客户背景
行业
医疗健康 · 医美
规模
3 家门店 · 咨询导向
现状
人工咨询 + 手工回访
期望
提升转化与满意度
客户痛点
1
咨询转化靠人工
咨询量大，咨询师接待不过来，转化不稳定。
2
术后回访不及时
术后回访漏做或延迟，客诉风险高。
3
客户档案分散
客户档案各门店各存，无法统一管理。
演示案例
实时演示 · 咨询与回访
就绪
输入
咨询留言：想做双眼皮，恢复期多久？
Consolelogs · stdout
$ 初始化演示管线…
✓ 需求评估高意向
✓ 咨询解答1.2s
✓ 回访排期自动
技术方案
01
AI 咨询评估
AI 先做初步咨询与需求评估，高意向客户转人工。
02
术后回访排期
按项目自动排期术后回访与关怀。
03
客户档案统一
统一客户档案并打标签，便于精细化运营。
不是赌某一种 AI，而是组合最合适的几种
面对真实业务场景，我们不会一上来就选定某条技术路线，而是对多条候选路径做同口径评估，再据此设计融合方案，让每条路径都做它最擅长的那部分。
通用大模型 API
GPT-4o / Qwen / DeepSeek 等公有云模型
- ✓开箱即用、接入成本极低、业务初期成本可控
- ✕对垂直行业场景泛化有限、字段级准确率不稳、数据合规需单独设计
适合冷启动与快速验证
行业模型微调
基于行业语料对开源模型做领域微调
- ✓结合行业语义、准确率显著提升、可私有化部署
- ✕需要标注数据、训练与维护有一定投入
适合作为主链路承担高频流量
检索增强 + 规则校验
RAG 知识库与业务规则引擎的组合
- ✓针对性强、可解释、延迟与成本最优
- ✕需要持续的数据闭环投入
适合兜底与高确定性场景
融合而不是选择
我们最终交付的不是某一个模型，而是一条「主链路 + 语义校正 + 兜底降级」的融合管线：高频场景由行业模型在秒级内完成；置信度低于阈值的字段自动转大模型做二次理解；服务异常时自动降级到通用 API 并标记人工复核，让准确率、成本、延迟、可控性这几个互相牵扯的目标同时达成。
一条可解释、可降级、可演进的 AI 管线
我们把 AI 工程当作「管线」而不是「黑盒」：每一步都有明确的职责、输入输出与兜底策略。下面这条五步管线 + 四层系统架构，是方案的技术骨架。
L1
采集与接入层
支持多渠道接入，统一做鉴权、幂等与脱敏
业务系统 API移动端 / 小程序文件上传 / 扫码API 网关 · 脱敏
L2
AI 推理层
多链路推理 + 置信度路由器，按样本特征自动切换
行业微调模型多模态大模型RAG 知识检索置信度路由
L3
业务编排层
把识别结果对接到真实业务流，做规则校验与闭环
业务规则校验实体 / 主数据匹配金额 / 逻辑闭环人工复核工单
L4
数据闭环层
线上每一次误差自动回流，模型按月自动迭代
样本仓在线标注与差错回收月度增量微调漂移监测与告警
技术栈
FastAPIvLLMLangChainRAGQwenGPT-4oTritonKubernetesPostgreSQLRedisMilvusDocker
交付过程
1
咨询流程梳理
梳理咨询与回访流程。
2
咨询助手
部署 AI 咨询评估。
3
回访系统
搭建术后回访排期。
4
试点门店
单店试运行。
5
全量推广
覆盖 3 家门店。
上线前后对比
指标上线前上线后
咨询转化率12%16%
回访执行率70%100%
客诉率1.2%0.7%
“术后回访一次不落，客户的信任感强了很多，客诉也少了。”
可复用场景
医美、口腔等机构的咨询预筛
术后/治疗后的自动回访
客户档案的统一管理