客户背景
行业
电商零售 · 家居
规模
20 人团队 · 月单量 5 万
现状
人工抽检 + 手工处理售后
期望
服务质量稳定、售后高效
客户痛点
1
话术质量参差
客服新人多，话术不统一，服务体验忽高忽低。
2
售后处理慢
售后工单靠人工判断和流转，处理慢了客户直接差评。
3
退换货流程复杂
退换货沟通来回拉扯，沟通成本高、体验差。
演示案例
实时演示 · 客服质检与售后
就绪
输入
一段客服会话 + 一张售后工单
Consolelogs · stdout
$ 初始化演示管线…
✓ 会话质检评分 4.6/5
✓ 工单智能分派0.8s
✓ 退换引导自动
技术方案
01
会话全量质检
对每一通客服会话自动评分，识别情绪与风险话术。
02
工单智能分派
售后工单自动分类，分派给对应处理人并推荐话术。
03
退换货自动引导
引导客户自助完成退换货流程，减少人工介入。
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
服务规范梳理
整理客服服务标准与质检要点。
2
质检上线
部署会话质检，先质检后优化。
3
工单系统
接入售后工单的自动分类与分派。
4
自助流程
上线退换货自助引导。
5
闭环优化
根据差评归因持续改进话术与流程。
上线前后对比
指标上线前上线后
质检覆盖率抽检 5%全量 100%
售后平均处理时长48 小时19 小时
差评率1.4%0.9%
“以前售后都是出了事才补救，现在系统能提前发现风险工单，差评少了很多。”
可复用场景
电商客服的全量质检
售后工单的智能分派
退换货流程的自助化