AI客服项目从0到72%接管率，日均处理3000+咨询，新客户成交额增长8%——这不是技术奇迹，而是一系列产品决策的胜利。本文作者复盘两年多的实战经验，分享从低代码验证、MVP场景聚焦、双层架构设计到知识库切分、Prompt五段式结构等六大关键决策，以及如何化解用户对AI的抵触心理。

做 AI 客服这件事，不是一拍脑袋说 “我们上 AI 吧” 就上了。

我在一家消费品牌做的这个智能客服项目，从发现问题到落地跑通再到持续迭代，做了两年多。最后结果：AI 接管率从 0 做到 72%，日均处理 3000 多条咨询，25 年新客户成交额比 24 年涨了 8%。

这篇文章不讲技术细节，只讲作为产品经理，我在这个项目里做了哪些决策、踩了哪些坑。

一、为什么要做这个项目？

先说说当时的问题。

我们公司的客服团队要同时覆盖 5-6 个渠道 —— 微信私域、抖音小店、天猫、京东…… 用户提问是用自然语言的：”这个茶泡几次就没味了？”” 你们上次说的那个 888 的套餐还有吗？”

但当时的客服系统是关键词匹配的。用户问得稍微口语化一点，系统就答非所问。

答非所问的后果很直接：有购买意向的用户直接走了，用户在私域里生气，投诉升级，店铺评分往下掉。

我拉了近 3 个月的对话日志来看，发现大量咨询 AI 答完之后用户就流失了 —— 不是答案不满意，是根本没理解用户在问什么。

这不是 “上 AI 就能解决” 的问题，是不上 AI，这个窟窿只会越来越大。

二、第一个决策：先用低代码平台跑通，不从零自研

立项的时候，我对比了三个方向：维持现状、用低代码平台搭、从零自研。

从零自研肯定最灵活，但成本太高 —— 要养算法和工程团队，我们业务规模撑不起这个投入。用低代码平台（Coze/Dify）搭，上线快，能快速验证 MVP。维持现状就是继续挨骂。

我的判断是：先用低代码平台把需求验证了，确认跑通了，核心场景再考虑深度定制。

这个决策的好处是快 —— 不用等自己的团队从零开始做，先跑起来拿到真实数据。很多人做 AI 项目的误区是：一上来就想做 “自己的技术”。但对于中小企业来说，先验证需求、再考虑技术自主，才是更现实的路径。

三、第二个决策：MVP 只做 3 个场景，不追求全覆盖

很多人做 AI 项目，一上来就想 “全场景覆盖”。我一开始也这么想。

但我把 3 个月的对话日志全部拉出来，逐条归类，发现 6 大场景里，高频的就是那么几个，剩下的是长尾，什么奇葩问题都有。

如果一上来就做全场景，第一版效果肯定不好，用户体验差，项目很可能就被砍了。

所以我定了 MVP 策略：

第一版只覆盖最高频的几个场景

核心目标不是 “全覆盖”，是验证三个假设：

1. AI 能不能听懂用户意图？
2. AI 能不能给出正确答案？
3. 用户愿不愿意接受 AI 回答？

这三个假设验证了，再谈扩展。

具体落地是先在有赞单渠道验证。跑通了，拿到数据了，后面扩展其他渠道就顺理成章了。

四、第三个决策：不是所有问题都用大模型

项目跑起来之后，我把用户提问做了分类统计，发现一个规律：

大概 80% 的用户表述是明确的：”你们发票怎么开？”” 这个礼盒有几种规格？”

这些问题，其实用规则引擎（关键词 + 模板回答）就能解决，又快又准，成本还低。

剩下 20% 的用户提问是模糊的：”那个上次你们说的活动还有没有？”” 你们那个茶喝了睡不着怎么办？”

这种才需要大模型去理解语义。

所以我设计了双层架构：

第一层：规则引擎处理明确表述

第二层：大模型处理模糊语义

这个决策最直接的效果是成本。大部分问题不用调大模型 API，就用规则匹配。只有那小部分真的搞不定的，才走大模型。

很多人做 AI 项目的误区是：所有问题都塞给大模型。结果成本爆炸，效果还不一定好。产品经理要算这笔账 —— 不是所有场景都值得用最贵的方案。

五、第四个决策：知识库怎么切，比用什么模型更重要

RAG 知识库搭起来之后，一开始效果并不好。

举个例子，用户问 “刚才那个 888 元的套餐”，向量检索找回来的是 “888 元礼盒”—— 语义很像，但用户问的是活动套餐，不是礼盒。

问题出在哪？纯向量检索，只看语义相似度，不看关键词精确匹配。

我做了两个调整：

第一，知识库按场景分库。 不是一个大库装所有内容，而是按 6 大场景拆成 6 个子库。用户问什么场景的问题，就去对应的库里检索。这样召回的精度上来了 —— 不会把售后问题的答案混到售前咨询里。

