不知道大家发现没有，现在越来越多的公司都在用AI客服了。特别是这两年，AI客服变得越来越聪明，有时候聊着聊着，你甚至会怀疑屏幕那头是不是坐着个真人。它们不光说话声音像真人，更厉害的是回答问题的逻辑也很自然，要不是多聊几句，还真不容易发现是机器人在跟你对话。
其实这背后有很多技术在支撑，今天我就跟大家聊聊，AI客服是怎么一步步发展成现在这样，以及目前主流的实现方案。
其实，AI客服在2016年左右就开始流行了，不过那时候的技术还比较初级，不管是电话客服，还是网上的在线客服，基本都是用"问题分类+预设回答"的模式。
具体来说，就是公司要先把可能遇到的问题都整理出来，提前预设大量在业务中积累的问题答案，准备好标准答案，然后靠系统把用户的问题分门别类，再匹配对应的回答。
显然这种方案比较呆板，存在一些短板：
（1）回答特别机械，不够灵活
（2）光是整理问题和准备答案就要花很多功夫
（3）用户稍微问点不一样的问题，系统就答不上来了
那时效果不咋滴，AI客服体验确实不太理想。
而大模型的问世，让这一局面发生了质的改变。起初，人们运用RAG（Retrieval-Augmented Generation，外挂知识库），有效解决了预设答案的麻烦。
通过嵌入模型，将用户问题与知识库中的相关内容，进行匹配，借助大语言模型强大的语义理解能力，依据相关内容生成问题答案。
可以说，只要用户问题在知识库范围，基本都能得到不错的回答。
但很快大家发现，很多业务场景并非简单的一问一答就能搞定，而是环环相扣。
就像电商客服这个场景：
客服询问用户是否购买商品，用户一般不会直接说买或不买，可能会问折扣、赠品或特殊细节，回答赠品问题后仍需继续推进销售流程。
所以这种场景更适合我们现在的AI智能体：通过一个AI客服智能体，设定最终目标，让模型根据已有对话内容实时规划回复策略，逐步向目标靠近，用户问赠品问题后，智能体仍能围绕目标继续沟通。
不过这时候的智能体客服，依然存在可控性的挑战，在实际应用中很容易跑偏。比如用户聊着聊着，突然问有没有合适我的xxx产品，AI很可能就被带跑了。
解决方案：工作流Agent（规范化智能体）
于是，通过"人工编排工作流"的"规范化智能体"出现了，工作流Agent技术带来了新突破。
百度在2024世界大会上，就发布了"工作流Agent"，能通过千帆大模型平台开发，内置了丰富的节点模块，只用像搭积木那样拖拉拽，就能搭出一个业务工作流。
比如，拿电商销售场景的工作流示例：
放【意图识别节点】：判断用户购买意向
加【大模型节点】：生成针对价格疑问的话术
继续【意图识别节点】：判断用户下一步意向
又添加【大模型节点】：生成关于价格和赠品的回复话术
来个【兜底节点】：应对用户岔题，简单回应后拉回话题
后面同样，继续按照业务中可能出现的各种场景不断的添加节点，继续沟通，直到最终用户确定购买意向，最近用一个输出节点结束流程。
效果很明显，经过人工编排工作流之后，智能体的行为更可控，对话始终聚焦围绕业务展开，为企业提供了一个可控性优秀、对话拉回能力强悍、信息处理方式灵活的场景落地解决方案。
人工智能发展依然在路上
其实，技术发展就是为了让生活更方便，人工智能的这条路还很长，但已经让我们看到了不少可能性，相信用不了多久，AI客服会变得越来越自然、越来越贴心啦！
