在數(shù)字化轉(zhuǎn)型的浪潮中，智能客服已成為企業(yè)提升服務(wù)效率和客戶滿意度的關(guān)鍵工具。然而，許多企業(yè)在搭建智能客服系統(tǒng)時(shí)，往往忽視了運(yùn)營(yíng)分析這一重要環(huán)節(jié)。本文將從實(shí)戰(zhàn)經(jīng)驗(yàn)出發(fā)，深入探討智能客服搭建的第一步——運(yùn)營(yíng)分析，供大家參考。

從業(yè)務(wù)上看，對(duì)于大多數(shù)企業(yè)來說，原來都設(shè)置了客服部門，所以企業(yè)構(gòu)建智能客服，并不是完全“從0到1”的過程。并且在短期內(nèi)AI智能客服并不能100%替代人工客服，很長(zhǎng)一段時(shí)間可能是AI智能客服和人工客服交互協(xié)作，來支持企業(yè)與客戶/經(jīng)銷商/相關(guān)合作方的溝通。

從技術(shù)趨勢(shì)上看，在人工智能時(shí)代，由于智能客服能在一定程度上降本增效，且不受時(shí)間限制提供服務(wù)，對(duì)客服部門的工作方式產(chǎn)生了沖擊，現(xiàn)階段的主流是人工智能客服+人工客服協(xié)作為客戶提供服務(wù)的模式，即一種“錦上添花“的模式。

那么基于這種條件假設(shè)，如何更加有效的搭建智能客服，我想不能僅僅從設(shè)計(jì)一款A(yù)I智能客服產(chǎn)品來思考，第一步甚至應(yīng)該從AI智能客服運(yùn)營(yíng)出發(fā)來思考。運(yùn)用好企業(yè)過往歷史的人工客服階段的運(yùn)營(yíng)數(shù)據(jù)，以此來定位客服業(yè)務(wù)的核心場(chǎng)景痛點(diǎn)，并識(shí)別出哪些場(chǎng)景適合人工客服，哪些場(chǎng)景適合AI智能客服，原來的人工客服的問題解決率、平均通話/回復(fù)時(shí)長(zhǎng)等核心數(shù)據(jù)是多少，在同類場(chǎng)景下AI智能客服的指標(biāo)KPI需要是多少，能否達(dá)到，并根據(jù)運(yùn)營(yíng)數(shù)據(jù)，不斷調(diào)整人工客服和AI智能客服的場(chǎng)景分工和KPI目標(biāo)。

主流的ai客服產(chǎn)品好比菜譜，菜譜大同小異，但是結(jié)合行業(yè)和公司特點(diǎn)的ai智能客服和運(yùn)營(yíng)好比炒菜的火候。

01 智能客服上線前的核心工作內(nèi)容

下面推測(cè)一下，智能客服運(yùn)營(yíng)相關(guān)的重要工作，可能包括但不限于場(chǎng)景識(shí)別、考核指標(biāo)設(shè)計(jì)、投資回報(bào)復(fù)盤、持續(xù)參與會(huì)話、FQA、TASK、知識(shí)庫語料等相關(guān)工作，下面選取部分內(nèi)容進(jìn)行詳細(xì)方向說明。

1.1 定位現(xiàn)狀+場(chǎng)景識(shí)別

定位現(xiàn)狀：我們可以采用定量和定性結(jié)合的方式來確定，對(duì)于大部分企業(yè)來說，以往會(huì)有一定的人工客服的管理統(tǒng)計(jì)數(shù)據(jù)，那么我們可以根據(jù)過往的管理數(shù)據(jù)進(jìn)行分析，并從外部市場(chǎng)進(jìn)行對(duì)比分析，以明確客服管理的總體現(xiàn)狀。例如：

