在《对AI大模型应用场景的深入思考（上篇）》中，已经介绍了AI大模型在企业通用场景中的应用。

这篇重点围绕客服场景，详细拆解如何用AI大模型彻底取代传统智能客服系统。

传统智能客服系统的核心模块，大体包括知识库、机器人、人工坐席、智能质检、工单管理等。

这是一个发展多年的成熟领域，但痛点依然不少。

传统智能客服的四大痛点

第一，机器人配置成本高。

需要提前准备大量FAQ，每个问题还得配置10个以上的相似问。

因为机器根本不懂你在问什么，只会做相似度匹配。整个过程至少需要3个月以上，费时费力。

第二，回答准确率偏低。

传统智能客服用的是BERT模型，即使标注了大量数据，依然解决不了对用户Query理解不足的问题。

准确率经常不到50%。这就是为什么大家总吐槽智能客服是“智障”，很多用户上来就直接打“转人工”。

第三，机械式回复，体验很差。

无论用户情绪如何，机器人永远是一套标准答案，毫无情绪价值可言。

消费者遇到问题本来就烦，再碰上个冷冰冰的机器，火气更大。

第四，复杂问题搞不定。

一旦用户的问题超出了预设流程，智能客服就彻底歇菜，只能转人工。

结果既没解决问题，也没减轻人工负担，反而投诉率飙升。

AI大模型如何破解这些难题

这些难题，AI大模型恰恰能一一破解。

下图是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几个核心组件。

下文将围绕上图的业务流程，详细介绍如何基于大模型打造新一代智能客服系统。

1. 客服机器人Agent

客服机器人Agent直接面向用户，在系统中扮演多重角色：

• 意图识别：精准判断用户问题类型。比如是产品咨询、营销活动还是售后问题，然后快速路由给对应的领域AI专家。

  传统智能客服在意图识别上一直很吃力，大模型反而成了天然优势。

• 问题引导：用户有时候表达不清，比如“我上周的订单还没到”。

  客服机器人就能通过多轮对话，逐步引导确认订单时间和编号。这种交互感比死板的FAQ强太多。

• 生成回复：根据领域AI专家的输出，进行内容转换后生成最终回复。

  比如自动插入用户姓名和语气词——“尊敬的风叔，让您久等了，以下是为您查到的信息”；或者切换语气模式：可爱的、专业的、简洁的，都行。

• 流程控制：根据用户所处阶段（生命周期、会话周期、问题处理环节），自动推送合适的问题和解决方案，推动客户向下一节点迁移。

• 闲聊控制：可以跟用户聊几句，但能收得住，避免对骂或者浪费算力；同时也能规避敏感话题。

• 情绪识别：一旦侦测到用户语气或情绪明显不佳，立刻转人工，防止事态升级。

2. 领域AI专家

领域AI专家负责接收客服机器人转来的问题，并结合领域知识给出具体回复。

可以根据业务场景构建不同的专家，比如：

• AI售前问题专家——处理产品型号、核心功能、卖点、价格、优惠券使用、服务预订（订餐、查停车位、预约时间）等。

• AI售后问题专家——处理安装方法、维保信息、使用中遇到的问题等。

领域AI专家的关键：知识库

搭建领域AI专家的关键在于知识库。

传统方式需要准备大量FAQ和相似问，但借助AI智能体加RAG系统（检索增强生成），可以大大简化。

知识库搭建流程

• 先做知识库搭建：对各类文档进行预处理——OCR解析、文本分割、图片和表格识别。

• 分割后的内容交给大模型识别和总结，将文字、图片、表格关联匹配，再构建向量索引存入向量数据库。

• 对于需要精确逻辑推理的场景，还可以通过大模型抽取实体和关系，输出实体摘要存入图数据库。

应用环节的内容召回

• 召回前对问题做扩散、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，并对结果评分排序。

• 召回后做Token压缩、敏感词混淆，再交给大模型生成最终答案。

3. 人工客服

这个环节和传统智能客服类似，主要用于兜底。

它负责处理复杂度高或用户情绪极差的场景。

传统智能客服转人工时，用户能明显感知到“机器不行了”。

而且人工回答完没法再转回机器，体验割裂。

而在AI Agent模式下，用户根本感觉不到对面是机器还是人。

当Agent答不上来时，会自动转给人工，同时人工会看到此前对话的总结。

人工只需要回复这一条消息，就能立即将对话交还给Agent。

这样一来，人工客服的工作量从“会话级别”降到了“消息级别”，效率大大提升，客户体验也流畅多了。

4. 对话质检

对话质检是对客服对话内容的总结分析。

它用来评估智能体和人工的回复质量，以及客户满意度。

传统质检主要靠NLP分词，效率和准确性都不高。

而借助AI大模型，可以实现四大能力：

• 内容分析：自动总结对话——客户遇到的问题、给出的解决方案、是否解决、解决时长等。

  通过这些信息，可以从整体量化客服效果。

• 质量检测：分析回复内容是否与企业SOP、培训话术、知识文档匹配，量化回复准确率。

  对不准确的案例快速记录，用于智能体训练和人工培训。

• 情绪识别：自动判断客户情绪是正面还是负面，对品牌或产品的态度。

• 标签体系：对话过程中自动提炼客户标签——性别、地址、品类偏好、兴趣爱好等。

5. 智能工单

传统智能客服系统中，工单的生成和跟进全靠人工，效率低、容易遗漏。

这也是消费者抱怨后续跟进慢的主要原因。

AI Agent可以在以下环节大幅提效：

• 工单生成：自动总结用户问题、提炼关键信息，生成工单并提交给工单系统。

• 智能派单：接收工单的Agent能识别工单内容，自动找到对接关键人，精准派单。

• 工单流转：自动跟踪工单进展，分析解决情况，对慢于预期的工单预警或升级协调。