客服系统从关键词匹配进化到AIAgent,中间经历了什么?
01
十年前客服是人工接电话, 五年前变成了菜单机器人, 现在有了能听懂人话的AI Agent。
这个进化速度, 比大多数人想象的要快得多。
我们这一代人也算是亲自见证过电商业务公司的客服系统迁移。从最原始的FAQ页面, 到关键词匹配机器人, 再到现在的AI Agent, 整个过程走了将近十几年。如果基于现有的技术条件从头做, 可能不需要这么久, 但要踩的坑一个都不会少。
客服系统是AI在商业场景里最直接的落地窗口。 因为它的PO非常清晰：少招一个人就是省钱, 一次完美解决就是口碑。
那这条技术演进的主线是什么样的？我们来看一下。
02
1、关键词匹配
这是所有人起步的地方。配置一些关键词和对应的回复, 用户发来消息, 系统匹配关键词, 返回预设答案。
最典型的就是微信公众号里的那个菜单机器人。你发「退款」, 它给你弹退款流程。你发「物流」, 它给你查物流。
这个阶段的优点是非常可控。你配置了什么, 它就回答什么, 不会跑偏。缺点是非关键词覆盖不到, 用户的真实意图和关键词之间隔着一层。
举个例子, 用户说「我买的那个东西还没到, 都三天了。」关键词匹配系统很难把这个翻译成「查物流」。它看到了「买」「东西」「没到」「三天」, 但不知道哪个是核心意图。结果是匹配不上, 转人工。
2、意图识别
加入NLP模型之后, 情况好多了。
系统不再只看关键词, 而是理解整句话的意图。训练几个意图分类器, 把「还没到货」「查一下快递」「物流到哪了」「配送太慢了」全部映射到「查询物流」这个意图上。
这个阶段需要标注数据。通常的做法是拿历史客服对话记录, 人工标注意图, 训练模型。标注量越大, 模型越准。
但意图识别有一个天然的限制：它只能处理单轮对话。 用户的意图可能在对话过程中发生变化。一开始问「退款」, 聊了两句变成了「换货」。意图识别模型每次都要从头算, 没有状态概念。
3、多轮对话
多轮对话的核心之一就是：状态管理。
系统需要记住用户刚才说了什么, 当前进行到哪一步了, 还需要收集哪些信息。这本质上是一个状态机的设计问题。
举个例子, 一个退换货流程。第一轮：用户说「我要退货」, 系统进入退货流程。第二轮：系统问「订单号是什么」, 用户回答「123456」。第三轮：系统问「退货原因是什么」, 用户回答「尺寸不对」。第四轮：系统确认信息, 发起退货申请。
每一轮对话都在推进状态, 状态转移的路径是预先设计好的。
这个阶段设计得好不好, 取决于流程梳理得清不清晰。很多公司在这个阶段栽跟头, 不是因为技术不行, 而是因为业务流程本身就没梳理明白。
4、AI Agent
到了Agent阶段, 系统不再遵循固定流程, 而是自己决定下一步做什么。
Agent架构的核心元素是三个：工具、记忆、规划。
工具是Agent能调用的外部能力。查订单、查物流、发起退款、生成优惠券, 这些都是工具, 通过API暴露给Agent。
记忆是Agent的上下文存储。短期记忆保存当前对话的状态, 长期记忆保存用户的历史偏好和历史操作。
规划是Agent的决策能力。面对用户的问题, Agent需要拆分任务、决定工具调用顺序、处理中间结果。如果第一步失败了, 它需要尝试替代方案。
我研究过阿里巴巴小蜜的一些公开技术分享。从关键词匹配到Agent的进化, 他们在每个阶段都踩过不少坑。有一个数据很有意思：从阶段2到阶段3, 用户问题的一次解决率提升了约60%, 但从阶段3到阶段4, 这个提升幅度并没有想象中大。
这说明什么？说明多轮对话已经能解决大部分常见问题了。Agent的价值不在「更会聊天」, 而在「能直接办事」。
03
按照现阶段的技术条件，不管下一步技术进化到哪个阶段, 有一个问题始终绕不过去：知识库管理。
客服系统有多智能, 很大程度上取决于后台的知识库有多完善。但知识库管理这件事, 是所有公司都在头疼的问题。
第一个问题是内容漂移。 产品的价格、规则、流程在不断变化。今天上线的知识, 下周可能就过时了。知识库的更新跟不上业务变化的速度, 是客服系统最大的负资产。
我见过一个案例。某产品的退换货政策改过三次, 但知识库里还是第一版的描述。客服机器人按旧规则回答, 用户按新规则操作, 两边对不上。最后用户投诉, 问题被追溯到一个没有人维护的知识点。
第二个问题是覆盖率和准确率的权衡。 知识点越多, 覆盖率越高, 但冲突和错误的概率也越高。知识点越少, 准确率越高, 但覆盖不了用户的问题。找到一个平衡点, 需要持续的数据分析和迭代。
第三个问题是人的介入时机。 什么时候转人工, 是最难设计的问题。转早了, Agent的价值没发挥出来。转晚了, 用户已经不耐烦了。
好的做法是让用户感知不到切换。人工客服接入时, 能看到Agent已经收集到的所有上下文, 不需要用户再重复一遍。这是最容易让用户觉得「这个机器人还挺有用」的设计细节。
04
如果按照现在已经具备的技术能力来看，知识图谱 + Agent是客服系统最有潜力的方向。
知识图谱把碎片化的业务知识组织成结构化的网络。产品和产品之间、规则和规则之间、原因和结果之间都有了明确的关联关系。Agent在回答问题时, 不只是匹配一个知识点, 而是沿着图谱的关联关系进行推理。
我举一个具体的例子。用户问「我买的手机什么时候能到」。传统的流程是去查物流信息。但有了知识图谱之后, Agent知道这个用户买的手机型号是X, 这款手机最近有个配件召回活动, 如果物流延迟可能是因为配件的质检流程。Agent可以在回答物流信息的同时, 主动告知用户召回活动, 并询问是否需要帮助查询配件情况。这种主动服务的能力, 是传统客服系统做不到的。
还有一个方向是多模态客服。用户拍的截图、录的屏幕视频, 都可以作为客服的输入。用户说「我的页面长这样」, 然后发一张截图, Agent可以直接识别截图中的信息, 不用用户打字描述。这个在技术支持和IT运维场景里特别有用。
智能不是一按开关就亮起来的灯, 是一层一层垒上去的砖。
另外我想说一点关于数据的事。很多人觉得做AI客服需要很多数据, 其实大多数公司的历史对话数据是够用的。回到最开始的问题。十年前客服是人工接电话, 五年前变成了菜单机器人, 现在有了能听懂人话的AI Agent。
智能不是跳过去的, 是一个阶段一个阶段走过来的。
既然看到这里了, 如果觉得不错, 随手点个赞吧。谢谢你看我的文章, 我们, 下次再见。
👆👆👆tips：敬爱的读者朋友，原创文章不易，如果您对企业架构、企业信息化、数字化、数智化建设等领域感兴趣，可以点赞+关注，欢迎留言讨论，我们一起进步~