場(chǎng)景識(shí)別：進(jìn)行場(chǎng)景識(shí)別，厘清業(yè)務(wù)痛點(diǎn)，根據(jù)過往客服運(yùn)營(yíng)數(shù)據(jù)識(shí)別適用的場(chǎng)景。接下來，我們可以根據(jù)更詳細(xì)的客服運(yùn)營(yíng)數(shù)據(jù)，擬定我們的業(yè)務(wù)運(yùn)營(yíng)指標(biāo)，這里的出發(fā)點(diǎn)，就是厘清在業(yè)務(wù)場(chǎng)景中，哪些場(chǎng)景是可以使用智能客服的，這些適合智能客服場(chǎng)景中，適用人工客服和智能客戶的目標(biāo)比例分別是多少，考核指標(biāo)分別是多少。我們可以結(jié)合自己的客服運(yùn)營(yíng)管理方式進(jìn)行痛點(diǎn)分析、場(chǎng)景識(shí)別數(shù)據(jù)分析。這里我們以呼入/呼出場(chǎng)景舉例（以下僅提供分析思路，需結(jié)合各自行業(yè)和業(yè)務(wù)進(jìn)行分析，切勿盲目套用）。

一款产品无到有，产品经理需要做些什么？

在一个产品从无到有的过程中，要做好产品经理这个角色实在是不容易，除了大家都知道的写需求、写需求、写需求，要做的事多着呢。产品经理不是你眼中的只会找你麻烦，提要求..

查看详情 >

呼入/在線：

呼出：

1.2 考核指標(biāo)設(shè)計(jì)

基于前文的分析，我們已經(jīng)事厘清了不同場(chǎng)景下，適用人工客服和智能客服的業(yè)務(wù)場(chǎng)景范圍，那么接下來，我們可以思考以下增加智能客服后，在客戶交互場(chǎng)景模式變化下，如何設(shè)計(jì)考核指標(biāo)。

假設(shè)條件，我們?cè)O(shè)置了大部分場(chǎng)景優(yōu)先AI智能客服解決，那么先接入AI智能客服，當(dāng)AI智能客服無法解決問題的時(shí)候，轉(zhuǎn)人工處理。這里以轉(zhuǎn)人工處理為分水嶺。即所有場(chǎng)景中，可能出現(xiàn)這3種模式。A類，全程由AI智能客服處理。B類，原先設(shè)定AI智能客服處理，但是AI智能客服無法滿足客戶的需求，客戶選擇轉(zhuǎn)人工，由AI智能客服和人工客服配合完成處理。C類，重大緊急的事故，重要VIP客戶，設(shè)置了專屬人工客服處理。

那么針對(duì)A類場(chǎng)景的指標(biāo)數(shù)據(jù)，我們可以將原有的未采用AI智能客服處理的運(yùn)營(yíng)數(shù)據(jù)，和采用AI智能客服的運(yùn)營(yíng)數(shù)據(jù)做對(duì)比。并制定AI智能客服的運(yùn)營(yíng)考核指標(biāo)。

A類 KPI（可考慮按呼入/呼出到場(chǎng)景細(xì)分的統(tǒng)計(jì)，按需）

針對(duì)B類場(chǎng)景，重點(diǎn)分析客戶為什么轉(zhuǎn)人工，進(jìn)行問題分析。有針對(duì)性的提升ai智能客服?？刹捎脙煞N方式，一種的主動(dòng)問詢客戶滿意度數(shù)據(jù)，另外一種是通過監(jiān)測(cè)后臺(tái)指標(biāo)數(shù)據(jù)的方式。

第一種是主動(dòng)問詢客戶獲取滿意度數(shù)據(jù)，快速評(píng)估客戶對(duì)服務(wù)的感知。包括滿意度評(píng)分（csat）、凈推薦值（NPS）等，這里尤其我們要關(guān)注滿意和不滿意的部分，加強(qiáng)優(yōu)勢(shì)，并且分析不滿意的具體原因，并制定針對(duì)性的解決方案。

第二種是后臺(tái)監(jiān)測(cè)指標(biāo)數(shù)據(jù)，這里又可以分為兩類：第一類是可以直接反映AI智能客服的指標(biāo)，例如，首次解決率（FCR）、平均響應(yīng)時(shí)長(zhǎng)（ART）、轉(zhuǎn)人工率、情感分析。另外一類是不能直接反映AI智能客服，但可以間接推測(cè)AI智能客服運(yùn)營(yíng)質(zhì)量的指標(biāo)，例如增益類指標(biāo)：消費(fèi)者滿意度、用戶增長(zhǎng)率、用戶流失率、用戶留存率、營(yíng)銷推廣觸達(dá)率、獲客成本、客戶終身價(jià)值提升率。約束類指標(biāo)：消費(fèi)者投訴率、消費(fèi)者問題一次性解決率、消費(fèi)者問題解決時(shí)長(zhǎng)、客服響應(yīng)時(shí)長(zhǎng)等。

