智能客服机器人的业务指标，最常见的就是解决率，解决率的高低直接关系到客户采购机器人的价值。解决率很高，客户可以省下很多成本开销，如果解决率很低，那么就没有必要采购这个客服机器人。所以，智能客服机器人解决率的高低，直接关系到客户的采购、新购、留存等。影响解决率的因素有很多，如何量化分析其中每一个关联因素，直接找出问题所在，然后给出解决方案，很困难。之前一直做不到全自动化分析，需要大量人工介入分析，耗时费力，成本巨大。但是，大模型给出了完美的解决方案，我们把大模型引入到七鱼客服机器人的业务指标波动分析中，显著提升机器人售后维护效率。

影响业务指标解决率的常见因素有哪些？

业务指标，通常来说就是解决率，主要考核的就是转人工的会话个数，越少，解决率越高，反之，解决率越低。转人工的原因五花八门，主要如下所示：

1. 知识库中没有覆盖当前 C 端客户的热门咨询点。

2. 知识库中覆盖了当前 C 端客户的热门知识点，但是由于以下具体原因导致转人工：

• 答案配置得太复杂，内容太多，没有做到简洁、直白，客户不想看或者看不明白。

• 虽然覆盖了该知识点，但是用户问题在多个知识点中都配置了，导致匹配混乱。

• 虽然覆盖了该知识点，但是匹配在了原本不该出现的知识点下面。

3. 知识库中覆盖了当前 C 端客户的热门知识点，并且答案配置也很合理，客户就是想转人工。

4. 知识库中覆盖了当前 C 端客户的热门知识点，但是算法没有匹配到，或者匹配到了不是最好的。

如果客户购买了我们的七鱼智能客服机器人，用了一段时间以后，出现解决率下降怎么处理呢？目前售后维护同学最常见的做法是：

• 看下七鱼后台业务指标统计结果，分析下最近几天变化情况，然后再分析下转人工对话（因为时间有限，可能也就分析几通对话）。

• 再进一步就是拉取一下这个机器人的诊断报告，然后看下分析结论。

• 最后一套操作下来，给客户答复就是：你们这个机器人最近业务咨询量上升了，流量比之前大很多，可能是访客问了很多问题，在知识库中没有，所以解决率低了。

这么说，客户可能不会相信（可能还会被怼无脑回答），精细化运营时代，这些词不应该出现在反馈结论中。因为没有数据支撑，都是瞎扯，一切结论要有数据支持，量化指标才行。

大模型时代我们可以做什么？

如上图所示，这个是访客咨询的 top 热门问题，每个热门问题都关联到了当前的知识库，会提示当前知识库是否有存在的匹配知识点、以及配置的答案、是否差评等信息。有一种类型的问题需要重点关注，问题本身在知识库中有精确匹配的知识点，但是还是有差评，或者还是有很多转人工存在（该知识点解决率很低）。这种情况，目前的普遍做法是拉取转人工或者差评对话，人工分析其中的原因：

• 结合转人工前后两通对话，分析访客到底为啥转人工，需要给出大概的分类，这个分类本身是动态变化的，事先不知道具体都有哪些类别（因为单独一通对话，可能看不出来具体原因）。

• 判断转人工之前访客问的问题和转人工以后是否一致，有很多转人工的，并不是机器人回答的不好，而是，访客觉得下一个问题可能比较难，需要人工才可以解决；或者他下一个问题，就想要人工来负责处理。

