← 返回实战项目列表 产品方案知识工程链路设计质量闭环工程策略
匿名化案例🎧 智能客服RAG 知识库2024.11 - 2025.04
智能客服助手
RAG 知识库驱动的电商客服方案
电商客服需要重复处理产品咨询、订单查询、售后政策与规则问答；FAQ、产品手册、售后政策等知识分散、更新不统一，订单与物流信息又依赖业务系统实时查询。
原有规则机器人难以理解复杂表达，也无法灵活覆盖多类型问题——这正是本项目的起点。
Key Judgement · 关键判断
关键不是让所有问题都直接调用大模型，而是按问题类型和业务风险，在规则响应、RAG 知识问答、业务接口查询与人工处理之间做选择，在回答覆盖、可靠性与模型成本之间取得平衡。
产品原型
智能客服工作台 · 分流与质检示意
智能客服助手
● 7×24 在线AI 接待 70%+4 路分流
当前 AI 接待率 70%+ · 42 路会话进行中
规则响应 / RAG 检索 / 业务接口 / 人工兜底 四路分流，低置信度自动转人工
查看会话 →70%+
高频咨询覆盖
4 路
问题分流
7×24
自动响应
1.2s
平均响应
周一
周二
周三
周四
周五
周六
今日
实时会话 · 分流路径
⚙️
运费规则咨询 · 规则响应 · 秒级应答
已解决
🔎
产品比较 / 使用方法 · RAG 检索问答
已解决
🔗
订单 / 物流状态 · 身份校验后接口查询
需校验
👤
复杂售后判断 · 低置信度转人工
转人工
✓
退换货政策咨询 · 知识库命中 · 已解答
已解决
核心指标
70%+
机器人接待覆盖率
高频重复咨询范围
7×24
自动响应
全天候不间断
4 路
问题分流策略
规则·RAG·接口·人工
↓
模型调用成本
规则优先 + 分级
核心模块
我负责设计与落地的关键环节
01
🧭场景梳理与分流策略
梳理售前咨询、订单物流、售后政策与规则问答等场景，明确运费及标准流程用规则响应、复杂知识用 RAG、订单物流走业务接口、低置信度转人工，形成清晰的分流边界。
02
📚知识库构建与向量化
推动 FAQ、产品手册与售后政策清洗、切片、标签、版本管理与向量化入库，保证知识统一更新、可追溯，解决分散与不统一问题。
03
🔀意图识别与问答链路
设计端到端问答链路（意图识别 → 检索 → 生成 → 可靠性判断 → 人工兜底），让每类问题落到合适处理方式，而非一概交给大模型。
04
🧪离线评测与迭代
构建离线测试样本，分别评估知识召回与最终回答质量，结合错误案例迭代知识内容、切片策略、提示词与分流规则。
05
💡成本与可靠性控制
通过规则优先、检索结果复用、上下文长度控制与模型分级，减少不必要的大模型调用，控制成本与不确定回答带来的业务风险。
问题分流架构
按类型与风险选择处理方式
💬
问题入口产品/订单/售后/规则→
🧭
意图识别与风险分级判断问题类型📋
规则响应运费/标准流程→
🔎
RAG 知识问答复杂知识检索→
🔗
业务接口查询身份校验后→
👤
人工兜底低置信度触发答案生成后进行可靠性判断（置信度兜底），低置信度自动转人工，而非一概交给大模型。
质量闭环
离线样本评测 → 错误定位 → 知识/策略迭代 → 回归验证
🧪 构建测试样本覆盖多场景问答
→
🔎 评估知识召回检索命中率
→
✍️ 评估回答质量准确性 + 口径
🏷️ 定位错误 case知识/切片/提示词
→
🔄 迭代策略内容/切片/分流
→
✅ 回归验证质量不退化
改造前后对比
改造前
- 规则机器人难理解复杂表达
- 知识分散、更新不统一
- 订单物流依赖人工查系统
- 多类型问题无法灵活覆盖
- 模型调用无节制、成本高
- 回答质量不稳定
➜
改造后
- 按类型分流，复杂表达可理解
- 知识统一入库、版本可控
- 订单物流身份校验后自动查
- 低置信度自动转人工兜底
- 规则优先 + 分级，成本可控
- 70%+ 高频咨询自动接待