針對(duì)C類場(chǎng)景則是一些極其特殊的場(chǎng)景和重點(diǎn)關(guān)注的場(chǎng)景，這里我們不做過多的贅述。

1.3 知識(shí)庫搭建

對(duì)于大多數(shù)行業(yè)來說，知識(shí)庫是智能客戶運(yùn)營(yíng)的重要工作事項(xiàng)，當(dāng)然部分行業(yè)由于行業(yè)屬性較為特殊，例如法律等行業(yè)，可能偏向采用微調(diào)的模式，也有部分行業(yè)采用微調(diào)+RAG結(jié)合的模式。但對(duì)于需要快速適應(yīng)市場(chǎng)、產(chǎn)品和營(yíng)銷有一定的更新迭代速度，RAG模型顯然是目前較為主流且合適的模式，在RAG模式下知識(shí)庫的搭建和運(yùn)營(yíng)，是智能客服運(yùn)營(yíng)的重要工作內(nèi)容之一，包括可能會(huì)參與知識(shí)庫的期初調(diào)研和設(shè)計(jì)，以及后續(xù)知識(shí)庫的管理運(yùn)營(yíng)。

同時(shí)對(duì)于知識(shí)庫場(chǎng)景是設(shè)計(jì)，我們需要明確一個(gè)整體的場(chǎng)景，以及一期重點(diǎn)搭建的場(chǎng)景、二期重點(diǎn)搭建的場(chǎng)景…，這里重點(diǎn)搭建的場(chǎng)景可以結(jié)合我們前面識(shí)別的重點(diǎn)場(chǎng)景，并明確不同場(chǎng)景下所需的知識(shí)庫素材是什么，制定相對(duì)統(tǒng)一的底層數(shù)據(jù)標(biāo)準(zhǔn)，避免出現(xiàn)由于數(shù)據(jù)標(biāo)準(zhǔn)不一致的原有，造成的召回?fù)破鹱R(shí)別錯(cuò)誤。

由于時(shí)間精力等原因，本次暫不給出具體示例，但對(duì)于知識(shí)庫的期初設(shè)計(jì)我們可以考慮以下內(nèi)容

• 明確知識(shí)庫使用的場(chǎng)景：根據(jù)前文的呼入、呼出場(chǎng)景，明確不同場(chǎng)景下需要的知識(shí)庫，進(jìn)行映射關(guān)系說明
• 明確知識(shí)庫的信息來源：第一是內(nèi)部數(shù)據(jù)，公司內(nèi)部不同的部門，銷售政策、相關(guān)規(guī)則、產(chǎn)品手冊(cè)等等，第二是外部數(shù)據(jù)外部的數(shù)據(jù)來源
• 明確知識(shí)庫分類體系：按照內(nèi)容形式，分為圖片、文字、音頻、視頻；按業(yè)務(wù)類型、產(chǎn)品類別、問題類型等設(shè)置相關(guān)分類
• 明確知識(shí)庫關(guān)聯(lián)設(shè)置：第一是建立知識(shí)之間的關(guān)聯(lián)關(guān)系，如相似問題關(guān)聯(lián)、相關(guān)產(chǎn)品知識(shí)關(guān)聯(lián)、業(yè)務(wù)流程前后環(huán)節(jié)關(guān)聯(lián)等。第二是知識(shí)庫嵌入agent工作流中不同知識(shí)庫之間配合的關(guān)聯(lián)，對(duì)話管理的task
• 明確知識(shí)庫的權(quán)限：設(shè)置不同的訪問權(quán)限，限制不同人員對(duì)知識(shí)庫的查看、編輯和使用權(quán)限；例如，客服人員可以查看和使用所有知識(shí)，而普通員工可能只能查看部分公開知識(shí)
• 設(shè)計(jì)知識(shí)庫的評(píng)估和指標(biāo)：如知識(shí)檢索準(zhǔn)確率、問題解決率、客戶滿意度等，定期對(duì)知識(shí)庫的使用效果進(jìn)行評(píng)估

