浅谈AI智能客服的历程、落地和应用

最近有在做AI客服的产品，目前网上多数是展示性的AI客服介绍，少有真的能够落地的内容，简单的前端出口+LLM+知识库，并不能真正的完成一个像样的AI客服。

因此，先开个头浅谈一下AI客服，后续产品交付后进行一个细致的AI客服产品的实操分享。

实际客服场景中，用户的问题总是千奇百怪，问题的切入点和问法都各有不同，仅靠RAG并不能完全处理问题。

同时，我有时候我们还需要让用户难以分辨出AI和真人的区别，减轻客服的压力和成本，这就又是另一个难度等级了。

AI客服技术的引入，本质上是为了降低成本和提高效率，解决企业依赖大量人力资源来应对那些简单且高度重复的客户沟通任务。

在国内智能客服行业的发展历程中，每一次技术的进步都为这个行业带来了深远的影响。我们可以将其大致分为以下几个重要的阶段：

按键式导航

起初，智能客服主要依赖于IVR（交互式语音响应）系统。当客户拨打客服电话时，会听到一系列自动播放的语音指令，需要通过按键盘上的按钮来选择所需的服务。尽管这种方式实现了初步的自动化，但由于操作过程较为复杂且等待时间较长，整体的用户体验并不尽如人意。

关键词导航

随着人工智能技术的不断进步，智能客服进入了一个新的阶段——语音识别关键词导航。在这个阶段，客户只需根据语音提示说出自己的需求，系统就能通过识别关键词来智能地引导客户到相应的服务部门。这不仅简化了操作流程，还提高了服务效率。

关键词+机器学习

随着AI技术的进一步成熟，智能客服行业迎来了以机器学习客服为主的阶段。这些机器人通过学习预设的规则和模板，结合关键词匹配来为客户提供解答。虽然这一时期的智能客服在自动化方面取得了显著的进步，但由于模板的限制以及自然语言本身的复杂性，其解决问题的能力和用户体验仍然存在一定的局限性。

深度学习理解

2018年，随着深度学习模型特别是Google AI研究院推出的Bert模型的发展，智能客服行业经历了一场革命性的变革。这些先进的模型能够更加接近人类的方式理解客户的意图，并能从企业的知识库中检索出高度相关的信息，标志着智能客服进入了深度理解和应用的新纪元。

大型语言模型

自2022年起，以ChatGPT为代表的大型语言模型（LLM）引领着智能客服行业迈向了另一个高峰。这些模型不仅能进行多轮对话和理解上下文，还能处理复杂的长篇内容，甚至是跨领域的信息。这些功能极大地提升了智能客服的能力，为解决长期以来存在的挑战提供了新的途径。

ChatGPT的出现，使得智能客服有了质的飞跃。

相较于传统的智能客服，AI客服有以下的进步：

1、自然语言处理：自然语言处理技术的进步使得智能客服能够更准确地理解用户的语言，包括口语中的细微差别和含义。

2、上下文理解：大模型驱动的智能客服能够更好地理解对话的上下文，这意味着它们能够记住之前的对话内容，从而提供更为连贯和相关的回答。

3、个性化服务：AI客服可以根据用户的个人偏好和历史互动记录来提供定制化的服务，从而增强用户体验。

4、学习适应能力：它们具有更强的学习和适应能力，能够随着时间的推移不断改进服务质量。

5、处理复杂场景：这类智能客服能够处理更为复杂和多样化的对话场景，满足用户的不同需求。

6、交互体验：用户与之交流时会有更加自然、流畅且人性化的体验。

总之，传统的智能客服系统只能匹配预先定义好的固定模式，缺乏对上下文的感知能力，提供的服务通常是静态且不够个性化的。它们通常需要人工定期介入来更新设定好的规则和模板，因此在处理复杂情况时显得力不从心。

而大模型驱动的智能客服则能够更好地理解用户意图和语境，根据用户的历史对话和上下文进行个性化响应，提供更符合用户需求的服务。它们具备更好的扩展性和适应性，能够不断学习以提升服务水平，处理更加多样化和复杂的对话情境，为用户带来更加自然、流畅、人性化的体验。

与人工客服相比，AI客服主要有以下优势：

1、全年无休、7*24小时响应客户问题：大模型驱动的智能客服能够全年无休、每天24小时不间断地响应客户的需求，确保客户无论何时都能获得及时的帮助。

2、在相同时间内处理更多用户咨询：相较于传统客服，这种智能客服能在相同时间内处理更多的用户咨询，有效降低了成本，同时提升了整体的运营效率。

3、复刻金牌客服/销售的业务经验：学习优秀员工的话术经验，严格执行最好的服务话术。可以清晰地识别不同沟通逻辑和文案对用户反馈和最终结果的影响，使用最佳的话术服务。

4、人工结合，提高客服效率：通过与人工客服相结合，在无需人工干预的情况下提供即时支持。在需要转接至人工客服时，人工智能会通过提供见解和建议来辅助客服代表，加快问题解决的速度。

