合作，能够让智能客服更好地理解用户的问题，并提供更准确、更自然的回答。

    在自然语言理解方面，LLM 能够对用户输入的文本进行更深入的语义分析，识别其中的意图、情感和关键信息。这使得智能客服能够更好地理解用户的需求，从而提供更具针对性的解决方案。

    在对话管理方面，LLM 可以帮助智能客服更有效地管理对话流程，根据用户的回答和上下文进行合理的追问和引导，提供更流畅、自然的对话体验。

    在自然语言生成方面，LLM 能够生成更自然、生动的语言，使智能客服的回答更具人性化，提高用户的满意度和信任度。

    此外，微调 + RAG 的双线合作还可以让智能客服不断学习和优化。通过对大量数据的微调，智能客服可以更好地适应不同领域和场景的需求。同时，RAG 技术能够将外部知识源整合到回答中，提供更丰富、更全面的信息。

RAG（检索增强的生成技术）

    在生成文本之前，从外部知识库中检索与任务相关的知识，并将其作为输入的一部分，以提高生成文本的准确性和相关性。

    RAG 系统通常包括两个阶段：检索阶段和生成阶段。在检索阶段，系统使用编码模型根据任务需求从知识库中检索相关信息；在生成阶段，系统以检索到的信息为基础，结合任务的具体要求，生成符合要求的文本。

Fine-tuning（微调）

    微调是一种在大规模预训练模型上进行调整以适应特定任务的技术。在微调过程中，首先使用大量无标签或弱标签数据进行预训练，得到一个通用的语言模型；然后，针对特定任务，使用有标签的数据集对预训练模型进行微调，使其适应特定任务的需求。

    RAG 和微调是两种各有优势的技术。RAG 适用于需要大量外部知识的场景，如知识密集型任务，能够提供更准确、更相关的答案，并增强模型的可解释性；

    微调则适用于需要强化模型已有知识或适应复杂指令的场景，能够提升模型的交互效率。在实际应用中，可以根据具体任务的需求和场景特点选择合适的技术。

   RAG 就相当于是开卷考试，考试的时候可以翻书， 可以随时翻到某一页来查找对应的知识点去回答。微调相当于你一整个学期的学习，并在考试前进行了重点复习和记忆，考试时，凭借自己巩固的知识去答题。

AI 客服 = LLM + 计划+ 技能 + 纠正偏差

    在 AI 客服的搭建和运行过程中，需要结合多个要素。

LLM 代表大语言模型（Large Language Model），这是 AI 客服的核心技术之一，通过大语言模型，AI 客服可以理解用户的自然语言输入，并生成自然的语言回；

计划 则指的是在对话开始前，系统需要制定一个对话计划或流程，以指导 AI 客服如何与用户进行交互。这个计划可能包括要询问的问题、要收集的信息以及可能的回复策略等；

技能 指的是在对话过程中，AI 客服需要使用各种工具来执行计划。这些工具可能包括知识库、对话流程管理工具、对话状态管理工具等，以帮助 AI 客服更好地理解和回应用户的请求；

纠正偏差 则指的是在对话过程中，AI 客服需要收集用户的反馈，并根据这些反馈来调整对话计划和执行方式，以纠正偏差。这种反馈可以来自用户的评价、提问、建议等，通过收集这些信息，AI 客服可以不断优化自己的对话能力和服务水平。

    在产品形态上与传统的智能客服并无大不同，但 LLM 赋予了 AI 客服维护成本更低、时效性更高、处理复杂问题更高效的能力。