02 智能客服上線后的核心工作內(nèi)容

2.1 業(yè)務(wù)運(yùn)營(yíng)數(shù)據(jù)分析與策略迭代

從AI智能客服的工作原理探究，發(fā)生BUG的原因：以最常見的客訴呼入場(chǎng)景為例，假設(shè)人工客服的操作SOP是根據(jù)用戶輸入問題，進(jìn)行問題理解，包括但不限于定位訂單、定位業(yè)務(wù)場(chǎng)景、定位客戶需求等，并針對(duì)用戶輸入問題進(jìn)行澄清回復(fù)。這一步人工客服已經(jīng)明白了場(chǎng)景和客戶訴求。接下來，人工客服會(huì)根據(jù)場(chǎng)景和客戶訴求，根據(jù)過往的經(jīng)驗(yàn)、公司政策、查詢相關(guān)信息，給出一個(gè)方案，如可以直接判斷，則給出解決方案給客戶，如不能直接判斷，人工客服會(huì)要求轉(zhuǎn)接其他同事/稍后回電。之后人工客服可能會(huì)持續(xù)詢問客戶是否滿意此方案，滿意即結(jié)束此客戶服務(wù)，不滿意則詢問客戶不滿意的點(diǎn)在哪，并讓客戶給出她希望的方案，根據(jù)過往的經(jīng)驗(yàn)、公司政策、查詢相關(guān)信息看能否滿足客戶訴求，直至在公司條件規(guī)則下與客戶訴求達(dá)成一致。

那么AI智能客服，實(shí)際上是在模仿人工客服的場(chǎng)景，根據(jù)上文的例子，我們可以簡(jiǎn)要的總結(jié)AI智能客服必然有幾個(gè)重要的模塊節(jié)點(diǎn)。即對(duì)于AI智能客服發(fā)生“bug“的原因，我們大致可以從以下的維度思考：

• 輸入處理層：存在多模態(tài)輸入解析問題（語音識(shí)別歧義、圖像識(shí)別錯(cuò)誤、上下文丟失）及語義理解偏差（場(chǎng)景混淆、意圖誤判、信息遺漏）；
• 知識(shí)處理層：知識(shí)庫存在數(shù)據(jù)更新滯后、長(zhǎng)尾問題覆蓋不全、標(biāo)簽分類錯(cuò)誤等缺陷，同時(shí)檢索匹配算法存在向量空間偏差、業(yè)務(wù)優(yōu)先級(jí)忽略及上下文融合不足；
• 對(duì)話管理層：任務(wù)調(diào)度可能出現(xiàn) API 調(diào)用異常、流程誤觸發(fā)或上下文丟失，交互策略存在澄清引導(dǎo)模糊、情緒安撫缺失及超時(shí)處理不當(dāng)；
• 輸出生成層：響應(yīng)生成可能出現(xiàn)模板匹配錯(cuò)誤、邏輯漏洞或合規(guī)性疏漏，表達(dá)方式存在口語化不足、多語言支持弱及格式異常；
• 模型局限性：生成式幻覺導(dǎo)致編造答案或邏輯矛盾，小樣本場(chǎng)景泛化能力不足；
• 外部依賴層：調(diào)用的第三方服務(wù)異常或網(wǎng)絡(luò)問題引發(fā)連鎖錯(cuò)誤。

