AI大模型实战：利用AI大模型打造客服机器人，传统智能客服将成历史

前言
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，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。

总结
在这篇文章中，介绍了如何利用AI大模型打造新一代的智能客服系统。相比传统智能客服，AI大模型客服系统能在客户体验、用户意图识别、问题引导、准确回复、流程控制、知识库建设、对话质检、工单系统等核心环节，带来质的飞跃。

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”。

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，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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】