近期在一次线下活动中，我们与多家知名企业的 CIO 与客服负责人收集了一份问卷，其中 80%的人将问题指向到知识库。

大家普遍在思考“企业已经使用了基于大模型的机器人与基于 RAG 的知识管理，为什么人工座席与机器人座席的回答水平还是无法达到预期？”许多企业尽管投入了大量的资源和技术，但表现却始终不尽如人意。

实际上，问题的根源可能在于如何定义和积累知识。

一、定义知识不要把有价值的知识拒之墙外

企业在进行服务数字化转型中往往忽视了一线座席在实际工作中的经验和技巧。

一线座席在与客户的每一次互动中积累的知识是非常宝贵的，它们不仅反映了客户的真实需求，更是经过实践验证的有效解决方案。这些隐藏在日常对话中的知识，由于其高度的针对性和实用性，更值得被积累下来。

例如在连锁商业、零售、制造业等多个行业中，客服面临的一个共同问题是：每个客服在解决投诉、咨询过程中积累的经验总结没有形成系统化的知识管理。

这导致了成功经验、客户高频问题等无法标准化、规模化输入到知识库，从而造成了经验的浪费。另外，由于缺乏来自真实客户问题的知识内容，个别客服在服务过程中产生的错误回答可能会持续出现，从而降低了问题处理效率，增加了客户投诉的可能性。

△“成功经验”无法助力一线（图）

二、积累知识从人工到大模型转型案例

其实很多企业已经注意到成功经验的价值，并在较长一段时间中进行知识抽取与分析。但传统人工流程工作量极大且存在较多主观判断。

低效！基于人工的知识抽取与分析

该企业业务管理团队向一线客服下达知识采编任务，一线客服线下将自己应用到访客服务过程中的知识进行梳理后，发送给业务管理团队，梳理的过程中可能需要去调阅以往历史的对话记录，也可能仅凭自己的记忆或者经验，知识管理团队收到汇总的知识后，进行无效信息的剔除、重复信息的去重。

汇总处理完成以后进行知识的入库，入库前需要检查表格里的知识与知识库里知识的相似度，然后人工去判断哪些知识需要做新增，哪些知识需要做更新，每隔一段时间，都需要再进行一遍该步骤。

该体系为一线客服、知识管理团队带来了极大的工作量，而且人工筛选经常出现主观、更新不及时、更新错误等情况。

转型！用大模型知识抽取与分析

天润融通推出了基于大模型技术的人工会话和通话录音的知识抽取、分析功能，正是为了解决这一问题。

该企业使用天润融通产品后，业务管理团队可设定定时任务，系统将自动推送会话记录，推送后，知识库进行会话记录的批量知识沉淀，并基于大模型自动剔除无效对话内容，抽取有效的问答信息，同时进行话术润色并自动与知识库里的知识内容进行比对、提供知识入库建议，帮助座席班长、知识管理团队高效进行知识维护，并建立沉淀后问答对与入库知识的绑定关系，方便跟踪数据来源，最终还可以在报表中体现一线客服对新增或更新知识的贡献情况。

从企业运营的角度来看，大模型的知识抽取与分析显著提高了知识维护效率与可靠性，降低了知识维护的人工成本，构建了有效的企业知识库。基于此企业人工座席服务水平、机器人服务水平、客户满意度均得到提升，直接增强了企业市场竞争力。

在当今以客户为中心的时代，能够提供卓越客户体验的企业必然能够在市场竞争中脱颖而出。天润融通将继续致力于帮助企业提升获得客户、经营客户的能力。