前言

在《对AI大模型应用场景的深入思考（上篇）》中，风叔介绍了AI大模型在企业通用场景中的应用。本篇文章，我们重点围绕客服场景，详细介绍如何通过AI 大模型替代传统智能客服系统。

传统智能客服系统主要包括知识库、机器人、人工坐席、智能质检、工单管理等核心模块。虽然智能客服已经是一个发展了很多年的成熟领域，但仍然面临非常多的痛点。

第一，机器人配置成本高。传统智能客服往往需要穷举业务上的各种问题和答案，提前准备好大量的FAQ，甚至每个问题还要提供10个以上的相似问。因为机器人并没有真正理解用户提问的真正意图，只是在做简单的相似度匹配。整个机器人的配置过程是非常繁琐的，至少需要3个月以上的时间。

第二，问题回答准确率不高。因为传统智能客服使用的是BERT模型，即使经过大量的数据标注，但仍然解决不了机器人对用户Query理解不足的问题，回答准确率不足50%。这就是大家经常吐槽智能客服是智障的原因，很多用户在面对智能客服的时候，都会直接输入“转人工”。

第三，机械式回答，影响用户体验。因为传统智能客服是基于FAQ进行回复的，无论用户处于什么情绪，机器人都是标准回答，无法给到用户情绪价值。

第四，难以处理复杂问题。如果让智能客服处理一些特定任务，客服机器人只会按照设定好的标准流程一步步进行处理。如果用户反馈超出了这个流程，智能客服就无法处理，最终只能转人工。

所以，很多传统智能客服系统既没有解决用户问题，也没有降低人工客服的工作量，反而增加了用户投诉。

通过AI大模型，传统智能客服的这些问题都可以迎刃而解。下图是风叔设计的客服智能体系统，包括客服机器人、领域AI专家、人工坐席、对话质检和智能工单。

在下文中，风叔将围绕上图的业务流程，详细介绍如何利用大模型打造新一代的智能客服系统，完整的PPT文件可以在文末获取。

1. 客服机器人Agent

客服机器人Agent就是直接面向用户的客服Robot，在整个客服系统中起到如下作用:

意图识别：精准识别用户的问题类型，是产品问题、营销问题、还是售后问题，然后将具体的问题精准路由到后面的领域AI专家。在传统智能客服中，对用户意图的精确识别是一大难点，但是AI大模型可以很好地解决这个问题。

问题引导：因为专业术语的存在，或者用户自身理解和表达能力的不足，有些用户可能会难以精准描述自己遇到的问题。客服机器人Agent的另一个主要职责，就是通过对话逐步引导用户确认问题。比如，用户说自己上周的订单还没有签收，客服机器人Agent就可以逐步引导用户确认订单时间、订单编号。

生成回复：客服机器人Agent根据领域AI专家的输出结果，进行特定内容的转换之后，生成最终回复。一种常见的用法就是在回复中，自动填充用户的姓名和相关语气词，比如“尊敬的风叔，让您久等了，以下是为您查到的信息”。还有一种常见的用法就是语气转换，比如可爱的语气或专家的语气。

流程控制：根据客户所处阶段，比如用户生命周期阶段、会话周期阶段、问题流程处理环节等，自动提出合适的问题和解决方案，推动客户向下一个流程节点跃迁。

闲聊控制：客服机器人Agent也能在一定范围内和用户进行闲聊，但能控制闲聊的程度，避免过度闲聊消耗服务器资源；同时，也能对客户提出的对抗性、敏感性问题进行规避。

情绪识别：当客服机器人Agent识别到用户的语气或情绪明显不佳时，可以直接转到人工客服，避免客户情绪进一步升级。

2. 领域AI专家

领域AI专家主要用于接收客服机器人的问题，并基于领域知识给出具体的回复。我们可以基于具体业务场景构建不同的领域AI专家：

比如AI售前问题专家，主要解决用户对于产品咨询的相关问题，例如产品型号、主要功能、核心卖点、产品价格、优惠券使用等；或者服务预订相关问题，例如订餐、询问停车位、预订时间等。

