客户案例｜智能进化：通过大模型重塑企业智能客服体验

01 概 述

随着人工智能技术的快速发展，客户对服务体验的期待和需求不断升级。在此背景下，大模型技术的崛起，为智能客服领域带来了创造性的变革。

在上篇文章《在后LLM时代，关于新一代智能体的思考》中有提到，智能客服作为智能体的典型应用场景展现出来的巨大潜力，借助智能体平台（澜舟智搭），开发者可以快速构建并部署智能客服智能体，提升服务质量。本文章则侧重于分享基于理论洞察，智能体在客户服务行业应用中的实际案例，以进一步深化对此领域的理解和实际探索。

澜舟科技，作为 AI 技术的领航者，其凭借前沿的孟子大模型技术体系和卓越的落地实践能力，打造出一套专注于为企业提供智能化、高效率的客户服务解决方案——澜舟智客。该方案基于孟子大模型强大的语义理解和生成能力，能够精准捕捉、理解语言中的复杂结构和语义关系，生成更加准确和自然的文本。通过结合 RAG 检索增强生成、Agent 智能体等技术工程手段，能够更精准理解用户需求并迅速响应更复杂的场景任务，加速推动客户服务场景的数字化转型和智能化升级，为用户带来更智能、更高效的服务体验。

02 需求分析

当市场需求逐步从主流领域向更广泛、细分的长尾市场拓展，客户对服务的多样化和个性化需求日益增长，促使企业在满足客户期望的同时面临更高的服务质量要求。然而，这种需求变化不仅增加了系统开发的成本和技术难度，也对智能客服的精准性和服务效率提出了新的挑战。

IDC 最新发布的《中国智能客服市场份额，2023：新旧交替，增长可期》报告指出，2023 年智能客服解决方案市场规模达到了 30.8 亿元人民币，同比增长 36.9%。这一市场的显著增长反映了企业对服务资源的迫切需求，以及对话式人工智能技术在企业产品服务和客户管理中广泛应用的趋势。智能客服市场正从新兴领域逐步成为具有深远发展潜力的主流市场，为各类企业带来智能升级的机遇。

在大模型技术出现之前，智能客服系统主要依赖于预设规则和知识库集合传统 NLP 模型来回答问题。尽管这一方式具有一定效率和准确性，但也具有显著的局限性，包括：理解能力有限、缺乏上下文理解、交互灵活性不足、高维护成本、个性化服务缺乏等。企业在面对日益增长的客户期望时，难以支持多样化的客户需求，亟需通过更先进的智能客服技术，实现高效、灵活、个性化的服务，进而提升客户满意度和品牌竞争力。

03 案例描述

在数字化转型的推进过程中，某央企逐渐意识到其传统客服系统已无法满足日益复杂的业务需求和多样化的客户期待。为更好地应对这一挑战，该企业选择引入“澜舟智客”解决方案，即通过融合孟子大模型与 RAG、Agent 智能体技术对智能客服平台进行全面升级。此次升级的核心目标在于大幅提升客户服务质量，进而提升用户满意度与忠诚度。

为实现这一目标，企业对交互体验和对话执行效果上提出了更高要求，尤其是增强系统的上下文理解能力，使其能够基于用户提问自动推荐相关问题，帮助用户快速找到所需信息，提升互动的流畅度和满意度。通过深度会话分析，自动挖掘并优化标准操作流程和高效沟通话术，为客户提供更优质的服务体验。此外，依托用户画像精准匹配营销策略和沟通内容，确保服务始终精准、高效。在知识管理方面，企业希望借助智能化知识处理系统自动生成答案、摘要及报告，并迅速提取关键信息，以简化知识库更新流程并加快响应速度。

这些优化措施的实施，助力企业构建了更具应变能力的智能客服体系，从而支持企业快速适应市场变化，实现高效运营。

04 主要功能

澜舟智客解决方案根据客户业务场景进行全方位梳理，深度解析对话记录，智能识别意图和高频问题，精准洞察客户需求，提炼核心关注点并挖掘潜在价值。系统自动提取优质客服话术，生成标准化的黄金话术模板，提升沟通质量并助力销售转化。坐席助手通过对话场景和用户画像实时推荐最优应答，有效增强品牌信任度。在知识管理方面，利用澜舟智库的知识管理引擎高效采编非结构化内容，结合“搜问一体”功能，精准识别问题语境，快速提供最佳答案，大幅提升知识库效能及客服响应效率。