• 转人工以后，访客都在咨询什么问题，这些问题人工是如何回答的，知识库中是不是有答案。

以上三个核心问题，伴飞服务一期做不了，只能人工抽取部分少量对话来分析，主观性、片面性很强，耗时不说，最后的准确率也不高。

大模型可以做哪些工作？主要有以下三种。

1. 使用大模型分析转人工前和转人工后的会话信息，让大模型自己总结转人工的原因，然后找出每一通转人工对话详细原因，并对这些原因做语义聚类，找出可能的分类。

• 无具体类别的分类，无法采用传统的分类算法，可以采用聚类，把相同含义的聚在一起。

• 采用大模型，自主确定分类的类别个数，然后总结每个类别占比。

2. 使用大模型判断转人工前和转人工后，访客咨询的问题是否前后一致（完全一致、部分一致、完全不一致），计算每种占比，如果：

• 完全一致占比最高，说明机器人未能很好得回答访客问题，访客问题在机器人端没有得到有效解决。

• 完全不一致占比最高，说明机器人已经很好的解决了访客问题，访客转人工是为了询问其他问题的，转人工高和机器人没有关系。

• 部分一致占比高，说明，机器人是解决了一部分访客问题的，但是不理想，需要进一步分析转人工以后询问的问题在知识库中是否有答案。

3. 统计转人工以后，访客询问的核心问题以及客服的回答，同时确定这个核心问题在当前知识库中是否已经存在，不存在的需要优化知识库，已经存在的，需要对比人工坐席回答和当前知识库中的答案是否一致，建议参考人工坐席回答来润色知识库中的答案。

客户（某车企为例）实践

选取某车企作为种子客户，使用大模型，深入分析。会话选取时间：2023 年 9 月和 10 月，一共 8731 通关联对话（大模型的分析耗时大概需要一个晚上时间）。

找一个 C 端访客转人工的对话，如下：

转人工之前的对话详情：

访客：你好。

客服：您好，请问有什么可以帮助您？

访客：话筒有优惠吗？

访客：买麦克风带有接收器吗？

转人工之后的对话详情：

客服：您好，很高兴为您服务~我这边帮您看一下，请稍等。

客服：麦克风使用【跳转商城】。

客服：有的哈，您可以通过视频参考一下。

访客：嗯嗯！

客服：请问还有其他问题可以帮您的吗？

访客：看了。

访客：有优惠吗？

客服：没有优惠呢？

我们使用大模型进行总结：

prompt 写法

现在有 A 和 B 两通客服和访客的对话，其中 A 对话是访客与客服机器人的对话，如果服务不满意，就会转接到人工客服，从而产生 B 对话。现在 A 对话如下：XXXX，B对话如下：XXXX。

现在你是一名客服信息整理人员，你被要求做以下事情：

1. 请结合 A 和 B 对话进行分析，总结访客为什么会转人工，直接给出具体的原因，不需要做额外的分析。

2. 需要联合 A 和 B 对话，综合起来分析，给出一个判断，在 A 对话中，访客问的问题和在 B 对话中，是否相同，有三个选择，完全相同、部分相同、完全不同，只能在这三个选项中选一个。

3. 需要对 B 对话进行分析，总结访客问的最核心问题以及客服的回答。

最后的结果要以 json 格式给出，具体如下：{'转人工原因':'XXXXX','访客在 A 和 B 对话中询问问题是否一致':'YYYYY','访客核心问题':'XXXXX','客服答案':'YYYYYY'}。不需要解释，直接给出 json 结果即可。"}

大模型返回结果

{

'转人工原因':'客服机器人没有回答访客关于话筒优惠和麦克风带有接收器的问题',

'访客在 A 和 B 对话中询问问题是否一致':'部分相同',

'访客核心问题':'麦克风带有接收器吗，有优惠吗',

'客服答案':'麦克风有结收器，没有优惠'

}

使用大模型分析转人工前后原因是否一致

对这 8000 多通会话分析以后（部分解码失败，大模型返回的 json 格式不对，导致解码出错，提取不到信息）。对访客转人工前后咨询问题是否有改变，得出的结论如下：

• 转人工前后，访客询问的问题是否一致：{'完全相同': 4821, '部分相同': 2157, '完全不同': 1708, '无法判断': 45}。

• 完全相同的占比：55.5%；部分相同占比：24.8%；完全不同占比：19.6%，其他占比：0.05%。

• 说明该车企所有转人工会话中，有将近 20% 不是由于机器人导致的，而是人为导致的，他就是想转人工。55.5% 是由于对机器人的回答答案不满意，不满足访客需求，这部分建议对比知识库答案和人工坐席答案。

使用大模型分析转人工原因以及类别占比

对所有的转人工原因进行聚类操作，结果如下（至于聚类多少个类别，根据样本个数来）：

 

