ai 客服 案例

做客服系统的同学常卡在两件事：一是老板问「别家 AI 客服到底怎么落地的」，你手上只有概念没有画面；二是知识库搭起来了，答得似是而非，客户一追问就露馅。这篇不吹效果，只按场景拆解常见的落地做法，给一套可照着走的知识库搭建顺序和自检清单，并说清哪些业务形态其实不适合先上 AI 客服。

做客服系统的同学常卡在两件事：老板问「别家 AI 客服到底怎么落地的」，你手上只有概念没有画面；知识库搭起来了，答得似是而非，客户一追问就露馅。这篇不吹效果，只按场景拆解常见的落地做法，给一套能照着走的知识库搭建顺序和自检清单，顺带说清哪些业务形态其实不适合先上 AI 客服。

先把预期放正：AI 客服不是一个买回来就变聪明的产品，它更像一个需要持续喂料和校准的岗。落地效果好不好，七成取决于你的知识库覆盖度和业务系统打通程度，三成才是模型本身。所以下面的案例都按「场景—边界—知识库」这条线来讲，不谈玄学。

先分清你的场景属于哪一类，再谈案例

很多团队一上来就问「哪家方案好」，其实先该问的是「我这件事属于哪一类」。客服需求粗分三类，对知识库和话术的要求完全不同，混在一起做必然翻车。先分类再选型，能省掉后面大量返工。

• 翻最近一个月的真实会话记录，按这三类打标签，看哪类占比最高
• 占比最高的那类先做，别的先放着，别贪多
• 重复问答型最容易见效，适合用来验证流程
• 流程操作型必须先确认业务系统有没有接口，没接口就别硬上
• 情绪安抚型目前只建议做人工的前置筛选，不直接对外答复
• 客单价高、决策链长的业务（比如企业采购），客户要的是人担责，AI 先上反而拉低转化

几种常见的落地形态与它们的真实边界

不同行业落到地上的样子差别很大，但共同点都是「AI 吃掉可标准化那部分，人工守住有歧义那部分」。下面按行业形态说边界，注意这不是效果排序，而是适用条件对照。

电商/本地生活

AI 承接售前规格问答和售后查单，人工只处理纠纷；关键是知识库要跟商品和订单数据实时同步，否则答出来的价格和库存是旧的。

在线教育/课程

AI 做试听引导和高频答疑，把「怎么退」「什么时候开课」这类问题吃掉，销售精力留给真正需要跟进的线索。

企业内部 IT/HR 服务台

知识库范围可控、用户就是同事、容错率高，一家 5 人小团队想练手验证流程，从这里起步最稳。

SaaS/工具类

以文档检索和排障为主，AI 的价值在命中率不在话术好听；文档本身写得乱，先修文档再上 AI。

注意上面每一种的「真实边界」都在同一句话上：AI 只处理能标准化、能追溯到源文档的部分。凡是需要临场判断、需要承诺、需要承担责任的答复，交给人工，不是能力问题，是风险问题。

知识库怎么搭：顺序比工具重要

知识库是 AI 客服的命根子。多数答不准的情况，不是模型不行，是知识库本身结构乱、切分差、没有维护机制。下面这套顺序按步骤走，不要跳步。

1. 收集，不是写把历史工单、聊天记录、产品文档、FAQ 页面全部导出，按问题聚类，找出真正被问得最多的那批问题。先看清楚现状，再动笔。
2. 切分，一条只讲一件事标题尽量用客户的原话而不是内部术语，同义词和产品别称单独列一份映射表喂进去，避免客户换个说法就检索不到。
3. 挂源，每条答案标来源和更新时间每条答案标注来源文档和最后更新时间，超过一定时间没人维护的自动标记待复核，避免答过期内容。
4. 留人工兜底设置置信度低的自动转人工，并记录转人工的原因，这份记录就是下一轮补知识库的清单。

• 别把整本产品手册直接扔进去，检索会被稀释，命中率反而下降
• 别只维护一份答案，不同渠道（App、公众号、电话）的措辞口径要统一
• 别让知识库和业务数据脱钩，订单类问题必须能查到实时状态
• 上线前先用一批历史真实问题做一次盲测，看哪些答不上来

上线后看什么、怎么迭代

上线不是终点，是开始收数据的起点。别盯着一个笼统的「满意度」，那东西归因太难。先定三个能直接指导动作的观察口径：转人工率、首次答复是否解决、客户追问轮次。具体数值基线按你自己的历史数据定，别照搬别家的数字，不同业务不可比。

• 每周固定抽一批被追问两次以上的会话，这些就是知识库的漏洞，按频次排序去补
• 新活动、新政策上线前，知识库同步更新应作为发布流程的一环，而不是等客服被问爆了再补
• 如果转人工率迟迟不降，先怀疑知识库覆盖不足或意图识别不准，不要急着换模型
• 定期把转人工的原因做归类，这份归类报告是产品、运营都能用的输入，不只给客服看

关于各家方案当时的报价和能力对照，别听销售口径，去站内页面看当时的数字更稳。能力清单和价格都在变，以站内更新为准。