如何改進(jìn)，從運(yùn)營(yíng)角度，非整體角度：

1. 高頻場(chǎng)景定制化模板：例如將物流派件投訴，拆解成派件時(shí)效延遲、未放指定地點(diǎn)、派件未電聯(lián)、派件服務(wù)態(tài)度問題、未經(jīng)允許放自提柜等，根據(jù)不同場(chǎng)景設(shè)置相應(yīng)的定制化對(duì)話模板和提示詞
2. 智能分流A/B測(cè)試：識(shí)別適用AI客服的場(chǎng)景，復(fù)雜的交給人工處理。定期測(cè)試高頻場(chǎng)景
3. 人工接管觸發(fā)規(guī)則：業(yè)務(wù)關(guān)鍵詞、情緒關(guān)鍵詞，觸發(fā)人工接管，例如，十分生氣、外部投訴
4. AI質(zhì)檢：檢驗(yàn)抽查，運(yùn)用模型對(duì)響應(yīng)內(nèi)容進(jìn)行檢查，攔截風(fēng)險(xiǎn)應(yīng)答
5. 數(shù)據(jù)監(jiān)控看板：針對(duì)核心指標(biāo)，例如首答解決率、平均響應(yīng)時(shí)長(zhǎng)、人工轉(zhuǎn)接率等設(shè)置看板，進(jìn)行紅黃綠燈預(yù)警
6. 人性化提示詞設(shè)置：提示詞設(shè)置人性化的性格描述，讓客服說話更“像人”。少說術(shù)語：例如，把“請(qǐng)?jiān)贏PP端提交SN碼”改成 → “您打開手機(jī)APP，點(diǎn)訂單詳情，找到頁面最下面那串20位的黑色數(shù)字，填進(jìn)去就行”。同時(shí)，避免連環(huán)問，錯(cuò)誤示范：“請(qǐng)問是訂單號(hào)問題？物流問題？還是售后問題？”（一次問3個(gè)選項(xiàng)用戶容易懵）。正確操作：先問*“您是遇到訂單問題了嗎？”* → 用戶說是 → 再問*“具體是物流沒到？還是商品有問題？”*
7. 專屬特權(quán)配置：例如，coze上可以針對(duì)具體的某個(gè)用戶回復(fù)個(gè)性化設(shè)置，適用于高價(jià)值客戶，記錄用戶偏好，實(shí)現(xiàn)千人千面的智能客服

2.2 知識(shí)庫更新的規(guī)則和政策

• 更新頻次： 明確產(chǎn)品和營(yíng)銷活動(dòng)更新上傳的頻次，如每周或每月。
• 內(nèi)容管理： 規(guī)定知識(shí)庫內(nèi)容的增刪改流程，確保信息的準(zhǔn)確性和時(shí)效性。
• 審核標(biāo)準(zhǔn)： 制定知識(shí)庫內(nèi)容審核的標(biāo)準(zhǔn)要求，確保內(nèi)容質(zhì)量。

知識(shí)庫數(shù)據(jù)質(zhì)檢：

• 日常質(zhì)檢： 定期質(zhì)檢一定數(shù)量的會(huì)話記錄，確認(rèn)機(jī)器人回答的準(zhǔn)確性，補(bǔ)充知識(shí)庫中不存在的內(nèi)容。
• 模型升級(jí)質(zhì)檢： 在模型升級(jí)后進(jìn)行線上質(zhì)檢，創(chuàng)建數(shù)據(jù)集，由知識(shí)庫運(yùn)營(yíng)人員提供問題形成數(shù)據(jù)集，進(jìn)行標(biāo)注，測(cè)試新版本的準(zhǔn)確性。

根據(jù)運(yùn)營(yíng)數(shù)據(jù)迭代知識(shí)庫：

• 轉(zhuǎn)人工問題分析： 分析轉(zhuǎn)人工最多的問題，找出知識(shí)庫的不足。
• 用戶不滿意場(chǎng)景分析： 從用戶不滿意的場(chǎng)景中分析知識(shí)庫的缺陷。
• 精準(zhǔn)度和召回率分析： 從精準(zhǔn)度和召回率低的對(duì)話場(chǎng)景中分析問題。
• 客戶反饋問題分析： 針對(duì)客戶主動(dòng)反饋的不滿意問題，分析知識(shí)庫中沒有答案、答案不一致、算法提煉不準(zhǔn)確或回復(fù)不符合預(yù)期等問題，并進(jìn)行相應(yīng)的迭代。