虽然有相对优势，然而 AI客服在实际应用中仍然有诸多难点

1、大模型幻觉：大模型驱动的智能客服本质上是一个基于训练语料的概率随机系统，其生成的内容具有随机性，难以精确控制。这种系统通常采用Transformer架构，通过计算输入上下文中每个输出token的概率，最终组合成完整的句子作为输出结果。在某些应用场景，如生成营销文案、诗歌或是读后感等，这种“创造性”的偏差可以被视为一种创意。但在需要严格控制输出的客服场景中，这种偏差是不可接受的，因为这里需要的是精准且可控的生成结果。

2、准确率：在实际应用中，智能客服给出与用户需求不符的回答的情况时有发生。为了提高回答的准确性，需要投入大量的时间和精力进行语料分析、流程梳理，甚至对模型进行微调。然而，即便投入了高昂的开发成本和大量的时间，也不一定能达到预期的效果。这也是大模型在企业业务场景中落地的一大难点。

3、技术门槛：在实际应用中，大模型驱动的智能客服还需要大量的定制化开发工作才能实现商用。这些定制化工作主要包括：开发适用于不同场景的提示词；制定和开发流程规划；编写具体的执行操作应用。在智能客服领域，为了达到可控生成的目标，几乎需要覆盖该场景中所有的咨询案例，以应对不同客户的需求。实际上，大模型在这方面的能力还有限。即使是生成了一个相对满意的规划方案，对于复杂的客服场景，整合大模型的规划能力、具体执行的应用以及咨询应答的提示词，让它们协同工作，是一项艰巨的任务。

4、意图理解：在售前阶段，客户的咨询往往模糊不清，有时客户自己也无法清晰地表达具体需求。为了促成订单的成交，销售人员需要具备良好的沟通技巧来深入了解客户的需求，并推荐能够吸引客户下单的产品。对于AI销售客服而言，给出与用户需求不符的回答的情况时有发生。例如，想象一位创业者正在通过办公软件系统销售网站寻找合适的软件解决方案，此时销售客服需要根据咨询者的使用场景、功能需求、预算等多个维度需求，进行多轮的交互，才能精准地推荐符合客户期望范围的软件系统。同时，销售客服还需考虑软件的兼容性、价格、技术支持等多个因素，以便为客户提供全面且合理的建议。要实现这样复杂的业务场景，AI销售客服需要具备在多轮交互问答中处理多维、多变需求场景的能力，而获取这种能力并非易事。

AI客服实施策略

基于以上分析，鉴于当前大模型的推理能力，将一个复杂的售后或售前工作完全交给AI客服处理是不切实际的，但AI客服依然有其独特且巨大的价值。我们需要将整个服务过程拆解成若干个组成部分，并根据实际需求进行分工，确定哪些部分适合由AI客服处理，哪些部分需要人工协助，以及哪些部分不适合使用AI。

• AI擅长处理的任务，如标准化的咨询问答、常见问题解答等，交由AI客服处理。
• 对于需要判断力和灵活性的任务，采用AI提供初步建议或解决方案，再由人工客服进行确认或调整。
• 对于极度复杂或需要高度个性化处理的任务，则完全放弃使用AI，直接由经验丰富的客服人员接手处理。

