Skip to content

Agent智能客服,人工介入降低42% ​

进阶案例拆解 · 参考图中的案例标题

如何理解标题中的42%

42% 来自用户提供的截图标题,截图没有给出样本量、统计窗口或完整评估方法。这里完整保留标题用于对应原图,不把该数字当成本项目的已验证结果。

解决方案 ​

引入RAG(Retrieval-augmented Generation,检索增强生成)技术

RAG检索增强生成: 当大模型需要生成文本或者回答问题时,用户首先通过检索预先维护的私域数据文档集合获得指导信息,然后把信息提供给 AI Agent。基于这些信息生成回答,使答案受检索证据约束,减少无依据内容。

自定义召回阈值: 按业务场景调整召回条件。阈值过高可能漏掉相关内容,过低可能引入噪声;需要用标注问题集比较结果,而不是把阈值当成“幻觉开关”。

Agent智能客服,人工介入降低42%:流程与结构图 1

参考图的 AWS 架构包含 Network Load Balancer、Nginx Proxy、SIP、API/Webhook;服务层包含在线客服、机器客服、外呼机器人、呼叫中心、工单、SCRM 和统计分析;数据层列出 OpenSearch、S3、ElastiCache for Redis、RDS MySQL;智能层列出 Comprehend、Translate、Bedrock;分析层列出 EMR 与 MSK。上图按职责重画,服务名单是原图组成,不是要求每个项目全部采购。

个性化引导完成特定任务 ​

不同场景下,客服的问询顺序及信息收集可能存在差异,例如退换货场景,大致可分为:

退换货任务链路

初步沟通核实原因 → 评估商品状况 → 判断是否符合条件 → 决策处理方案。

每个环节中用户回答不同,相应处理也不同。用状态记录已收集的信息,用政策检索提供条件依据,用业务工具核对订单,用明确分支决定继续追问还是转人工。

1. 单轮问答和任务流程分别处理 ​

Agent智能客服,人工介入降低42%:流程与结构图 2

2. 建立可复算的指标 ​

人工介入率 = 转人工的有效会话数 ÷ 有效会话总数。比较前后必须使用同样的会话口径和时间范围,同时检查问题解决率和用户投诉。介入减少但问题没解决,不算有效改进。

指标记录内容
转人工触发原因、所处节点、是否真正接管
知识检索有无结果、引用正确性、政策版本
任务完成是否解决用户原问题
回复效率首次响应、总处理时间
失败复盘问题样本、根因、修改与复测结果

3. 补写实践:调节召回阈值 ​

准备有答案、无答案、近似但不同规则的三组问题。固定其他参数,只改变一个召回阈值,记录命中、误召回、遗漏和最终引用是否正确。选择能达到业务验收要求的配置,并保存测试集版本。

内容依据:用户提供的第 15 张参考图。保留其可见结构、概念和案例,截图未显示的步骤为教学补写。原图作者与历史标注见下方对照。
查看参考原图 · 完整保留截图中的图表与可见文字

第15张参考原图

商业实战出版级教程 | 严禁未授权翻印传播