AI客服+知识库概述

type

status

date

slug

summary

1 概述

本篇主要讲解了 AI 客服领域中的一些基础概念，解决以下问题:

客服领域的业务模式是怎么样的？

客服的知识库有哪些类型，如何构成？

如何使用知识库完成客服工作？

AI 客服关注的指标有哪些？

2 服务场景

客服：利用企业知识为客户提供咨询服务

传统客服：通过人工将知识转化为服务

AI 客服：利用 AIGC 技术将知识转化为服务

3 知识库

知识：企业生产、销售过程中的各项信息的合集。例如产品信息，使用手册，售后策略等等，企业内往往包含大量的知识，进而构成不同类型的知识库。

知识库：知识构成的集合，知识库可以根据内容结构和使用场景不同，分成多个类型。

3.1 按场景分

3.1.1 临时知识库

用于解决生产过程中的突发事件，例如天气变化，政策变动，热点事件等。

在应答时，临时知识库一般先于核心知识库被对话引擎调用，且在相似度阈值等参数设定上要求更为严格。

相似度阈值：指两个文本片段之间相似性，简单理解就是：用户必须提出更明确的问题，才会使用临时知识库中的语料进行回答

3.1.2 核心知识库

是AI客服系统的基础，包含企业或组织最常见、最核心的信息，长期稳定且频繁被用户查询的，如产品功能、服务流程、常见问题解答。

3.1.3 长尾知识库

长尾知识库针对的是那些不经常被问到，但仍然重要的问题或信息，此类问题往往比较复杂，需要结合大量信息作出回复判断。

例如系统判断某个用户存在刷单行为，直接封禁。用户在咨询的时候既要解释清楚目前状况和对应解决措施，又不应该透露过多封禁规则，并且语气不能太过强硬，避免误伤正常客户。

3.2 按结构分

3.2.1 QA 类结构知识库

知识库中包含大量的问题和回答，通过文本匹配找到用户提出的问题，给出固定回答。

问题：如何重置我的密码？答案：点击登录页面的“忘记密码？”链接，按照提示操作即可。

3.2.2 KBQA 类半结构知识库

相较于固定的 QA 知识库，KBQA 往往能结合多个问题和相关信息给出回答

问题：这款相机的电池寿命如何？思考过程：知识库中可能有一个表格列出了不同相机型号的电池寿命。系统识别出问题中的关键词“相机”和“电池寿命”。系统在知识库中找到与这款相机相关的电池寿命数据。如果除了电池寿命外，还有用户评价提到电池使用感受，系统可能会将这些信息综合起来。系统理解用户可能关心电池寿命是否能满足日常拍摄需求。答案：系统生成一个答案，如：“这款相机的电池在标准使用情况下可以拍摄约500张照片。根据用户评价，电池性能被认为是优秀的，能满足大多数日常拍摄需求。”

3.2.3 状态机类知识库

根据既定流程，引导用户选择特定状态，进而完成回答

问题：如何退货
给出用户选项：选择退货原因
产品损坏：回答用户损坏的退货流程
尺寸不合适：回答用户尺寸不合适的退货流程

3.2.4 基于数据挖掘的非结构类知识库

非结构信息：指文档，网页，图片，视频等没有固定格式的数据

非结构类知识库：指由非机构信息构成的知识库，可能包含产品使用教程视频，说明书图解，过往咨询的音频数据等等

一般用于回答复杂或开放性的问题

4 如何构建知识库

在构建知识库过程中，需要将企业内部的各种信息资源（如文档、FAQ、技术手册、用户反馈等）进行提取、整理、结构化和存储，使其转化为能够被 AI 系统理解和使用的知识。根据构建知识库的场景不同，可以分为事前转化和事后转化。

4.1 事前转化

定义：

在构建新的业务场景或重构现有场景时，提前进行知识的整理和结构化。

目标：

创建结构化、完整的客服应答方案，形成业务蓝图。

挑战：

严重依赖经验，难以一次性梳理完整，人员与时间成本高。

优点：

提供系统性和完整性的知识库基础。

4.2 事后转化

定义：

在业务运行过程中，根据实际情况和用户反馈，对知识库进行持续优化和补充。

目标：

确保知识库内容的时效性和覆盖面，提升智能客服的应答能力。

实施策略：

生产端入手：

来源：从人工客服的知识库、邮件等非正式渠道获取知识。

工具：依赖机器阅读工具，将新增知识点转化为简易 QA 或知识图谱，再由训练师完善。

消费端入手：

来源：从实际应答的聊天日志中获取知识。

工具：通过日志挖掘工具，发现知识盲区和可用回答，训练师更新知识库。

优点：

灵活性高，可根据实际需求进行实时调整和优化。

补充知识盲区，提高知识库的覆盖面和准确性。

挑战：

需要有效的工具和方法来处理和利用非结构化数据。

持续的投入和维护，确保知识库的动态更新。

4.3 小结

知识转化机制通过事前转化和事后转化相结合，确保 AI 智能客服系统能够提供高效、准确和个性化的客户服务

其中事前转化更依赖人工经验，根据业务流程绘制业务蓝图，而事后转化目前无有效措施，属于未来 AI 可以发力的重点领域

5 如何运用知识库

为了将知识库中的信息转化为用户可理解的对话，并根据预定义的对话流程和用户的实时反馈，生成合适的应答，需要使用【对话引擎】，并且不同框架引擎的工作内容不同。

5.1 对话引擎

框架类型	定义	优点	缺点	适用场景
检索式对话引擎	通过从预先定义的应答库中检索出最合适的回答	实现简单、响应速度快、易于维护	依赖预定义的应答库，无法生成新的回答，灵活性有限	常见问题解答（FAQ）、简单客服任务、基本信息查询
填槽式对话引擎	通过识别用户意图和提取关键信息（槽位），生成针对性的应答	能处理多轮对话，支持复杂的对话场景，准确性高	需要预定义槽位和意图，初始设置复杂，维护难度大	需要收集多个用户输入的任务（如预约、订购）、复杂客服流程、多轮交互场景
生成式对话引擎	通过生成模型（如GPT-3等），根据上下文动态生成回答	应答灵活，能够生成自然语言，处理未知问题	计算资源消耗大，生成内容的可控性较低，训练复杂	需要高自然度和灵活性的对话、复杂的开放领域对话、创意和内容生成任务

5.2 工作流程

环节	检索式对话引擎	填槽式对话引擎	生成式对话引擎
1 用户输入	支持文本、语音、图像等多模态输入	同	同
2 用户身份识别与个性化服务	根据用户账户信息识别用户身份，提供个性化服务	同	同
3 对话管理（DM）	会话状态管理，动态知识更新，保证会话上下文之间存在关联	同	同
3-1 自然语言处理（NLP）	意图识别，情绪感知	同	同
3-2 意图澄清与引导	提供预设的澄清问题，帮助用户明确需求	根据预定义的槽位和意图进行进一步引导	动态生成澄清问题，更加自然和灵活
3-3 知识库	预定义应答库，结构固定	结合槽位信息的知识库，适应复杂业务场景	包括更多语料和示例的知识库，支持动态生成
3-4 业务应答	直接从应答库中检索预定义的答案	根据用户提供的槽位信息生成针对性回答	根据上下文和用户输入动态生成自然语言回答
3-5 话术处理	使用预定义的多套话术，循环输出，避免重复	根据槽位信息选择不同的话术模板，提供多样化回答	动态生成话术，更加自然，但需要注意控制生成内容的质量和一致性
4 用户反馈收集与学习	收集用户反馈，分析优化对话引擎和知识库	同	同