25.4 智能客服机器人：多轮对话 + 知识库 + 人工兜底

智能客服是 RAG 最典型的落地场景之一。用户带着具体问题而来，期望得到准确、快速、有上下文的回答，而机器人需要在复杂多变的对话中保持连贯，同时确保自己不胡说、能兜底。一个成熟的智能客服系统通常由三个核心能力构成：多轮对话管理、知识库检索和人工无缝兜底。

25.4.1 多轮对话：让机器人记住“前面说了什么”

真实客服很少一轮就结束，用户常会追问、补充或切换话题。多轮对话管理的目标，是让机器人理解当前问题在整段对话中的位置，而不是孤立地对待每一句提问。

实现要点：

对话历史维护：将最近的数轮对话（用户问题 + 系统回答）作为上下文，在每次调用 LLM 时一并提交。通常会限制窗口长度，比如保留最近 6~8 轮，防止 token 超限。
关键信息抽取与填充：对于需要多步确认的任务（如查询订单需手机号和订单号），可以用槽位填充机制，将用户上一轮提供的信息保存下来，补充到当前轮的提示中。
话题切换与消歧：用户说完“换一个产品呢？”，系统需要根据对话历史把“换”替换为上一轮提及的产品类别，或者主动问“您想查询哪个产品？”。

真实示例：

用户：我的订单怎么还没到？
机器人：请提供您的订单编号，我帮您查一下。
用户：JD20240508001
机器人：该订单已于5月10日签收，签收人：张先生。您是否未收到？
用户：不是我本人签的。
机器人：根据后台记录，包裹由物业代收。建议您先联系物业确认。如需退货，我可以帮您发起申请。

机器人通过多轮交互，逐步缩小问题范围，而不是一次性给出一大段可能不相关的说明。

25.4.2 知识库：回答“理”从何来

客服场景中，绝大部分固定答案都来自已有文档：退换货政策、保修条款、产品参数、活动规则等。这正是 RAG 的用武之地。

集成方式：

文档分片与索引：将客服常用资料（政策、FAQ、产品说明）切分后存入向量数据库。可对标题、摘要、正文分别建索引，提高检索命中率。
检索策略调优：
使用多路召回：关键词检索（BM25）与向量语义检索结合，应对精确术语查询和模糊语义查询。
对于短查询（如“退货几天到账？”），可自动补充上下文词，提高召回率。
设置相似度阈值，低于该阈值时判定为未知问题，避免强行回答。
答案生成控制：提示词中明确要求“根据提供资料生成回答，并在末尾用【来源：xxx】标注出处”。知识库的回答可附带链接，用户点击即可查看原文。

实际效果：

当用户咨询“7天无理由退货从哪天开始算？”，系统检索到《售后政策》中的精确条款，回答：“自签收商品次日起计算 7 个自然日，期间可以申请无理由退货【来源：退换货政策第 2.3 条】”。既回答了问题，又给了用户自行核查的依据。

25.4.3 人工兜底：在机器“不确定”时平稳交接

即使知识库覆盖得再全，也总有意料之外的问题：情绪激动的用户、极端个案、需要权限操作的情况等。人工兜底机制是保障体验和风险控制的最后防线。

触发人工的典型规则：

低置信度问题：当检索相似度低于预设值，或 LLM 连续两次表示“无法回答”，自动转人工。
敏感话题或负面情绪：检测到投诉、退款威胁、辱骂等关键词，或情感分析为强烈负面时，直接转接。
用户主动请求：识别“转人工”“找人工客服”“叫你们经理”等意图。
特定操作要求：修改订单、取消付款、提供个人敏感信息等需要权限的操作，强制转接人工。

交接流程设计：

会话摘要传递：转接时，将已产生对话生成一段结构化摘要（用户问题、已提供信息、尝试过的解决步骤、当前焦点），随转接请求一起发给人工客服，避免用户重复描述。
响应及时：机器人转接后立即告知预计等待时间，或提供留言功能。
可回扶：人工处理结束后，可选择将新产生的解决方案写回知识库草稿，审批后下次机器人可自动应答，形成闭环。

实现示例（示意框架）：

def should_handoff(user_input, confidence, sentiment):
    if sentiment < -0.5:
        return True, "检测到负面情绪"
    if confidence < 0.7:
        return True, "回答置信度不足"
    if any(kw in user_input for kw in ["转人工", "投诉"]):
        return True, "用户明确要求"
    return False, None

25.4.4 三者协同的全景

一次典型的对话流转可能是这样：

知识库驱动回答：机器人根据知识库回答一般性咨询。
多轮补充信息：若问题模糊，机器人主动追问，维护对话历史。
兜底触发转接：当机器人认为自己无法妥善处理时，生成对话摘要，通知用户并转接人工。
回到知识库：人工解决后，系统记录典型案例，丰富知识库，使机器人逐渐覆盖更多长尾场景。

这套组合让智能客服既不完全依赖冷冰冰的检索，也不把压力全抛给大模型的一次性回答，更不会在遇到难题时“死撑”或崩溃。它实现了在可控成本下，提供越来越好的自助服务，同时守住用户体验与业务风险的下限，是当前智能客服系统被广泛采纳的实用框架。