2.3成本收益核算

以下是簡(jiǎn)要的智能客服下面成本收益分析，該成本收益分析并不完善和專業(yè)，僅提供一些分析思路給大家。

分析的大類包括但不限于：

1. 初期搭建成本和年運(yùn)維成本。
2. 年節(jié)省的人力成本。
3. 計(jì)算回本期，判斷項(xiàng)目的經(jīng)濟(jì)可行性。
4. 綜合評(píng)估其他潛在收益和風(fēng)險(xiǎn)因素，使用高級(jí)財(cái)務(wù)工具：使用凈現(xiàn)值（NPV）、內(nèi)部收益率（IRR）等方法，將未來收益折現(xiàn)到當(dāng)前價(jià)值來評(píng)估項(xiàng)目的財(cái)務(wù)可行性。

那么按照成本和收益分析，則可以歸納為下述內(nèi)容：

總成本=系統(tǒng)建設(shè)成本+運(yùn)營(yíng)維護(hù)成本+人力轉(zhuǎn)移成本：

• 系統(tǒng)建設(shè)成本（NLP 引擎 / 知識(shí)庫 / 算力資源）
• 運(yùn)營(yíng)維護(hù)成本（數(shù)據(jù)標(biāo)注 / 模型迭代 / 系統(tǒng)監(jiān)控）
• 人力轉(zhuǎn)移成本（坐席再培訓(xùn) / 管理重構(gòu)）

總收益=直接收益+戰(zhàn)略收益：（由于戰(zhàn)略收益難以量化，本次暫只計(jì)算直接收益）

• 直接收益：人力成本節(jié)約 + 服務(wù)效率提升
• 戰(zhàn)略收益：數(shù)據(jù)資產(chǎn)積累 + 服務(wù)品牌溢價(jià)

計(jì)算回本期：（示例計(jì)算）

假設(shè)：

初期搭建成本 (Cinitial) = 180萬

年運(yùn)維成本 (Coperation) = 45萬/年

人力轉(zhuǎn)移成本=10萬/年（前2年）

每年節(jié)省的人力成本 (Slabor) = 100萬/年

結(jié)論：當(dāng)收益總計(jì)大于成本總計(jì)，即回本了，這里我們的收益不考慮難以量化的戰(zhàn)略收益，進(jìn)考慮人力成本節(jié)約。約3.6年可以回本。

番外篇：一個(gè)基于coze的智能客服實(shí)戰(zhàn)示例

下面以一個(gè)企業(yè)數(shù)字化服務(wù)的咨詢公司的智能客服為例，介紹To B智能客服如何搭建。

廣義上來說，To C企業(yè)的智能客服應(yīng)用更廣，尤其是在售前咨詢和售后爭(zhēng)議解決方面，在數(shù)量級(jí)、AI場(chǎng)景豐富程度、SOP流程上都有更廣的空間，但由于過往經(jīng)驗(yàn)的限制（主要是知識(shí)庫數(shù)據(jù)隱私限制），目前僅以To B企業(yè)數(shù)字化服務(wù)的咨詢公司的智能客服來舉例說明。

除了COZE外，Dify也是一個(gè)很好的低代碼的智能客服搭建工具，?另外，?LangChain?和Ollama也是非常主流的應(yīng)用開發(fā)框架或本地化LLM部署工具，并且可以搭配使用，Dify和Ollama的集成可以實(shí)現(xiàn)本地化部署與隱私保護(hù)，本次不做過多的技術(shù)選型討論，下面是基于COZE的搭建流程說明（由于本人最近有點(diǎn)忙，這個(gè)智能客服的工作流和知識(shí)庫還在迭代中，雖然已經(jīng)接入本微信公眾號(hào)示例，但是精細(xì)化程度估計(jì)不足，大家圖個(gè)樂子，別當(dāng)真，本人也沒有公司提供相關(guān)產(chǎn)品，哈哈哈）。

第一步：點(diǎn)擊官網(wǎng)，并進(jìn)行注冊(cè)

第二步：選擇模式（單/多agent）

第三步：配置對(duì)話流

這一步是智能客服智能體里面的重要設(shè)置環(huán)節(jié)，通俗的來說，你可以配置流程，設(shè)置提示詞，配置角色名稱、角色設(shè)置、開場(chǎng)白。也可以設(shè)置調(diào)用的組件，其中知識(shí)庫中，除了可以根據(jù)行業(yè)、產(chǎn)品、用戶、業(yè)務(wù)場(chǎng)景、客服場(chǎng)景設(shè)計(jì)相應(yīng)的內(nèi)容，也可以設(shè)置召回量，最小匹配度等。

