为什么会出现这样的问题昵？

传统智能客服以NLP技术为主，核心是分词。在处理问题上有两个关键的步骤：

1. 识别出用户输入问题中的关键词；
2. 余弦相似度等计算。通过关键词在已有的QA问答库中进行问题的匹配计算。将相似度的问题与答案给出来。深度一点的，也会用到深度学习的算法。比如进行语意模型，识别情绪，Rerank重排序等。抽取知识图谱的三元素等进行深度匹配。

所以他目前解决问题时，大部分依赖于用户输入问题的关键字，进行检索匹配。将已经匹配好的答案给到用户

受限于技术，需要花费极高的人力成本进行配置，来达到业务诉求。

• 当业务变化，或者新项目上线，需要去配置整理用户意图、配置各种意图问法。准备大量的FAQ，以及各种关联问题，配置实体等。
• 整个过程通常需要专业的机器人训练师，来保证问题的覆盖率、相似问题重复度、解决率、意图识别率等。

大模型是根据大量的知识训练出来，所以天然能够“理解”基础的问题。所以不需要去准备大量的相似问题，复杂的知识图谱，实体关系。

• 如相似问法：如退货，不需要补充”我想退货”，”退个货“等相似问法
• 如基础知识图谱：活着->作者->余华

其次模型的cot能力，让模型具备较强的推理能力，借助模型推理的能力，去理解流程做决策。不用去配置大量的流程，以及实体的抽取，传参，整个流程让模型解决。

所以他的使用成本门槛会低很多。

Agent的核心如下：

Planning 规划

• -子目标和分解:AIAgent 将大型任务分解为更小的、可管理的子目标，从而能够有效处理复杂的任务。
• -反思和完善:Agent可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并针对未来的步骤进行完善，从而提高最终结果的质量

Memory 记忆

• 短期记忆:所有的上下文学习(参见提示工程)都是利用模型的短期记忆来学习。
• 长期记忆:这为AIAgent提供了长期保留和调用无限信息的能力，通常是通过利用外部向量存储和快速检索来实现。

Tool / Toolkit

• Agent学习调用外部 AP! 来获取模型权重中缺失的额外信息，通常这些信息在预训练后很难更改，包括当前信息、代码执行能力、对专有信息源的访问等工具是代理可以调用的功能，本质上就是一个函数。

应用逻辑和过程如下：

当用户输入询问时：

1、记忆能力

• 先通过模型的记忆能力，将用户画像、浏览记录、订单数据、历史会话记录等推送给大模型
• 拿到解决对应问题的参考sop流程

2、计划能力+推理

• 让模型基于用户的提问+解决的SOP，制定与用户的沟通计划
• 根据用户反馈调整沟通计划，推理出新的步骤

3、tools：

• 根据推理出来的计划、选择执行的内容
• 比如调用ERP、知识库等
• 最终得出结论、输出给用户

整个过程中，模型能够模拟人+参考sop流程，执行对应的任务，从而达到相应的结果

1、使用成本、维护成本极低。

使用：三步完成使用

• Step1：用纯文本定义有情感的机器人，用Chat文本来描述赋予机器人情感、明确处理任务SOP流程。
• Step2：补全产品与服务知识。构建企业专属知识库“产品手册、服务规则，退货规则“实现产品、服务信息与大模型的互通，加强模型的理解。
• Setp3：快速对接企业已有系统。选择要接入的系统，如有赞商城、自有CRM、ERP。让模型实时获取信息，精准响应问题。

OK！普通客服主管，花费1-2天，既可配置基于大模型的智能咨询服务机器人

维护内容少。

• 1、优化人思考sop流程
• 2、更新知识库文件

2、全渠道能接入、全面的解答：模型的关键在于理解、所以任何意图都能理清楚。同时授权授权即多个渠道，多种问题类型都能被全解答。

3、服务先知：会话开始前，将用户行为数据、标签提前给到大模型，开口即可知道你的用户想做什么！解答问题更加精准。

3、更灵活的策略：Agent 的推理、计划、思考…让模型根据SOP和用户输入，自己做决策、做计划，灵活应对用户问题，不再需要固定的死流程。

Ai客服退货

Ai代购

Ai会员卡的办理

1、更低的成本：模型的能力强大，开发成本低、使用成本低

2、更智能的效果：用的推理代替了关键之的匹配，能解决的问题更广、效果更好。

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