织语 AI 客服引擎

为什么客服 AI 会「过时」

很多智能客服项目上线时效果很好，三个月后却开始答非所问。原因通常不是模型变笨了，而是业务变了：产品上线了新功能、价格调整了、活动规则换了，知识库却还停留在旧版本。

传统做法是运营同学手动同步文档，但更新频率一旦跟不上产品迭代，AI 的回答就会和官网矛盾，反而增加客诉。织语要解决的，正是知识库与业务变化之间的时间差。

把重复问题变成可回答的问题

我们拉取了 90 天客服记录，按问题聚类后发现，超过六成会话集中在少数几类问题上：订单状态、退换货、账号登录、功能使用和活动规则。每一类背后都对应一份会变化的内容。

团队真正缺的不是话术，而是一个能持续跟上内容变化的回答系统。只要知识库是新的，AI 一次解决率就能稳定在高位。

• 60%+ 会话集中在 5 类重复问题上
• 知识库内容平均每周变化 2-3 次
• 转人工高峰往往发生在「旧知识 + 新业务」的交界处

回答与知识同步生长

织语由两条链路组成：一条是面向用户的多轮对话，另一条是面向内容的知识库自动更新。当官方文档、活动页或商品信息发生变化，系统会自动识别差异、更新索引，并在下一轮回答中使用新内容。

对话侧则通过语义匹配召回最相关的知识片段，再结合上下文生成答案。遇到超出知识范围的请求，系统会明确说「这个问题需要人工确认」，而不是硬编一个答案。

• 知识源接入：文档、活动页、商品库、FAQ 自动同步
• 变化感知：内容更新后自动重切分、重索引
• 转人工兜底：不确定时诚实告知，而不是强行回答

先保证「答得对」，再追求「答得顺」

我们先用离线评测集给每类问题打分，把语义匹配准确率稳定到 92% 之后再开放上线。评测集来自真实历史会话，而不是人工编造的样例，因此更能反映线上情况。

上线后还保留了一个轻量监控台：每天统计一次解决率、转人工率和「答非所问」的会话样本，运营可以直接在后台修正知识缺口，让系统持续变准。

• 离线评测 + 上线后抽样复核，双重质量门禁
• 未命中问题自动沉淀，变成知识库补全清单
• 所有回答可标注来源，客服可一键查看原文

压力从人工转移给 AI

上线一个月后，一次解决率达到 91%，语义匹配准确率 92%。客服团队从每天重复回答同样的问题，转向处理真正需要判断的复杂请求。

对用户来说，变化是等待时间变短了：常规问题秒回，复杂问题有人接管。对团队来说，知识库第一次和业务保持同步，而不是依赖某个人记得去更新。