回答结束,事情没结束
把人工智能接进客服后台,技术上通常不算难:调一个接口,写一段提示,把历史对话塞进上下文,然后上线。真正消耗时间的是之后那些对话——模型答得条理清楚,用户的问题却还悬在那里。
比如用户问能不能退,模型给出一段措辞得当的说明,末尾补一句「建议您联系客服」。这句话没有错,但它把问题原样退回了人。类似的还有订单为什么卡住、某个功能什么时候能用、上次说好的补偿怎么没到账。这些问题的共同点不在语言层面,而在于它们都需要一个能负责的主体去做决定。
判断一次回答好不好,比生成它更难
很多团队在验收阶段习惯看「像不像人写的」,读起来顺就算过关。可用户关心的是有没有解决,不是句子漂不漂亮。真要建立反馈,评价得拆开来看:事实是否准确,有没有越权承诺,这种情况该不该转人工。这几条写下来,才谈得上积累。
麻烦在于,这类标准往往只存在于个别同事的经验里,没有文档,也没有人负责维护。模型每周都在输出成千上万条回答,团队却拿不出一把稳定的尺子去量,迭代就变成了凭感觉调提示。
提示词里压着一部分组织知识
为了让回答靠谱,团队会把规则一条条塞进提示:保修怎么算、运费谁承担、什么情况必须升级。这些规则原本散落在文档、培训和老员工的判断里,如今被压缩成一段文本。问题是,这段文本常常只有写它的人看得懂,改动也没有版本记录。业务一调整,没人说得清哪句话该删、哪句话还在生效。
所以在这个环节,值得认真对待的并不是模型选型,而是把流程知识显性化:哪些条件是硬性的,哪些可以灵活处理,哪些必须交给人。这件事做完,提示反而会变短。
它不承担后果,这一点不能含糊
模型可以生成道歉,可以解释政策,但它无法承担后果。责任只能落在流程和人身上:谁审核、谁兜底、异常怎么升级。这些设计清楚,能力才有地方安放。反过来,如果指望它自己判断「这件事该不该答应」,场景越复杂,出岔子的空间越大。
另一个容易忽略的边界是语气。模型很擅长把不确定说成确定,一句「可以的」背后可能没有任何依据。在对外场景里,允许它说「我需要确认一下」,通常比硬凑一个完整答案稳妥。
先想清楚要它做什么
回到开头那个问题:接入之后漏掉了什么。漏掉的是那些不太上台面的活——规则的整理、评价标准的制定、异常路径的设计,以及有人在关键节点上说一句「这条我来处理」。这些事补齐了,人工智能才算真的进了业务流程,而不只是进了演示环境。