对话意图识别引擎-（对话与沟通更智能——“听得更懂”）

通过对客户服务沟通记录的深度分析，实现了对客户真实意图和常见问题的智能捕捉。这种多维度的意图解读不仅帮助企业更深入理解客户需求，快速提炼核心关注点，还能识别潜在价值，从而为经营策略优化提供有力的数据支持。借助智能语义分析技术，系统深入挖掘客户的“声音”，全面提升服务质量和客户体验。

坐席辅助助手-（会话洞察更深入——“说得更好”）

具备智能识别能力，能够实时分析客服所处的服务场景，并自动匹配相关的标准话术进行推荐。通过自动抓取客户咨询中常见问题的标签，坐席助手迅速提供最佳回答建议。能够精准判断用户意图，确保提供的答案更具针对性和准确性。此外，模型自动识别和提取表现优秀的服务人员及成功案例中的优质话术，生成标准化的黄金话术模板。根据用户画像和对话内容，精准匹配标准操作程序（SOP）营销话术。使沟通过程更加高效专业，进一步增强用户对品牌的信任和满意度。

客服智能知识库-（知识加工更简单——“学得更快”）

通过孟子 GPT 与 RAG 相结合构建的客服智能知识库，支持高效提取 PDF、Word、FAQ 等格式文档，显著简化非结构化知识的采编流程。借助孟子 GPT，企业能够一键扩充 FAQ 库，快速生成知识内容，极大降低人工成本。同时，客服人员在解答客户时，可以根据具体场景调用大模型对答案进行优化和润色，以满足不同情境的需求，提升回复效率。此外，系统具备“搜问一体”功能，能够根据客服提问的语义和上下文迅速识别问题中的关键信息，准确总结并提供最佳解答。这不仅提升了知识管理的整体效率，也显著优化了客户服务体验。

05 技术创新点

多轮意图对话

• 上下文理解增强：通过孟子-GPT 在基础上下文理解能力基础上，针对客服会话过程对指代判别、情感判别、会话主题等进行会话理解增强。

• 路由意图组件：通过大模型来做路由任务分发，比如是做知识问答还是做业务办理，由大模型来决定（历史对话状态、当前的输入以及背景知识库综合得到新的对话状态），通过调优过后的 Prompt 让大模型生成相关回复。并根据输入的用户查询、行动列表、话题堆栈的当前状态以及聊天历史来分析和预测话题的发展。确保在整个对话过程中始终保持对话的连贯性和一致性。

• 多轮对话改写能力：针对用户查询中的省略和指代问题，通过构建多样化的对话数据集及应用 Chain-of-Thought（COT）技术，系统成功提升了上下文理解能力，确保了回答的连贯性与准确性。

• 智能化搜索与问答机制：通过 RAG 技术，系统有效提升了检索精度与回答质量。分阶段的召回与排序机制，结合双塔模型和学习排序（LTR），实现了快速高效的文档筛选。

• 深度问答与答案溯源：通过自动化的 Multi-Agent 流程，实现了对复杂问题的深度分析和准确回答。同时，答案溯源技术通过精准的文本相似度评估，确保用户能够核查答案的来源，提高了系统的可信度。

业务流程和策略结合

• 指令策略引擎：提供面向咨询、推荐、查询等各类任务指令场景，在自然会话中跨场景完成策略任务。引擎中可以采纳，也可以重新生成，采纳以后也还可以继续追问进行完善，在复杂场景中可以快速进行编排，完成对话任务。

• 业务调度引擎：根据具体指导提示以及丰富的话题和上下文来生成指令及执行。将会话过程中的任务进行分解和理解，并且自动化调配相应的周边业务系统数据，完成对话内容的生成。