使用大模型分析转人工以后的问题

如果访客在转人工前后，询问的问题都是一样的，特别是这个问题在当前知识库有精确匹配的情况下，为啥访客还要坚持转人工？理论上说精确匹配已经可以直接出答案了，访客都已经看到答案了，还要求转人工，大概率是这个答案本身他不满意。所以，我们需要对这个知识库中的答案和人工答案作对比分析。

访客转人工以后，询问的问题，在当前的知识库中是否已经有知识点了？（可以反向评估当前知识库怎么样）如果已经有精确匹配了，把答案取出来，和人工做一个语义分析，观察是否合理。如果没有精确匹配，那就需要完善知识库。

大模型使用的 prompt：

prompt：现在有两个答案 A 和 B，其中 A 和 B 答案都可能带有 HTML 格式标签，如果带有标签，你需要先把标签去掉，再进行后续操作。\n A 答案是: {answer_a}\n，B 答案是:{answer_b}\n，是一名信息归纳整理人员，需要对两种答案 A 和 B 做判断，要求如下：\n 1.如果 A 和 B 答案有 HTML 标签，先把这些标签去掉。\n 2.拿去掉网页标签以后的 A 和 B 比较，判断 A 和 B 的语义是否一致，给出判断：语义完全相同、语义部分相同、语义完全不同三种答案。\n 其中语义完全相同，指的是 A 和 B 两个答案，在语义上完全一样，讲的都是同一个意思；语义部分相同，指的是 A 和 B 两个答案，有部分含义一样的，只是相互之间有差异，可能其中一个答案还说了其他事情；语义完全不同，指的是 A 和 B 两个答案，一点关系也没有，指的完全不同的事情。请你直接给出判断，在 语义完全相同、语义部分相同、语义完全不同 三个选项中，选择一个输出结果即可，不需要解释任何理由，直接给结果。

一共参与分析的会话有：7877。

转人工前后，访客咨询了相同的问题 并且 转人工以后咨询的问题在当前知识库中有精确匹配：1156，占比：14.7%

在这1156条结果中，机器人给出的答案和人工坐席给出的答案，语义差异较大的有：1138条，占比：98.4%，典型如下：

在这 1156 条结果中，机器人给出的答案和人工坐席给出的答案，语义相同的有：18 条，占比：1.6%，典型如下：

如果不管转人工前后咨询的问题是否相同，我们从整体看，在这 7000 多通已经转人工的会话中，访客咨询的问题在当前知识点有精确匹配的占比是：67.6%。

 

通过大模型的分析，我们可以很形象直观的把访客转人工前后的原因找出来，可以看出知识库中配置的答案和人工回答有啥不同。精细化运营时代，想提升解决率，必须要从每一个服务细节下手，当上述列出来的问题，是影响解决率的核心问题时候，就必须要及时处理。

比如该车企的这个案例，当前影响他们最主要的问题是人工客服可以通过内部的系统信息，查询到一些商品是否有货、到货时间、维修费用等信息，而不是知识库中配置的万能答案。这些万能答案本身没有问题，但是根本解决不了任何问题，相当于说了也白说，答案太过万能，没有聚焦访客问题。

总结

通过大模型分析转人工前后的对话，精确找出访客为啥要转人工。这个之前只能让人工去看，耗时费力，做一份分析报告，至少需要好几天时间，由于人工看的对话数量有限，难免以偏概全。

通过大模型总结转人工前后询问的问题是否一致，从这个切入点，就可以知道访客转人工是不是不满意当前机器人的回答，还是说 C 端访客就是想转人工，不信任机器人，这个比例大概有多少等信息。这样可以大概预估出通过优化，解决率可以提升多少。

通过大模型总结转人工以后访客的核心问题，然后通过回调线上服务的接口，就可以知道，如果访客当初没有转人工，他问的问题在当前知识库中是否有合适的知识点来解答。

如果有精确匹配，我们可以进一步把知识库中配置的答案找出来，和人工坐席的答案做语义层面的对比，看看差别是否很大，是不是可以再进一步优化。

如果没有精确匹配，我们需要进一步统计这个问题被询问的次数是否很多，如果很频繁，我们就需要整理到知识库中，以便其他访客询问类似问题，我们机器人可以做出完美回答。

总之，大模型时代，智能客服机器人无法缺席，大有可为。