随着人工智能技术的飞速发展，智能客服已成为企业提升服务效率、优化用户体验的关键工具。尤其是大语言模型（LLM）的出现，为智能客服带来了前所未有的机遇。本文档以抖音电商智能客服方案为例，详细介绍智能客服的背景、应用场景、技术架构以及最佳实践，提供一套完整的智能客服解决方案。

业务背景

大语言模型（LLM）的引入为智能客服带来了前所未有的变革，使其从传统的“语义匹配”模式迈向了“智能对话”时代。通过扣子平台的智能体开发能力，企业能够快速搭建并部署基于 LLM 和 RAG 的智能客服系统，实现从“AI 辅助人工”到“AI 主导、人工辅助”的模式转变，极大地提升了服务的智能化水平。

传统客服模式

在大语言模型出现之前，智能客服主要依赖于语义匹配和检索技术，通过关键词匹配 FAQ 或 SOP 来解决问题。这种模式虽然能够解决部分简单问题，但在复杂场景下表现有限，且缺乏对话能力，用户体验欠佳。

终端用户进入客服系统后：

• 首先，通过即时通讯（IM）客服或热线客服接触到智能客服模块，智能客服通过检索 FAQ 或 SOP 为用户提供答案。然而，这种模式的局限性在于其本质上并非真正的对话交互，而是基于关键词匹配来查找 SOP 的解决方案。因此，智能客服在解决问题的能力上相对有限。
• 当问题超出智能客服的处理范围时，用户将被转接至人工客服。人工客服团队在 IM 工作台、热线以及工单系统中处理后续复杂案例。为了支持人工客服的高效运作，背后有一套完善的服务资源管理系统，负责人员排班、考勤管理等任务。

这种模式是传统客户服务的典型架构，也是行业内较为常见的业务流程。

智能客服模式

大语言模型（LLM）的出现为客服领域带来了新的变革，其强大的自然语言理解能力和生成能力，使智能客服能够更自然地与用户对话，提供更精准、更人性化的服务。智能客服不仅能够提升用户体验，还能显著降低企业运营成本。通过自动化处理常见问题，智能客服可以释放人工客服资源，使其专注于解决更复杂的用户需求。此外，智能客服还可以通过数据分析和用户反馈，为企业提供宝贵的业务洞察。

目前典型的 AI 智能客服模式：

• 直接服务：大语言模型直接面向用户，通过任务驱动和卡片交互生成回复，无需人工干预，提升响应速度和服务效率。
• 智能辅助：在人工客服介入后，大语言模型作为后台支持，提供实时建议和解决方案，辅助人工客服快速处理复杂问题。

这种从“人为主、AI为辅”到“AI为主、人为监督”的转变，不仅提升了客服系统的智能化水平，还显著提高了服务效率和用户体验。

电商智能客服架构

我们可以通过扣子构建多个智能体（Agent）来实现电商场景的智能客服架构。智能体背后是一系列工作流（Workflow），每个工作流可能包含多个大模型处理环节，以实现复杂的服务功能。例如沟通协商模块、方案决策模块（如赔偿决策）、基于 Doubao Vision 的图像理解模块等，这些模块共同构成了一个多功能的智能体。

在数据层面，扣子背后会调用两部分资源，一是扣子提供的各类基础模型，例如豆包等模型；二是针对电商客服特定领域维护的自定义知识库，其中包含 FAQ 和文档类知识数据，这些知识库能够为智能体提供丰富的背景信息和解决方案，进一步提升服务效率和质量。

在业务能力的构建上，智能体主要依赖于自身维护的资源，以确保系统的高效性和灵活性。具体来说：

• 知识库集成：整合自维护的客服领域知识库，这些知识库是基于大模型能够理解和处理的结构化内容，且经过优化以便于高效调用。这些知识库内容清晰、模块化，便于拆分和组合，以适应不同业务场景的需求。
• 动作执行与工具接口：我们还集成了自定义的动作执行模块，这些模块通过调用工具接口实现特定功能，例如数据查询、任务处理等。这些接口经过精心设计，以确保与大模型的无缝对接和高效执行。
• 数据集管理：我们自主维护了一系列数据集，这些数据集专为支持业务流程而设计，并通过扣子平台进行统一管理和调用。这些数据集不仅为智能体提供了丰富的信息来源，还确保了数据的安全性和一致性。