• 多智能体业务系统集成、分层和协同：根据对客户意图的理解，结合业务系统的 API，智能体大模型规划服务客户的任务并关联业务系统 API，在客户的交互中，完成任务的执行，最终实现对客户意图的响应。针对不同的业务系统设计相应场景的智能体，并根据业务关系将智能体进行分层调用，对于复杂的综合需求，经过任务拆解分发到不同智能体执行并协同完成。

会话意图识别准确

• 大模型底座优化：通过孟子-GPT，获得高质量的语义表示。基于上下文语义语境从用户的会话中理解抽象出基础语义定义。同时通过微调手段，使得模型能够更好地适应特定任务更好地处理语境信息，从而更准确地识别意图。

• 意图策略组件：通过模块预制业务规则， Query 触发规则就直接返回设定的答案，如未命中规则则触发意图模型，把用户 Query 预测到对应的业务类型，再对应到 FAQ/知识图谱/文档中生成回复。识别用户的细粒度情绪，然后以合适的策略做出对应的情感表达，如意识到用户不满时要使用安抚策略。

• 画像策略组件：全面抓取并分析客户行为数据（浏览轨迹、历史订单、会话记录、身份信息等），让客服机器人第一时间了解客户。快速预判基于客户画像、行业知识构建以及精准的语义分析，让机器人迅速准确理解客户意图。

06 应用落地情况

在项目落地过程中，我们对某央企的部分业务进行了上线验证和评估，结果显示业务效率和客户体验均实现了显著提升。

智能对话功能将客户响应时间缩短了 35%，同时客户满意度显著提升，直接体现在客户转化率上，增长达 2%。

借助多模型混合技术，企业在精准捕捉客户意图方面的能力得到了显著增强。此外，自动推荐相似问题的功能有效减少了人工介入，整体服务效率大幅提高。在知识管理层面，自动生成的知识库与文档回复系统大幅提升了知识加工效率，相关成本降低约 30%。

在质检方面，自动生成的知识库和质检机制使质检精度提升了 30%，显著降低了因服务失误导致的客户流失风险。这一转变不仅减少了人工操作时间和人力成本，还确保了知识更新的及时性和准确性，使客服人员能够迅速获取关键信息。

综上所述，智能客服系统的升级为该央企实现了运营成本的节约，显著提升了整体业务效率。这些成果不仅增强了该企业的市场竞争力，也为未来的可持续发展奠定了坚实基础，充分彰显了大模型技术在提升运营效率与客户服务质量方面的巨大潜力。

07 效益分析

经济社会效益

AI 大模型技术在客户服务领域的应用带来了显著的经济和社会效益。通过提升智能对话功能，客户响应时间大幅缩短，客户满意度和忠诚度随之提升，直接促进了客户续约率的增长，为企业带来了稳定的收入来源。同时，AI 技术的应用还降低了运营成本，提高了整体业务效率，增强了企业的市场竞争力。此外，自动生成的知识库和质检机制提高了质检精度，降低了错误率，显著减少了因服务失误导致的客户流失风险，为企业赢得了良好的市场口碑。

商业模式

澜舟科技依托”澜舟智客“智能客户服务平台，融合大模型与工程化手段，围绕“产品+定制+服务”的一体化模式，实现了大模型的本地化部署和应用开发，能够精准响应企业在智能客服方面的多样化和个性化需求。此方案不仅为企业提供了精准、高效、可扩展的客服支持，显著提升用户满意度和服务质量，同时为企业创造了长期价值，推动客服服务的智能化升级。

应用推广前景

随着数字化转型的不断加速和消费者需求的日益变化，越来越多的企业开始关注客户服务的质量与效率。澜舟智客凭借其卓越的孟子大模型技术，能够为企业提供智能化的客户服务解决方案，切实满足多样化的业务需求。

展望未来，AI 大模型将持续朝着更高精度、更强泛化能力及多模态融合的方向演进。随着技术的不断进步与应用的深化，大模型将在更多客户服务领域中发挥关键作用，为企业提供全面的智能化支持。这一转变不仅将提升企业运营效率，也将优化客户体验，从而增强企业在激烈市场竞争中的优势。