搭建的第一个AI对话产品

回北京已经3个月了，期间负责AI相关项目（AI客服），因为刚开始接触AI，也缺乏技术背景，因此这几个月是和AI斗智斗勇的过程(提示词修改N遍) ，有一种“我觉得AI蠢，AI觉得我瞎指挥”的感觉。

还有一个体会，时下目标是让AI理解人类、理解需求，但是我当前所处阶段更像是“我去理解AI”，然后“指挥AI”以达成高效协同：

– 我去理解如何与AI对话（怎样去描述，它才听得懂），

– 我去理解什么是AI擅长的（不同情况下采用什么描述，它才能准确执行、让结果满意）。

AI客服，是一个对话产品，用户通过对话的方式，让AI解决一些问题。定位不是基于知识库的问答，而是更具有复杂度的对话系统，集合了AI与用户的图文交互、与数据库交互、

与知识库交互、以及基于业务的规则引擎，要真的能够去分担人工客服的压力，才是项目的目标。

鉴于项目经验，我先分享2个主题：

意图识别与分类需要考虑的点
不同场景最适合的提示词格式

意图识别与分类需要考虑的点

DataNotes

意图识别与分类

是每一次用户输入提问后经过的第一道门，AI必须在第一道门做到精准识别和理解用户的需求，并且把任务分流到后续AI节点。

需要关注以下问题：

– 自然语言处理：AI得理解用户说了什么、用户是什么语言（最后要以同样语言回复用户） – 意图识别分类：AI得知道用户想干什么，准确分类意图、并连接到后续AI节点

– 承接上下文：AI得知道用户当前正在进行中的对话任务是什么（兼容前一条用户意图的进度并继续为用户提供连贯服务）。

此外还需要考虑：

– 当用户意图不清晰时，是否要追问用户，直到用户意图清晰为止。或者由AI进行猜测并进行提问改写？这需要平衡用户体验与问答效率

– 当用户提问中包含了非业务相关问题，你希望AI如何回答？AI又如何知道用户提问与业务是无关的？

– 当知识库中缺少指定内容、但与业务相关时，你希望AI如何回复用户呢？ – 遇到哪些情况时，需要AI转给人工客服？

意图分类的粗细程度

分类的目的是让AI针对不同用户提问，都有一套专注的解决流程，我们第一步就需要思考“意图分类的粗细程度”，

示例：

粗：意图分类=售前

细致：意图分类=售前商品推荐、售前服务咨询

粗：意图分类=售后

细致：意图分类=售后故障排查、意图分类=售后商品套餐余量查询

我觉得如果一个分类包含了比较复杂的流程，那最好是把意图拆解得细致一些，比如可以把故障排查单独做成一个意图，设计一套专注的解决流程。

意图识别的准确度以及泛化能力

在意图识别任务中，泛化能力的考验主要体现在模型在面对未见过的数据、新意图或复杂场景时，仍能保持较高的识别准确率和鲁棒性。

当我们完成意图的具体分类（比如一共有5个分类），我们的提示词可以采用基于关键词方案、以及可以考虑加入“典型问答”供AI参考，能够比较快的实现需求，

当然也存在缺点：侧重人工维护，若维护不及时则有可能出现错误的意图识别结果。我们需要关注AI自主泛化的能力强弱，换选更好的模型。

意图分类混淆

这个是指一次提问可能被AI识别出多个意图的情况，我遇到了2种场景：

– 首次提问场景（无历史对话记录或者历史对话已结束），

– 连贯的场景（存在历史对话并且对话未结束）。

假设在一个多轮对话中，单个Session中AI按照规则引擎引导用户走到了规则第4步骤，让用户提供了手机号。于是用户输入了一个手机号，这就可能命中了意图“售后商品套餐余量查询”，

若你未考虑到这种情况，那么当用户输入手机号后，AI会给出一个看似正确的意图识别结果（实际上是错误的）。

另一种是在首次提问场景下，如果用户输入了手机号，假设同时命中了2个意图，分别是“流量查询”、“话费查询”，那么就需要考虑让AI追问用户：你是想查询流量还是查询话费余额呢？

不同场景最适合的提示词格式

DataNotes

对话形式去给AI下指令，确实是一个大众都能入手的形式，但是在一些特别需求场景下，可能AI给出的结果不太准确，比如话费查询，如果你要设计一个AI话费查询助手给到C端用户使用，或者像我一样在AI客服中有一个节点需要查询话费，我建议最好的方式不是局限在自然语言，你可以尝试在提示词中放入API接口的json格式、字段解释、以及本次对话中如何基于XXX字段去回复用户。

{{userData.name}}已认证

搭建的第一个AI对话产品

我旁听了一场AI战略闭门会：企业落地AI的5条反直觉真相

从 OpenClaw 到 Hermes Agent：安装、迁移、配置、实战演示