去年年底接了个活客户是做电商的每天微信咨询量上千条客服团队八个人还忙不过来。客户原话是能不能搞个 AI 客服能答的 AI 答答不了的再转人工听起来简单做起来全是坑。第一版我直接接了个大模型 API让 AI 自由发挥答客户问题。结果翻车了——AI 答得倒是流畅但经常编产品参数价格报错库存胡说客户差点被它坑出投诉。第二版我加了知识库检索好了一些但遇到改订单地址这种需要操作的动作AI 只能干瞪眼。第三版才真正落地分了三种模式按场景跑人工成本硬生生降了 60%。今天就把这三种 AI 智能客服新模式讲清楚。我是基于 Eyun平台 做的微信侧对接AI 那层用的是大模型 API下面的方案都有实际跑通的验证。一、AI预处理人工兜底性价比最高的入门方案实现思路这是最基础也最实用的模式。核心就一句话AI 先答答不了的转人工。具体流程是用户消息进来先过一层意图识别判断是常见问题还是复杂问题。常见问题比如发货时间怎么退货支持什么支付直接走 AI 知识库检索秒回。复杂问题或者 AI 置信度低于阈值的无缝转人工客服。关键点是置信度判断。AI 回答时给个置信度分数低于 0.7 的不要硬答直接转人工。宁可慢一点也别答错。技术架构用户消息 → 意图识别 → [常见问题] → 知识库检索 → AI生成回复 → 返回用户 → [复杂问题] → 转人工队列 → 人工客服处理消息接入用 Eyun 做微信侧的回调接收AI 层用的是大模型 API 向量数据库做知识检索转人工那层用 RabbitMQ 做消息分发 官方文档我用的 work queue 模式多个客服消费同一个队列。效果数据这套方案上线后客户那边的数据AI 独立解决率78%常见问题基本全覆盖平均响应时间从原来的 2 分钟降到 8 秒人工客服从 8 人减到 4 人剩下的专注处理复杂问题人工成本降幅约 50%二、Agent多轮对话能干活的AI客服实现思路第一种模式有个硬伤——AI 只能说不能做。客户问把我订单的收货地址改成XX路XX号AI 只能告诉你怎么改不能真去改。Agent 多轮对话模式就是来解决这个问题的。AI 不只是回答问题而是理解用户意图后调用对应的工具去执行操作。比如改地址这个场景AI 理解用户想改地址 → 调用查询订单工具确认有这个订单AI 问用户新地址 → 用户回复AI 调用修改地址工具 → 系统执行修改AI 把修改结果反馈给用户并确认是否正确整个过程 AI 自主决策走几步、调什么工具这就是 Agent 的核心。比起单轮问答它能完成真正的业务流程。技术架构这块比第一种复杂不少意图理解层大模型解析用户每句话的意图工具注册层把系统能力封装成工具查订单、改地址、查物流、发优惠券...执行引擎AI 决策调用哪个工具执行后把结果喂回 AI 继续判断状态管理多轮对话要记住上下文用 Redis 存对话状态最难的是工具调用的可靠性。AI 偶尔会幻觉调一个不存在的工具或者参数传错。我的做法是每个工具都做强校验参数不对直接拒绝并让 AI 重新决策别让错误往下传。效果数据这套方案在客户的售后场景跑起来后售后类问题 AI 独立处理率62%改地址、查物流这类操作型请求AI 全自动完成占比 55%客户满意度反而比纯人工高响应快、24小时在线综合人工成本再降 10%总降幅到 60%三、多模态客服看图说话的AI实现思路前两种都只处理文字但客户实际咨询时经常发图片——这个产品有划痕包装是这样的是不是正品这个按钮怎么按不动。纯文字 AI 根本处理不了。多模态模式让 AI 同时理解文字、图片甚至语音。用户发张产品照片AI 用多模态模型识别产品型号、判断问题类型再结合知识库给出方案。这个场景的坑在于多模态模型对图片的理解还不够精准尤其是细节问题。我的处理方式是 AI 先做初步判断拿不准的让用户补充文字描述或者直接转人工带上 AI 的初步分析结果帮人工客服省时间。技术架构消息接入层Eyun平台 接收微信消息识别消息类型文字/图片/语音多模态处理层图片走视觉模型识别语音走 ASR 转文字再统一丢给大模型处理知识检索层结合识别结果查知识库找到对应产品的常见问题回复生成层AI 综合所有信息生成回复效果数据图片类咨询 AI 初步识别准确率71%这类问题平均处理时间从人工的 5 分钟降到 AI 的 30 秒人工客服处理图片类问题时有 AI 初步分析辅助效率提升 40%四、三种模式对比模式AI能力实现难度成本降幅适用场景AI预处理人工兜底只答不做低50%常见问题咨询、入门级需求Agent多轮对话能答能做高60%售后操作、业务流程自动化多模态客服看图听音中40%图片咨询、产品问题识别五、AI预处理路由的代码实现这是第一种模式里最核心的部分——意图识别和路由分发。用户消息进来判断走 AI 还是转人工def route_customer_message(user_msg, openid): # 1. 意图识别判断是常见问题还是复杂问题 intent_result classify_intent(user_msg) intent intent_result.get(intent) confidence intent_result.get(confidence, 0) # 2. 置信度低于阈值直接转人工别让AI硬答 if confidence 0.7: transfer_to_human(openid, reason置信度不足, intentintent) return {action: human, msg: 正在为您转接人工客服} # 3. 常见问题走AI知识库 if intent in [发货咨询, 退换货, 支付问题, 产品参数]: reply generate_ai_reply(user_msg, intent) # 记录AI处理结果方便后续优化 log_ai_interaction(openid, user_msg, reply, intent, confidence) return {action: ai, msg: reply} # 4. 兜底识别不了的一律转人工 transfer_to_human(openid, reason意图未识别, raw_msguser_msg) return {action: human, msg: 正在为您转接人工客服}这段代码的关键是两个兜底置信度不够转人工意图识别不了也转人工。宁可多转几个给人工也别让 AI 答错。AI 答错的代价远大于转人工的代价——答错了客户投诉转人工顶多客户等久一点。六、结尾别想着一步到位这三种模式我是一步步迭代上来的不是一开始就规划好的。第一版只做了 AI 预处理跑稳了才加 Agent最后才上多模态。每一步都看数据说话哪种问题多就优化哪种。给你的建议从最简单的模式起步AI预处理人工兜底先跑通验证 AI 能不能答对数据攒够了再上 Agent多轮对话需要大量意图样本训练冷启动效果差多模态按需上如果业务里图片咨询占比不到 20%没必要折腾AI 客服不是噱头但也不是万能药。选对模式、控制好边界它真能省人放任 AI 自由发挥它能把客户都气跑。具体的接入细节我参考了 Eyun开发文档消息收发那层封装得挺干净省了不少事。有在做 AI 客服的同学欢迎评论区交流踩坑经验。