第二，混合检索。 向量检索负责语义匹配，再加一路关键词检索负责精确匹配。两路结果合并，再取 Top K。这样用户问具体的产品型号、活动名称，也能准确召回。

改完之后，口语化问题的召回效果明显好了很多。这个事情给我的启发是：RAG 效果不好，先别着急换模型。先看看你的知识库怎么切的、检索策略对不对。很多时候不是模型不行，是你喂给模型的东西就不对。

六、第五个决策：Prompt 设计用五段式结构，方便调优

Prompt 设计我花的时间不少。一开始就是一段指令写到底，改的时候牵一发动全身，调一个地方另一个地方就出问题。

后来我把 Prompt 拆成了五个独立模块：角色设定、回答规则、知识内容、对话历史、用户问题。每个模块职责清晰，可以单独调。

这样改 Prompt 的时候就清楚多了 —— 是角色设定不对？还是回答规则有问题？还是知识内容给少了？定位问题更快。

控制幻觉我主要靠三个手段：

1. 角色约束：Prompt 里明确写死 ——”你是我们公司的智能客服，只回答和我们公司产品、购买、售后相关的问题。其他问题一律转人工。”
2. 知识隔离：不是所有问题都检索全库，是用户问什么场景，就只给那个场景的知识库内容。AI 看不到其他内容，自然不会瞎编。
3. 兜底转人工：AI 不确定的时候，主动说 “这个问题我帮您转人工客服吧”，而不是硬答。

靠 Prompt 指令让 AI”不要胡说” 效果有限，从产品设计上把它能胡说的空间框死，才是更靠谱的方式。

七、第六个决策：用户怕 AI，那就把控制权还给用户

项目刚上线的时候，用户接受度很低 —— 一看到是 AI 客服，第一反应就是 “我要找人工”。

试了好几种方案都不行。最后我加了一个设计：”AI 回答 + 一键转人工” 按钮。

用户看完 AI 的回答，如果不满意，点一下就转人工了。

就这么一个小设计，用户接受度上来了。为什么？

因为用户怕的不是 AI 本身，是怕被 AI 困住出不来。你告诉他 “随时可以转人工”，他反而愿意先看看 AI 说什么。

这个事情给我的启发是：AI 产品落地的阻力，很多时候不在技术，在用户心理。技术做得再好，用户心理上不接受，就是白搭。

八、最后结果

跑了两年多，数据是这样的：

• AI 接管率：从 0 做到 72%
• 日均处理咨询：3000 + 条
• 25 年新客户成交额：比 24 年增长 8%

72% 不是终点。剩下转人工的，我每周都做 badcase 分析，能优化的就逐步吃掉。接管率不是一开始就这么高的，是慢慢调上来的。

九、如果重来，我会怎么做？

复盘这个项目，有三件事如果重来我会改：

第一，知识库的切分策略应该更早做实验。 一开始我是拍脑袋切的，后来才发现切法对效果影响这么大。应该在项目一开始就拿测试集对比不同切分策略的效果，而不是上线之后再调。

第二，badcase 分析应该早点自动化。 一开始我是人工抽检，每周花好几个小时看聊天记录。应该早点想办法把 badcase 自动分类，效率能高很多。

第三，用户接受度的问题应该在 MVP 阶段就测。 我一开始默认用户能接受 AI 客服，上线之后才发现抵触很大。应该在 MVP 阶段就做小范围测试，早点发现 “用户怕 AI” 这个问题。

写在最后

做 AI 产品这两年多，最大的感受是：AI 产品的核心不是技术，是产品决策。

技术方案摆在那里 ——RAG 也好、规则引擎也好、SaaS 也好，怎么选、怎么组合、怎么兜底，这些才是产品经理要做的事。

不是说技术不重要。而是作为产品经理，你的价值不是写代码，是知道什么场景该用什么方案、成本怎么算、效果怎么评、用户怎么接受。

这些事情，没有标准答案，只能一个项目一个项目地踩坑。

这是我的第一个 AI 客服项目，踩了一些坑，也攒了一些经验。希望对正在做 AI 产品的同行有一点参考。