1 前言

2 進(jìn)化之路：從構(gòu)想到落地

2.1 技術(shù)路線選擇——NLP 還是 AIGC？

2.2 模型構(gòu)建與訓(xùn)練——厚積薄發(fā)

2.3 穩(wěn)扎穩(wěn)打——線上灰度與數(shù)據(jù)驗(yàn)證

3 總結(jié)

1.前言

轉(zhuǎn)轉(zhuǎn)2015年上線后，機(jī)器人客服系統(tǒng)歷經(jīng)多年，完成了三次重要版本迭代。但核心NLP（自然語(yǔ)言處理）能力一直依賴外部廠商，資源受限，一直沒(méi)有完成突破。

2024年，迎來(lái)了技術(shù)與資源雙重條件成熟的關(guān)鍵時(shí)機(jī)——借助AI技術(shù)東風(fēng)，公司加大了AI投入，將客服列為重點(diǎn)突破方向。得益于業(yè)務(wù)和系統(tǒng)持續(xù)的沉淀，抓住機(jī)遇，轉(zhuǎn)轉(zhuǎn)客服機(jī)器人系統(tǒng)（MOSS系統(tǒng)）快速完成了核心NLP能力的全面自研，目前已經(jīng)達(dá)到徹底擺脫對(duì)外部廠商的依賴目標(biāo)，實(shí)現(xiàn)了客服智能化能力的質(zhì)的飛躍。

圖片

2.進(jìn)化之路：從構(gòu)想到落地

2.1 技術(shù)路線選擇——NLP 還是 AIGC？

在AI技術(shù)飛速迭代的背景下，主流企業(yè)級(jí)客服機(jī)器人大多仍選擇以成熟、工程化完善的NLP（自然語(yǔ)言處理）技術(shù)作為基石。我們的選擇也基于以下幾點(diǎn)關(guān)鍵考量：

• 強(qiáng)可控性： 標(biāo)準(zhǔn)客服場(chǎng)景要求回復(fù)精準(zhǔn)、流程清晰、可解釋，需要避免大語(yǔ)言模型（LLM/AIGC）可能帶來(lái)的“幻覺(jué)”和不可控輸出風(fēng)險(xiǎn)。
• 低成本高效： NLP模塊訓(xùn)練通常僅需數(shù)千條標(biāo)注數(shù)據(jù)即可達(dá)到較高識(shí)別率，其投入成本遠(yuǎn)低于對(duì)LLM進(jìn)行深度調(diào)整和優(yōu)化的方案。
• 即時(shí)維護(hù)性： 業(yè)務(wù)規(guī)則變化時(shí)，知識(shí)庫(kù)可通過(guò)配置平臺(tái)快速更新，響應(yīng)敏捷，確保服務(wù)時(shí)效性。

雖然AIGC在開放對(duì)話上展現(xiàn)出強(qiáng)大魅力，但在模型幻覺(jué)、高資源消耗、知識(shí)更新滯后等問(wèn)題尚未完全解決前，為了滿足轉(zhuǎn)轉(zhuǎn)客服對(duì)強(qiáng)規(guī)則、高準(zhǔn)確性的嚴(yán)格要求，我們堅(jiān)定選擇了成熟的NLP技術(shù)作為識(shí)別用戶問(wèn)題的核心引擎。

同時(shí)，針對(duì)用戶模糊提問(wèn)（如“好的”、“你再說(shuō)一遍”、“然后呢”）和超出預(yù)設(shè)范圍的問(wèn)題，我們引入了RAG（檢索增強(qiáng)生成）模型。RAG結(jié)合用戶當(dāng)前對(duì)話上下文對(duì)問(wèn)題進(jìn)行智能改寫，并精準(zhǔn)檢索內(nèi)部知識(shí)庫(kù)，生成更貼近意圖的答案，顯著提升了機(jī)器人的上下文理解和解答能力。

技術(shù)路線

2.2 模型構(gòu)建與訓(xùn)練——厚積薄發(fā)

客服領(lǐng)域天然積累了海量結(jié)構(gòu)化知識(shí)和豐富的用戶交互歷史數(shù)據(jù)，這為構(gòu)建強(qiáng)大的自研模型奠定了堅(jiān)實(shí)基礎(chǔ)。

目前，我們的機(jī)器人客服系統(tǒng)已沉淀了大量標(biāo)準(zhǔn)問(wèn)答知識(shí)條目和相似問(wèn)題數(shù)據(jù)。經(jīng)過(guò)算法團(tuán)隊(duì)的充分驗(yàn)證和比較，最終選擇了業(yè)界驗(yàn)證效果卓越的預(yù)訓(xùn)練模型BERT來(lái)構(gòu)建核心知識(shí)向量庫(kù)。

訓(xùn)練環(huán)節(jié)我們擁有獨(dú)特優(yōu)勢(shì)：過(guò)往幾年使用第三方服務(wù)過(guò)程中，通過(guò)持續(xù)的算法優(yōu)化和訓(xùn)練師調(diào)優(yōu)，我們?cè)诰€上積累了千萬(wàn)級(jí)別的語(yǔ)義識(shí)別高質(zhì)量數(shù)據(jù)，這成為我們自研模型的寶貴“養(yǎng)料”。利用這些數(shù)據(jù)，我們能夠快速完成自研模型的訓(xùn)練和參數(shù)調(diào)優(yōu)。再輔以訓(xùn)練師的精準(zhǔn)標(biāo)注糾錯(cuò)和針對(duì)線上bad case的定向優(yōu)化，轉(zhuǎn)轉(zhuǎn)自研的NLP模型在短時(shí)間內(nèi)快速崛起，其性能迅速趕超了原使用的廠商模型。