比如AI售后问题专家，主要解决用户对于产品售后使用问题，例如产品如何安装、产品维保信息、产品使用问题等。

构建领域AI专家的关键在于知识库的搭建。传统知识库搭建需要构建大量的FAQ和相似问，但是通过AI智能体和RAG系统，我们可以非常便捷的实现知识库的搭建和维护，如下图所示：

首先是知识库搭建，我们先将各种文档进行预处理，比如OCR解析、文本分割、图片识别和表格识别。分割后的内容可以分别交给大模型进行内容的识别和总结，这样可以将文档中的文字、图片和表格进行关联匹配。匹配后构建向量索引，存入向量数据库。

对于需要进行精确逻辑推理的场景，我们也可以通过大模型进行实体和实体关系的抽取，输出实体摘要，并存入图数据库。

然后是知识库应用，即针对用户的具体问题进行内容召回，在召回环节可以提供多种优化方式。比如召回前对用户问题进行扩散、分解、转译、意图识别和路由；召回中自动选择目标知识库，通过相似度计算或知识图谱召回，并对召回结果进行评分和排序；召回后进行Token压缩、敏感词混淆，然后交给大模型生成最终的回复。

关于如何使用RAG系统进行知识库的索引和召回，可以参考风叔之前写的《RAG实战篇系列》。

3. 人工客服

这个环节和传统智能客服并无区别，主要用于兜底，或者处理一些复杂度较高、用户情绪较差的场景。

在传统的智能客服系统中，机器转人工是能明显感知到的，而且人工回答完之后没法再转接给机器，客户体验不好。而通过AI Agent，用户感知不到对面是机器人在服务。当Agent答不上来时，会自动转给人工客服，同时对此前和客户的对话进行总结，人工只需要回答转进来的这一条消息，就可以立即再转回给Agent。

在这样的模式下，人工客服的工作量就能从“会话级别”下降到“消息级别”，大幅提升人工客服的有效接待量，同时客户的服务体验也得到了提升。

4. 对话质检

对话质检是对客户对话内容的总结与分析，从而评估智能体和人工对于客服回复的质量，以及分析客户对于本次服务的满意度。传统的对话质检主要是通过NLP分词进行分析，效率和准确度都很一般。

而通过AI Agent，大模型可以在精确理解语义的情况下，实现以下四大能力：

内容分析：自动对对话内容进行总结，包括客户遇到的问题、提供的解决方案、是否有解决客户的问题、问题解决时间等等，因此可以从整体上量化智能客服的实际效果

质量检测：分析客服智能体和人工的回复内容，和企业所提供的SOP、培训话术、知识文档的内容是否匹配，从而量化客服的回复准确率。对于回答不太准确的case，能够快速进行记录，用于智能体训练和人工客服的培训。

情绪识别：自动理解客户的情绪，分析其对品牌或产品是positive or negative

标签体系：在对话过程中，自动提炼客户标签，比如客户性别、地址、品类偏好、兴趣爱好等。

5. 智能工单

传统的智能客服系统，工单的生成和跟进需要由人来执行，执行者需要知晓此前客服与用户的对话内容、用户问题的具体描述、以及推进实际的解决方案，整个流程的效率相对比较缓慢，这也是很多消费者对于客服后续跟进的效率表示不满的原因。

通过AI Agent，可以在以下环节对整体服务流程提效：

工单生成：Agent可以自动对用户的问题进行总结和提炼，从而自动生成工单，并提交给工单系统。

智能派单：接收工单的Agent还能智能识别工单内容，找到相关问题的对接关键人，实现智能派单。

工单流转：Agent自动跟踪工单的推进进展，分析工单的解决情况，对慢于预期的工单进行预警或升级协调处理。