通过将这些资源与扣子平台深度集成，我们构建了一个高效、灵活且自主可控的业务能力体系，能够快速响应业务需求并优化用户体验。

搭建与调优

在扣子中搭建电商智能客服的关键操作包括工作流设计、Agent 搭建与优化、

工作流设计

1. 明确用户需求
   • 分析用户进线的目的，将其分为开场寒暄、问题澄清、方案协商、服务收尾等阶段。
   • 识别用户的情绪状态，以便在对话中提供相应的情绪安抚。
2. 拆解工作流程
   • 将人工客服的工作流程拆解为多个模块，如订单信息解析、历史会话分析、情绪识别、方案推荐等。
   • 为每个模块定义清晰的输入输出参数，确保模块之间的无缝衔接。
3. 设计 Workflow
   • 在扣子平台上，通过 Workflow 画布将拆解的模块重新组合，形成完整的智能客服流程。
   • 利用条件节点和代码节点，实现流程的动态调整和优化。

Agent 搭建与优化

1. 选择合适的技术工具
   • 利用扣子的 Workflow 画布和 Agent 模块，结合大语言模型的能力，搭建智能体。
   • 根据业务需求，选择合适的 Agent 类型，如澄清问题 Agent、方案推荐 Agent、情绪安抚 Agent 等。
2. 优化 Agent 能力
   • 意图识别：通过大语言模型识别用户意图，减少人工干预。对于复杂意图，可以结合小模型进行辅助识别。
   • 方案推荐：结合业务规则和大语言模型的决策能力，提供多种解决方案。根据用户的情绪和偏好，动态调整方案推荐顺序。
   • 情绪识别与安抚：利用大语言模型的情绪识别能力，提供针对性的安抚策略。对于情绪激动的用户，及时转接人工客服。

知识库管理

1. 知识库构建
   • 将常见问题和解决方案整理为 FAQ，上传至扣子平台。FAQ 应涵盖业务的各个场景，如物流、售后、优惠券等。
   • 对于复杂问题，可以提供详细的解决方案和操作步骤，确保用户能够自行解决问题。
2. 实时更新与优化
   • 通过离线挖掘和标注团队反馈，不断完善知识库内容。对于未召回答案的用户问题，分析人工客服的处理方式，生成新的知识条目。
   • 定期对知识库进行审核和优化，确保内容的准确性和时效性。

性能优化与监控

智能客服的成功并非一蹴而就，而是需要持续的优化与迭代。通过实时监控系统性能、批量评测智能客服表现，以及根据用户反馈进行针对性优化，企业能够不断提升智能客服的性能和用户体验。此外，知识库的实时更新和优化也是确保智能客服准确性和时效性的关键环节。

1. 实时监控
   • 通过扣子的日志功能，监控每个节点的运行情况，及时发现并解决问题。日志应包含输入输出参数、处理时间、异常信息等。
   • 利用扣子的埋点功能，记录用户与智能客服的交互过程，便于后续分析和优化。
2. 批量评测
   • 定期对智能客服的表现进行评测，优化 Workflow 和 Agent 的性能。评测指标包括回答准确率、用户满意度、响应时间等。
   • 利用自动化评测工具，对不同版本的 Agent 进行对比测试，评估优化效果。
3. 用户体验反馈
   • 关注用户满意度和方案采纳率，作为优化的重要依据。通过用户反馈，发现智能客服的不足之处，及时调整优化策略。

安全与合规

在智能客服的应用中，数据安全与合规是不可忽视的重要环节。企业需要通过数据加密、脱敏处理、严格的访问控制以及完善的审计机制，确保用户隐私和数据安全，同时满足相关法律法规的要求。

1. 数据加密与脱敏
   • 在数据传输和存储过程中，对敏感信息进行加密和脱敏处理。确保用户隐私信息（如姓名、手机号等）不被泄露。
   • 对于涉及用户隐私的数据，严格遵循相关法律法规，确保数据使用的合法性。
2. 访问控制
   • 严格管理数据访问权限，确保只有授权人员能够访问敏感数据。利用权限管理系统，记录访问行为，防止数据泄露。
   • 定期对数据访问权限进行审计，及时发现并修复潜在的安全漏洞。