晚上十一点半，你想改一张票的日期。对话框弹出来，语气温和，问有什么可以帮忙。你说明情况，它回一段解释；你补充一句，它换个说法，把那段解释又说一遍。来回几轮，屏幕终于出现一行字：“正在为您转接人工客服，请稍候。”——这一刻，它反倒最像一个明白人。
“转人工”是整套系统里最难写好的地方之一。它要求系统承认自己办不了，还要把上下文一并交出去，让接手的同事不用再问一遍“请问您遇到什么问题”。
演示里很顺，线上就磕绊
问题多半出在两套环境差别太大。演示时，提问是被挑选过的，措辞规整、指向明确；线上用户则随口说，一句话里掺着情绪、错别字和半截信息。“我那个昨天买的还没到”——这句话里没有订单号，也没有明确对象。
于是很多团队把精力压在意图识别上。可这个指标衡量的只是分类对不对，不是事情办没办成。用户要改地址，系统识别出“修改收货信息”，却只回一段操作指引，准确率再高也白搭。意图之后还有一步：有没有对应的接口、权限和流程，能把这件事真正办下去。
它其实在做什么
多数智能客服的运转方式并不神秘：先判断你想干什么，再决定查知识库、调接口，还是走一段预设流程。
- 知识库决定它“知道”什么。条目写得含糊，回答就圆滑而空洞。
- 流程编排决定它“能做什么”。能查订单，不等于能改地址。
- 兜底策略决定它什么时候认输。这条边界画在哪儿，比模型本身更影响体验。
大模型进来之后，最直观的变化是话不僵硬了，能接住口语、简称和错别字。麻烦也跟着来：话说得顺，事实未必可靠；一句听着合理的承诺，后端根本没有对应动作。要加固的不是措辞，而是可执行的边界——它能说什么，得和它能做什么对齐。
边界画在哪儿
有些事适合交给机器：查进度、改预约时间、解释规则、引导填表。这些动作路径清晰、结果可验证，出错了也能回滚。有些事不适合：涉及金额争议、责任认定、情绪激烈的投诉。这不是技术能力问题，而是成本问题——一次误判的代价，往往高于省下的那几分钟人力。
所以我不太看“拦截率”这类数字。它鼓励系统硬扛，把本该转出去的问题多绕两圈。相比之下，我更在意两件事：转人工前有没有把上下文带过去，以及接手的人需不需要从头再听一遍。这两点做扎实，机器与人的接缝才算平顺。
回到开头那个深夜。用户未必反感机器人，反感的是被反复确认同一件事。智能客服真正要学的，不是更像人说话，而是知道自己什么时候该停。