晚上十一点,用户想改一笔订单的收货地址。对话框响应很快,回复也很快,三轮之后,对面开始重复同一段话。用户换个说法再问,还是那句。最后打了“人工”两个字,等了两分钟。
多数人把这归因于模型不够聪明,实际情况往往更朴素:它答得出,是因为知识里有;答不出,是因为没人告诉过它。一套智能客服的实际表现,很大程度上取决于背后的知识是怎么被整理、更新、授权使用的,而不是取决于模型有多大。
长尾问题才是真正的战场
咨询量的分布通常很陡:退换货流程、发票开具、物流进度,这几类占了大多数,写进知识库也轻松。麻烦在剩下的部分。用户不会按你的分类体系提问,“我买的那双鞋码偏大,能不能换”这一句里,同时藏着换货政策、尺码对照、运费承担和活动商品例外条款。
意图识别在这一步就分出了高下。分类做得粗,用户被塞进一个不匹配的答案框;分类做得细,规则条数膨胀,维护成本跟着上来。有团队想让大模型直接兜住这块,结果常常是话说得漂亮但边界模糊——它会把“视情况而定”讲成“可以的”。这种自信的错误,比干脆答不上来更伤信任。
知识库不是写完就交差
很多系统上线初期效果不错,半年后开始走样。原因很少是技术退化,而是运营断了:活动规则改了,退换政策调了,知识条目还停在旧版本上。智能客服于是变成一台忠实的复读机,把过期信息一字不差地播出去。
要让它在时间里站得住,有几件事得先定下来:
- 规则变更后,由谁在多长时间内同步对应条目;
- 哪些问题允许模型自行组织语言,哪些必须原样引用条款;
- 检索不到可信内容时,默认动作是什么——是猜,还是转出去;
- 哪些历史对话需要被回看,用来发现新的问法。
最后一条常被忽略。用户的实际措辞是最好的语料,比闭门造车列出来的问法清单可靠得多。
转人工不是失败的标志
不少团队把转人工率当成要压下去的指标,方向可能就偏了。用户想要的从来不是“和机器人聊完”,而是问题被解决。一个在第三轮就干脆把人接过去的系统,体验往往好过一个硬撑十轮、最后还是要转的系统。
真正值得看的是端到端的解决效果,以及用户的重复表述次数:同一件事要解释几遍才被理解。这两个指标不好看,但能指到痛处。转人工的触发条件也可以更主动些——识别到情绪激烈、涉及金额争议、连续两轮未命中,就该让路。
哪些问题不适合交给它
边界感比能力更重要。标准化的、答案唯一的、可以原样引用的咨询,适合自动处理;涉及责任判定、例外审批、情绪安抚的,交给人更合适。硬要把后者塞进自动流程,省下的是人力,赔进去的是口碑。
所以回到开头那个场景。用户真正恼火的不是机器,而是被同一句话挡回来三次却找不到出口。把知识理顺、把边界划清、把出口留好,这三件事做到,智能客服才谈得上“智能”两个字。