通过这样的策略，我们可以在充分利用AI优势的同时，避免其不足之处，最终通过工作流的方法，使之协同起来，确保整个服务过程既高效又可靠。

在与客服场景的交互中，通常的AI客服需要执行的流程是这样的：

（一）、意图识别

需要识别客户的意图，即客户为什么联系，有什么需求点，需要提供什么帮助。

1、服务介绍：介绍自己能够提供的服务

2、需求探索:客服会询问一些开放性问题，以便了解客户的大体需求。

（二）、需求分类

1、快速判断客户的情绪状态及初步意图，是产品咨询、技术支持、还是投诉等需求

2、将对话分配给最合适的客服Bot

（三）、需求获取

1、多轮追问：通过多轮的沟通和交流，整合用户提供的信息进行收集和整理。

2、全面了解：全面了解客户的需求，以便于提供专业化的产品和服务。

（四）、产品方案建议

1、考虑客户的潜在偏好

2、基于知识库和客户需求，提供一至两个解决方案或产品推荐。

（五）、产品方案沟通和调整

1、结合用户的反馈，灵活调整方案以满足个性化需求。

2、方案的初步确认

（六）、引导进行后续的人工介入

1、要求客户留下联系方式，并预约下一步行动（如发送详细方案、报价、预约演示等）。

2、收集有效信息，通知人工后续跟进。录入客户信息库

（七）、结束对话引导后续步骤

1、礼貌结束对话，并告知客户接下来的步骤

2、通知人工跟进

（八）、异常流程处理

1、客户长时间不回复

2、触发负面情绪词汇等

对话案例：

客户：已添加好友，可以一起聊天了旅行社客服：你好，这里是xx旅行社，请问你是想咨询旅行团吗？客户: 嗯是的，我是通过朋友介绍了解到你们旅行社的，想咨询一下去玉龙雪山有没有跟团的活动。客服: 我们确实有去玉龙雪山的跟团活动。请问您计划大概什么时候出行呢？客户: 我们计划国庆假期的时候去，大概是10月初。旅行社客服: 国庆期间是旅游高峰期，不过我们会为您精心安排。请问您是想单独一人出行还是有同行的伙伴？客户: 我是和家人一起去的，我们一共四个人。旅行社客服: 好的，您希望的行程天数是多少？客户: 我们打算待一周左右的时间。旅行社客服: 明白了。除了玉龙雪山，您还考虑参观其他景点吗？客户: 丽江古城旅行社客服: 那里确实我们有一个为期7天的跟团游项目，包含“玉龙雪山+丽江古城”，非常适合您。此行程包括了玉龙雪山的游览和丽江古城的文化体验。这是活动海报，有详细路线介绍，咱们可以参考一下。请问您对住宿有什么特别的要求吗？客户: 我们希望住宿条件好一点，最好能单独住一间房。旅行社客服: 我们的跟团游产品提供不同等级的住宿选项，您可以选择高星级酒店，我们也支持家庭成员单独入住。这样的话，我们可以为您预订两间房，每间房住两人。这样可以不？客户: 是的，这样挺好的。那价格方面能优惠些吗？旅行社客服: 好的，我去跟领导申请下，为了方便后续沟通，能否留一下您的联系方式呢？客户: 当然可以，我的电话是139xxxx1234。旅行社客服: 好的，我尽快申请下优惠，晚些通过电话与您详细沟通。请问您什么时候方便接听电话？客户: 今天下午3点以后都可以。旅行社客服: 好的，那我3点之后联系您。祝您生活愉快！客户: 谢谢！

对于整个流程的控制并非易事，其中的几个关键点需要尤其注意：

意图判断

在整个环节中，意图判断是十分重要甚至至关重要的一环。

目前的大模型具备自然语言处理的能力，有一定的推理能力，但实际业务中，客户的每次对话意图本身就可能是不明确的，或是蕴含了多种可能的意图，或者有些虽然经过人工分析能得出有明确指向的意图，但对于大模型来说分析判读的难度过高。在这种情况下，很难设定一系列完全正确流程供大模型进行正确判断。通常需要先在实际业务中需要通过大量的实际测试和用户对话案例来找出规律，将大类意图放置于顶层，细分意图放在后面若干层级，缩小LLM处理范围，提升意图判断精度。根据项目的不同，实际的意图分类也会有所不同，因此对应的容错处理方法也各不相同，通常需要进行定制化设计。

总的来说，意图判断是适合大模型来处理的，如果通用大模型处理的效果不够好，我们还可以通过微调或者更细的拆分方式进行优化，使得逻辑推理的难度和数量控制在大模型的能力范围之内。但值得注意的是，多轮对话下的意图准确识别依旧是一个挑战。

需求获取

1、一个服务中，通常会需要基于多点信息才能给出准确的判断。需要在信息不足时，主动追问相关信息。

此类需求需要用到Agent和workflow，使得大模型拥有自主规划的能力。Agent负责处理与用户的交互过程，包括对话状态管理、信息检测、智能问答和决策逻辑；工作流则用于定义处理流程，包括任务节点、条件判断、循环和分支，以及与外部系统的集成。通过这种方式，AI客服可以在信息不足时主动追问相关信息，确保获取完整的信息并做出准确的判断。

2、针对用户回复的信息，在多轮对话中，准确的提取有效信息。

大模型本身具备摘要信息的能力，因此信息提取通常不是一件难事。但随着对话轮数的增多，大模型处理可能会忽略掉多轮对话中的一些信息，导致前期能提取的信息在若干轮对话之后就不再提取。这种情况在ChatGPT中也会出现。甚至在出现前后文信息不一致或者有更改的情况下，更大概率的出现错误。因此需要做好相关的容错处理。

知识库对话

在使用专业领域或者公司内部的信息进行问答的时候，通常使用的方式是检索增强生成（RAG）的技术，它的核心思想是通过检索相关文档或知识库中的信息来增强生成模型的回答质量。RAG利用检索系统找到与输入查询最相关的上下文信息，然后将这些信息作为额外的输入提供给生成模型，以帮助模型生成更准确、更详细和更具体的响应。针对复杂的场景，我们可以提供多种知识文档，以覆盖不同的咨询需求。

对于一些比较固定的知识问答，例如产品手册、产品参数，可以使用知识库的方式。但对于一些经常变更的信息，例如限时活动信息、价格等，以及一些使用向量难以区分的不同系列配置的同类产品的参数咨询，这类情况更适合直接对接传统数据库，采用工作流的方式去查询相关的产品参数信息，然后作为输入，让大模型采用会更为合适。