探索大模型在实际中的应用，让Agent自动“退款”，防止被薅羊毛，平衡成本与用户体验！

最新推荐文章于 2024-10-09 16:46:38 发布

程序员维他命

最新推荐文章于 2024-10-09 16:46:38 发布

阅读量1.1k

点赞数 31

文章标签： ux langchain chatgpt 人工智能语言模型深度学习

本文链接：https://blog.csdn.net/h1453586413/article/details/142054986

版权

处理大量的退款请求时，如何平衡用户体验和成本控制？通过引入AI技术自动处理退款请求，不仅提高了处理效率，降低了成本，还能有效防止恶意的薅羊毛行为。本文将详细介绍AI如何在充电行业中实现自动化退款处理，并探讨其对行业的深远影响。

在这里插入图片描述

一、两轮充电行业的”Ai退款”实践

1. 业务场景与矛盾点

业务简述：提供线下充电桩的充电服务。服务千万级的用户。用户直接扫码付费完成充电

1）场景下的角色：

服务商：提供场地。厂商安装设备后，进行设备维护，获取用户充电金额的提成；
厂商：提供充值小程序软件，设备硬件等设施
消费者：扫码充电，享受充电服务

2）业务的问题：

线下环境比较复杂，会因为各种原因导致充值失败。设备故障、停电、网络等；
消费金额普遍较低：1元、2元、5元居多；
若人工进行退款，服务链路长（涉及设备排查、订单排查、服务商等），服务成本太高；
若实现直接退款，容易“羊毛党”泛滥导致服务商利益受损。直接退款只会导致羊毛党只会越来越多；
若不处理或者处理太慢等，导致用户投诉过多，体验太差

3）本质是矛盾点：用户体验与成本的平衡

人工介入处理，订单量大，成交金额低（1元、2元、5元），人工去处理成本高。
为了体验直接退款，容易被恶意使用。给服务商造成损失

2. 解决办法

让AI来当裁判，对于符合规则的直接进行直接退款或者部分退款；
对于恶意使用退款操作的人/用户，直接不退款；
对于Agent判断有争议，引导客服进行介入；

Agent介入的好处

相对明确的判断的和操作，AI可以直接进行操作。不用人工参，降低人工处理成本
提高了“薅羊毛”的操作成本，杜绝了一批羊毛党。

二、整体的Agent的处理逻辑

让大模型来直接辅助退款的逻辑流程

在这里插入图片描述

1）涉及到的大模型/Agent的主要能力：

Rag：知识库查询规则等
Agent会话模式：re-act控制流程和目标
调用工具：辅助模型fanction call
长期记忆：画像数据、订单数据等长期记忆内容

2）流程说明

在会话之前。把他的订单、画像、浏览轨迹给到大模型-。然后基于问题直接解答；
将规则“退款规则”、“判断规则”等文本内容推过知识库的形式，让模型来访问获取，补充内容；
提前预设sop退款流程，让模型理解执行步骤。

1. 整体的效果如下（测试环境下）：

在这里插入图片描述

1）过程我们可以看到

主动引导：Agent引导用户提供退款的理由。
订单/设备信息确认：提前获取用户订单数据、设备信息。通过各种状态、规则等推理退款理由的合理性
退款金额协商：通过设备状态、退款规则等，同客户确认可退金额
自动退款：直接完成退款操作。

2）效果

整个过程由大模型来控制，操作、判断。
通过理解问题、规则、要求。来进行准确的处理。模拟人进行复杂情况的判断
合理用户的合理诉求下，能够在短时间内完成退款的请求。
对于羊毛党，有设备的数据、订单数据等，有效防止恶意薅羊毛和退款

3）成本层面

约80%的退款操作、退款金额由大模型判断直接执行，不再需要人工审核

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