虎嗅智库荐语：

传统的智能客服在理解用户问题上频繁出现问题，在提供有效解决方案和冗长繁琐的交互漩涡中打转，以至于被消费者无奈地贴上了 “智障客服” 的标签。

如今，大模型、Agent、知识库等技术的蓬勃发展，智能客服获得了新的发展。在理解用户意图、回应问题方面有了新的蜕变。

那么，大模型在智能客服中学习和利用对话上下文时，如何确保对复杂语义和隐含意图的准确理解，从而生成高度契合用户需求的回答？

Agent 在执行任务和决策过程中，怎样依据不同电商业务场景和用户特征，实现个性化的任务执行策略与精准决策？

本文将通过案例深入剖析这些技术如何如协同驱动智能客服驶向智能化、个性化发展。

在电商领域，在线客户服务是企业与消费者之间的重要桥梁。然而长期以来，智能客服存在很多问题，比如无法准确理解用户的问题、难以提供及时有效解决方案，或者在繁琐的交互中浪费掉用户的大量时间，由此被用户调侃为“智障客服”。

再加上，多元渠道的布局，使得大型电商企业背后往往需要庞大的客服团队作为支撑，作为企业成本中心的重要组成部分，对智能客服团队的降本增效成为企业的普遍需求。

如今，随着大模型、Agent、知识库等技术的发展，智能客服在理解用户意图，回答问题方面有了更加优质的表现。本文将深入探讨这些技术如何协同作用，使客服更加智能化、个性化。

大模型+Agent赋能智能客服，提升用户体验

据沙利文统计，2022中国智能客服市场规模达66.8亿元，随着智能客服应用场景边界的不断扩展，预计到2027年，市场规模有望增长至181.3亿元。

在大模型技术出现之前，智能客服系统主要依赖于预设规则和知识库集合传统NLP模型来回答问题。尽管这一方式颇具效率，但局限性也很明显，比如：上下文理解能力差、解决方案不准确、缺乏个性化服务、需要较高维护成本等。

当大模型和智能客服融合后，大模型能够学习和利用对话中的上下文，在交互过程中，根据之前问题和回答，来调整对当前问题的理解并为用户生成准确、详细、更符合逻辑的回答。

同时可以根据问题的类型和特点，更精准地捕捉客户意图，从不同角度提供解决方案，为顾客提供更切合需求的回答。

如果说大模型是大脑，那么Agent则是其四肢，可以自动化执行任务，完成决策等。

在设置AI Agent的过程中，可以分为两步走，首先设置基础参数设置，包括说话风格等。其次是明确Agent的使用场景和响应范围。例如明确哪些问题是由 Agent回答，哪些问题需要人工客服介入。

具体操作中，当用户提出问题时，Agent首先通过大模型解析问题，然后在知识库中针对用户的具体问题进行内容召回，召回前对用户问题进行分解、转译、意图识别；召回中自动选择目标知识库，通过相似度计算或知识图谱召回，并对召回结果进行评分和排序。

如果遇到复杂问题，Agent可以与大模型进一步协作，让大模型生成询问用户的提示，以获取更多信息，然后继续在知识库中搜索，最终回答用户提问。

举例来说，在电商客服环节，针对售前、售中、售后三类场景，每个场景都应配置不同工具，通过多轮对话，识别客户的需求类别之后，再进一步进行策略和工具使用，以满足用户需求。

总的来说，基于大模型的Agent智能客服可以在客户交互中实现个性化引导，能够根据不同场景设计出特定的问询流程。比如在处理退换货、投诉等复杂问题时，可以自动引导并收集用户信息。

同时能以极快速度处理大量客户咨询和问题，自动分析和理解客户的需求，并提供准确回答和解决方案，大大提高客户服务效率。

3C领域客服应用实践：复杂业务下，多渠道智能提效

以某业务规模庞大的3C领域企业为例，其产品线被拆分成不同的业务单元（ BU），每个BU又下设有专门的机器人运营团队以及知识运营团队，团队之间需要紧密协作。知识运营团队负责同时为机器人和人工客服提供知识维护。

当有新的规定推出后，团队必须确保所有人工客服都了解，并且更新相应的问答（QA）供机器人使用。但企业通常会使用几大电商平台，这些平台相对独立以及企业同时又拥有自建平台，如官方网站和小程序商城等。

每个渠道都可能需要一部分特定的知识，供一线客服使用。同时，还需要维护与3C产品相关的售后服务信息，如退货和维修流程。然而这些平台相对封闭，难以进行有效的知识整合。

企业的业务知识分散在不同平台，平台间知识不互通且运营维护成本较高。在这一背景下，传统客服系统已无法满足其日益复杂的业务需求和多样化的客户期待。

为更好地应对这一挑战，该企业引入智齿AIAgent，通过大模型能力直接赋能于知识中心，企业将自己所有的业务材料统一上传，以“投喂”的方式批量上传各类学习材料，包括产品说明彩页、官方文件、培训材料等，并涵盖txt,pdf,docx等主流格式。知识中心可以对文件内的信息进行自动解析和学习，无需再拆分问答。

企业自有问答库也在其中统一运营。知识中心里统一运维不同业务类型知识，在解决知识一致性问题的同时，降低知识运营成本。同时Agent根据任务方向勾选对应知识，问题更聚焦。无论客户从哪个渠道来，Agent均可直接接待，并根据客的需求触发对应的业务流程，解决用户问题。

值得注意的是，当下囿于大模型“幻觉问题”，智能客服Agent与人工客服是协作而非替代关系。当大模型面对无法解决的场景和异常时，比如能够识别用户意图但是没法处理时，Agent就会通过返回接管信号，让人工介入接管AI，恢复人工对话模式。

结语

总体来看，虎嗅智库认为当AI对智能客服团队的降本增效成为企业的普遍需求时，企业重点应该放在增效而非降本上。“效”一方面是“效率”，比如在识别用户意图，判断用户情绪，并高效地处理客服应答，Agent客服有不错表现；

另一面是“效果”，通过辅助工具，将传统客服转变为具有导购专家、客服专家或金牌客服角色的团队成员，并带动其他人工客服，甚至人工导购。这种双“效”提升，对企业中长期发展是至关重要的。

随着AI能力的增强和技术的不断进步，对于电商商家来说，在计算ROI之外，看到AI对企业“增效”实现或许更有意义。

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