AI 产品经理 · 2023.04 – 2024.09 LLM + RAG · 意图引擎 · 人机协同

企业智能客服机器人

构建意图引擎与私有知识库，
推动客服体系从"对话树"向"智能闭环"转型。

80%+

独立解决率

50%+

人工处理时长缩短

24/7

一致性服务

NPS↑

用户净推荐值

SCROLL

从对话树，到智能闭环。

传统对话树

规则硬编码、分支预设、需求一旦超出脚本就转人工。配置成本高、维护周期长，意图稍变就失效。

独立解决率仅 30 - 40%
意图扩展依赖人工标注
体验僵硬、无法理解自然语言

智能闭环

LLM 理解意图 + RAG 检索私有知识库 + 人工干预兜底，对话与数据同时沉淀，越用越准。

独立解决率提升至 80%+
新意图无需重新建树
对话数据自动回流喂养系统

核心理念

客服机器人不应该是"问答脚本的执行器"，而应该是"会理解、会查证、会兜底、会成长"的智能体。每一次对话既是服务，也是数据资产。

三件事，把机器人做"准"。

架构选型：LLM + RAG

评估并选用 LLM + RAG 技术组合，把企业私有知识库作为权威数据源接入，让回答既"会说话"又"有据可查"，从根上压制大模型幻觉。

知识治理：Prompt 与检索调优

制定 Prompt 策略与数据检索调优方案，针对客服高频场景做语料切分、相似度阈值、Top-K 召回的精细调参，确保答案精准、可查、可解释。

体验设计：多模态 UX 与人工干预

设计多模态对话界面与人工干预机制，关键节点支持转人工、置信度低时主动求助、对话上下文无缝交接，避免冷冰冰的"我不知道"。

两条边界线，定义产品的可信度。

什么时候让 AI 答，什么时候让人答

初始策略

AI 一答到底

所有问题都让 AI 回答，遇到不会的就硬编"我不知道"。用户体验断裂、信任下降，30% 的会话最终仍要重新转人工。

→

优化策略

置信度触发兜底

低置信度场景主动转人工并携带上下文摘要；人工回答完成后自动沉淀为新知识，让"今天解决不了的问题"成为"明天能答的问题"。

把"对话"做成"数据资产"

常见做法

日志归档

对话仅作为日志归档，最多用来查 bug，无法反哺产品与业务决策。

→

本项目做法

数据飞轮

对话结构化沉淀、意图聚类、未解决问题自动归类，反哺知识库扩充、市场调研与产品改进 — 客服系统也能成为决策系统。

数字说话。

80%+

独立解决率
原 30 - 40%

50%+

人工处理时长缩短
同等服务量

24/7

一致性服务
不受班次影响

NPS ↑

用户净推荐值提升
体验明显改善

服务 → 销售

挖掘对话中的潜在销售线索
客服反向贡献增长

数据资产

高质量对话语料沉淀
反哺产品 / 市场决策