對(duì)于目前agent模式尚未實(shí)現(xiàn)，更多是是LLM的工作流形式，主流的workflow有以下幾種形式，供大家參考，根據(jù)需要選擇。 個(gè)人覺得路由器在智能客服分流上可能較為匹配，有較強(qiáng)的適用性。

1、鏈?zhǔn)焦ぷ髁鳎–hain Workflow）模式：

第一，每個(gè)大語言模型的調(diào)用順序是固定的。

第二，鏈?zhǔn)焦ぷ髁魃弦粋€(gè)步驟的輸出結(jié)果，作為下一個(gè)步驟的輸入。

2、并行化工作流（Parallelization Workflow）模式：

第一，同時(shí)調(diào)用多個(gè)大語言模型，并行處理，這些調(diào)用可以同時(shí)進(jìn)行，無需等待其他大語言模型調(diào)用完成。

第二，輸出結(jié)果前，采用聚合器，整合之前調(diào)用多個(gè)大語言模型。

3、路由工作流（Routing Workflow）模式：

第一，先由路由器判斷任務(wù)分配給哪個(gè)大語言模型，路由器根據(jù)輸入數(shù)據(jù)的特征、內(nèi)容或其他相關(guān)因素，決定將數(shù)據(jù)發(fā)送到哪個(gè)大語言模型。

第二，大語言模型根據(jù)路由器分配，處理相關(guān)任務(wù)。

4、編排器-工作者（Orchestrator-Worker）模式：

并行化工作流和路由工作流的結(jié)合。

第一，編排器分配任務(wù)給不同的大語言模型。

第二，合成器將不同LLM調(diào)用的結(jié)果進(jìn)行綜合處理，生成輸出。

5、評(píng)估器-優(yōu)化器（Evaluator-Optimizer）模式：

第一，生成器生成結(jié)果，評(píng)估器給出迭代優(yōu)化策略。

第二，生成器和評(píng)估器互相配合，持續(xù)優(yōu)化，輸出最優(yōu)結(jié)果。

提示詞工程這里說人話就是幫助機(jī)器更好的理解你的問題你的情景你要解決的問題你要了解的信息，你可以通過提示詞，決定你的客服是活潑的、理性的，回復(fù)是簡(jiǎn)潔高效還是全面嚴(yán)謹(jǐn)，設(shè)置她的回復(fù)偏好等等。下面是現(xiàn)在較為主流的提示詞工程模型：

1. ICIO 框架

Intruction（任務(wù)）：明確指出希望 AI 執(zhí)行的具體任務(wù)。

示例：

“分析某新能源汽車論壇的用戶評(píng)論，提取關(guān)于電池續(xù)航的關(guān)鍵詞?！?/p>

適用場(chǎng)景：市場(chǎng)調(diào)研、用戶需求挖掘。

Context（背景）：提供任務(wù)的背景信息，幫助 AI 理解任務(wù)的上下文。

示例：

“公司計(jì)劃推出長(zhǎng)續(xù)航版電動(dòng)車，需了解用戶對(duì)現(xiàn)有車型的不滿點(diǎn)?！?/p>

適用場(chǎng)景：產(chǎn)品迭代前的數(shù)據(jù)支持。

Input Data（輸入數(shù)據(jù)）：指定 AI 需要處理的具體數(shù)據(jù)。

示例：

“附上 50,000 條論壇評(píng)論的 CSV 文件（字段：用戶 ID、評(píng)論內(nèi)容、發(fā)布時(shí)間）。”

適用場(chǎng)景：數(shù)據(jù)驅(qū)動(dòng)的分析任務(wù)。

Output Indicator（輸出格式）：設(shè)定期望的輸出格式和風(fēng)格。

示例：

“輸出 Excel 表格，按關(guān)鍵詞出現(xiàn)頻率排序，并標(biāo)注負(fù)面評(píng)論占比。”