強(qiáng)大的模型能力離不開豐富且高質(zhì)量的知識(shí)庫(kù)支撐。業(yè)務(wù)迭代發(fā)展中，用戶的問(wèn)題也在持續(xù)變化。為了不斷提升機(jī)器人客服的服務(wù)質(zhì)量，突破知識(shí)庫(kù)覆蓋面的瓶頸，我們?cè)O(shè)計(jì)了一套動(dòng)態(tài)知識(shí)提煉流程。

運(yùn)用大模型對(duì)機(jī)器人與人工會(huì)話日志進(jìn)行智能分析，提煉潛在的新知識(shí)建議，再由訓(xùn)練師進(jìn)行專業(yè)分析、優(yōu)化和審核，源源不斷地完善知識(shí)庫(kù)內(nèi)容，確保知識(shí)庫(kù)的時(shí)效性和覆蓋面。

知識(shí)提煉

2.3 穩(wěn)扎穩(wěn)打——線上灰度與數(shù)據(jù)驗(yàn)證

模型的“畢業(yè)考試”——正式上線前，嚴(yán)謹(jǐn)?shù)尿?yàn)證不可或缺。我們首先抽取了一批新產(chǎn)生的真實(shí)用戶提問(wèn)數(shù)據(jù)，在線下對(duì)自研模型進(jìn)行了充分的“模擬考”（數(shù)據(jù)測(cè)試），確認(rèn)效果達(dá)標(biāo)后才允許“上戰(zhàn)場(chǎng)”。

同時(shí)，我們對(duì)機(jī)器人客服系統(tǒng)架構(gòu)進(jìn)行了關(guān)鍵升級(jí)，支持了NLP模型的靈活配置和流量切分。這意味著我們可以隨時(shí)切換不同模型進(jìn)行A/B測(cè)試，或者在發(fā)現(xiàn)問(wèn)題時(shí)快速回滾，實(shí)現(xiàn)了模型的無(wú)縫切換和業(yè)務(wù)零中斷的風(fēng)險(xiǎn)控制。

至此，我們上線了完全轉(zhuǎn)轉(zhuǎn)自研的機(jī)器人客服系統(tǒng)：

1. 精準(zhǔn)識(shí)別： 用戶發(fā)起咨詢后，機(jī)器人首先利用自研NLP模型快速匹配對(duì)應(yīng)的標(biāo)準(zhǔn)問(wèn)題。
2. 數(shù)據(jù)融合： 基于識(shí)別結(jié)果，機(jī)器人動(dòng)態(tài)調(diào)用各業(yè)務(wù)系統(tǒng)API，實(shí)時(shí)獲取用戶的訂單、服務(wù)狀態(tài)等精準(zhǔn)業(yè)務(wù)數(shù)據(jù)。
3. 智能生成與適配： 結(jié)合業(yè)務(wù)數(shù)據(jù)和應(yīng)用場(chǎng)景，系統(tǒng)生成最佳匹配的答案模板，并靈活運(yùn)用占位符填充、配置自助操作按鈕、適配轉(zhuǎn)人工規(guī)則等方式，完成答案的最終組裝和個(gè)性化適配。
4. 模糊與未知處理： 對(duì)于“好的”、“請(qǐng)重復(fù)一遍”等模糊回應(yīng)或語(yǔ)義不明輸入，系統(tǒng)會(huì)調(diào)用RAG引擎關(guān)聯(lián)上下文進(jìn)行意圖補(bǔ)充/改寫后重新匹配；對(duì)于NLP未能覆蓋的未知問(wèn)題，則同樣通過(guò)RAG模型整合知識(shí)庫(kù)信息直接生成回復(fù)。
5. 知識(shí)庫(kù)提取和訓(xùn)練：通過(guò)大模型對(duì)歷史會(huì)話持續(xù)分析提取，不斷完善機(jī)器人知識(shí)庫(kù)。

問(wèn)答流程

3.總結(jié)

從依賴第三方到實(shí)現(xiàn)全棧自研，轉(zhuǎn)轉(zhuǎn)機(jī)器人客服的此次升級(jí)不僅是一次核心技術(shù)的躍遷，更是追求“自主可控”戰(zhàn)略目標(biāo)的重要里程碑。通過(guò)審慎選擇以NLP為核心、RAG能力為補(bǔ)充的實(shí)用技術(shù)路線，依托我們深厚的客服數(shù)據(jù)積累、高效的模型訓(xùn)練驗(yàn)證策略以及動(dòng)態(tài)優(yōu)化的知識(shí)庫(kù)體系，我們成功構(gòu)建了高精度、強(qiáng)可控、維護(hù)便捷的智能客服基石。

未來(lái)，隨著自研能力的持續(xù)深耕和前沿AI技術(shù)的有效融入，轉(zhuǎn)轉(zhuǎn)機(jī)器人客服將持續(xù)進(jìn)化，不斷提升用戶體驗(yàn)和客服效率，為公司業(yè)務(wù)的高質(zhì)量發(fā)展提供更加智能、可靠的技術(shù)支撐。

關(guān)于作者

李帥，轉(zhuǎn)轉(zhuǎn)履約中臺(tái)研發(fā)工程師，主要負(fù)責(zé)客服方向業(yè)務(wù)