智能客服领域可以说是大模型落地的前沿领域之一，那么这其中，有哪些应用方向值得我们关注？这篇文章里，作者就做了相应的构想和探讨，一起来看。

前言

随着大模型技术的飞速发展，其在商业化应用的落地实践上仍面临着挑战，不论是面向C端用户的付费服务模式，还是面向B端企业的业务赋能策略，目前都尚未形成成熟且清晰的商业模式。

在我所专注的智能客服领域，作为人工智能落地应用的前沿阵地，我深刻感受到大模型的生成能力、泛化能力以及增强检索等核心技术的巨大潜力。基于此，我构想了一系列应用方向，并期望通过分享结合大模型工具的实验经验，与大家共同探讨这些可能性。

一、呼入场景

客户服务领域，无论是在线聊天还是语音交流，都已成为了现代业务运作中不可或缺的一部分。目前，基于NLP（自然语言处理）、ASR（自动语音识别）和大数据等先进技术，已经涌现出了一系列智能化的客户服务应用。

然而，这些产品在功能边界和特色上往往差异不大，难以在激烈的市场竞争中脱颖而出。大模型的加持，从运营成本和用户体验上考虑，也许可以为这一领域带来了新的发展机遇。

1. 问答机器人

在呼入场景中，问答机器人（包括在线客服机器人和语音导航机器人）的广泛应用凸显了ASR转译准确率和NLP自然语言处理语义理解能力的重要性。在实际业务运营中，为了提升问答机器人的识别准确率，往往需要维护一个尽可能大的相似问题库。

然而，这种维护方式不仅耗时耗力，而且需要大量的运营成本。考虑到大模型的泛化生成能力，我们可以设想一种创新的方法：通过输入特定的prompt（指令），让大模型生成更多的相似问题，经过业务审核后入库。这种方法有望显著降低运营成本，同时提升问答机器人的识别准确率。为了验证这一想法，使用了文言一心、Kimi助手等大模型工具进行了实验，如下：

2. 话务小结抽取

席在接听完一通会话后进行话务小结是一个重要的环节，用于记录通话的核心内容、问题以及解决方案等信息。传统上，这个过程需要坐席在通话结束后手动输入，既耗时又可能因人为因素导致信息遗漏或偏差。

大模型的主题抽取能力可以用于自动生成小结，坐席只需审核确认后录入，这有助于缩短通话时长，提高效率。验证如下：

3. 多轮对话的处理

多轮对话在问答机器人技术中向来是颇具挑战性的环节，目前主要局限于特定的简单场景，由运营人员在流程画布上进行详细设定，涉及多个交互节点和路径。

为了更灵活、精准地响应客户的问题，我们可以借助大模型的生成能力和增强的检索功能。这种方法在阿里的相关文章中得到了具体体现（参考：https://mp.weixin.qq.com/s/0THyHxpuIo9MI8MY9tLHiA），即通过大模型生成提示性的快捷短语，引导用户更明确地表达需求，同时结合增强的检索技术，缩小答案的搜索范围，从而生成更为可靠和准确的回答。

二、呼出场景

在当前的AI外呼场景中，虽然普遍采用基于预设流程的问答模式，结合ASR（自动语音识别）和NLP（自然语言处理）技术来执行外呼任务，但这种方式在个性化服务和转化率提升上存在一定局限性。借助大模型的生成能力，我们可以实现更为智能化的外呼策略。

具体来说，通过大模型分析不同用户的属性标签，如年龄、性别、兴趣偏好、消费习惯等，AI外呼系统可以为用户定制差异化的呼叫内容和方式，真正做到“千人千面”。验证如下：

三、后线管理应用

1. 智能质检规则的泛化

在搭建质检系统的过程中，作者从0到1深度参与，深刻体会到了质检规则维护的复杂性和重要性。这些规则通常涉及关键字识别和正则表达式的使用，需要业务团队投入大量时间和精力去详细罗列和测试，以确保质检的准确率。

然而，借助大模型的泛化能力，我们可以极大地提升这一过程的效率和效果。大模型能够通过学习大量的数据，自动生成与业务相关的关键字和正则表达式，从而帮助业务团队减轻工作量，并提高质检规则的全面性和准确性。以正则表达式验证如下：

2. 坐席知识库

传统坐席知识库在搜索和匹配信息时，依赖于搜索引擎、索引、关键字匹配或语义理解进行排序，这种方式可能导致用户查找信息耗时较长，并且高度依赖于知识维护人员的规范性和及时性。大模型能力也许会将未来的知识库搜索体验进行颠覆性的改进。

具体想法如下：首先，将知识库中的信息进行结构化处理，并存储到向量库中。这样，知识库中的每一条信息都能以向量的形式存在，便于进行高效的数学运算和相似性比较。接着，将这些向量数据投喂给大模型进行训练，为后续的搜索和生成任务打下基础。用户搜索时，给出明确promote指令，大模型将相关的内容检索出来，再直接生成内容返回给到用户。

这和当前使用的一些大模型助手的情况相似，举例说明，如：给出近三年的国内GDP数据。

结束语

以上是我基于对大模型能力的理解以及对客服业务场景的洞察，所产生的一些初步思考。这些思考得到了我在开源工具上进行的验证的支持，尽管目前这些思考尚显零散，但我期待能与各位同仁共同探讨和完善。

再者，在探讨大模型在业务场景中的落地应用时，我们不可忽视垂直领域的训练优化。每个行业都有其独特的业务逻辑和需求，因此，通过针对垂直领域的特定训练，能够进一步提升大模型的性能和适应性。

最后，在实际落地过程中，我们需要保持开放的心态，勇于提出大胆的假设，但同时又要谨慎求证。为了降低风险并加速验证过程，建议在前期采用插件化的形式来逐步验证和优化大模型的应用效果。