適用場(chǎng)景：需標(biāo)準(zhǔn)化匯報(bào)的企業(yè)級(jí)需求。

2. BROKE 框架

Background（背景）：提供任務(wù)的背景信息，幫助 AI 理解任務(wù)的上下文。

示例：

“某國(guó)產(chǎn)美妝品牌計(jì)劃進(jìn)軍東南亞市場(chǎng)，需制定 TikTok 推廣策略?！?/p>

Role（角色）：指定 AI 作為，以便它能夠以專業(yè)的角度回答問題。

示例：

“跨境營(yíng)銷專家，熟悉東南亞文化差異和社媒平臺(tái)算法?！?/p>

Objectives（目標(biāo)/任務(wù)）：給出任務(wù)描述。

示例：

“設(shè)計(jì) 3 套 TikTok 內(nèi)容方案，突出產(chǎn)品成分天然性?！?/p>

Key Result（關(guān)鍵結(jié)果）：設(shè)定回答的關(guān)鍵結(jié)果。

示例：

“每套方案需包含：10 秒短視頻腳本、話題標(biāo)簽、與本地 KOL 的合作建議?！?/p>

Evolve（改進(jìn)）：在 AI 給出回答后，提供三種改進(jìn)方法。

示例：

“增加穆斯林用戶適配性” / “強(qiáng)化價(jià)格對(duì)比優(yōu)勢(shì)” / “添加用戶證言剪輯模板”。

適用場(chǎng)景：跨境營(yíng)銷策劃、動(dòng)態(tài)優(yōu)化方案。

3. CRISPE 框架

Capacity and Role（角色）：明確 AI 在交互中應(yīng)扮演的角色。

示例：

“區(qū)塊鏈技術(shù)律師，擅長(zhǎng)智能合約合規(guī)審查?！?/p>

Insight（背景）：提供角色扮演的背景信息，幫助 AI 理解其在特定情境下的作用。

示例：

“某 DeFi 平臺(tái)需確保新合約符合歐盟《數(shù)字資產(chǎn)法案》（MiCA）?！?/p>

Statement（任務(wù)）：直接說明 AI 需要執(zhí)行的任務(wù)，確保其理解并執(zhí)行用戶的請(qǐng)求。

示例：

“審查以下智能合約代碼，標(biāo)注可能違反 MiCA 的條款（第 12-15 條）?！?/p>

Personality（格式）：設(shè)定 AI 回復(fù)的風(fēng)格和格式，使其更符合用戶的期望和場(chǎng)景需求。

示例：

“以法律意見書格式輸出，用紅黃綠三色標(biāo)注風(fēng)險(xiǎn)等級(jí)，引用具體法條?！?/p>

Experiment（實(shí)驗(yàn)）：如果需要，可以要求 AI 提供多個(gè)示例，以供用戶選擇最佳回復(fù)。

示例：

“提供 3 種合規(guī)修改方案：激進(jìn)型（完全重構(gòu)）、平衡型（局部調(diào)整）、保守型（補(bǔ)充免責(zé)聲明）?！?/p>

適用場(chǎng)景：法律合規(guī)、技術(shù)方案多路徑驗(yàn)證。

另外，召回量和調(diào)用的模型組件也可以根據(jù)自己的需求設(shè)置，說人話就是在召回量設(shè)置上越大，客服回復(fù)的字?jǐn)?shù)通常會(huì)更多。調(diào)用模型組件越多并不是最好的，可能出現(xiàn)精準(zhǔn)度不足的問題，帶來幻覺問題，并且影響檢索效率，出現(xiàn)回復(fù)時(shí)效較慢的情況。這里值得注意且深度探索的還有業(yè)務(wù)邏輯、會(huì)話管理、知識(shí)庫等設(shè)置和配置，即積木組件有了，搭成什么樣的城堡，完全由我們自主決定。

第四步： 設(shè)置記憶 你可以設(shè)置變量，讓回復(fù)基于用戶特征，更加個(gè)性化；設(shè)置數(shù)據(jù)庫；選擇是否采用長(zhǎng)期記憶

第五步：測(cè)試調(diào)優(yōu)，與發(fā)布

第六步：和微信公眾號(hào)等外部應(yīng)用鏈接API（可選）