大模型时代，如何让AI客服“听懂人话”、“更有温度”？

大语言模型浪潮下的客服变革：从技术跃迁到商业价值

大语言模型的浪潮席卷而来，客服行业正在经历一场深刻的变革。自2019年以来，随着参数量的持续扩张，推理能力和文本生成能力开始涌现。但技术跃迁到商业落地之间，还有一系列产品能力和技术架构需要升级。那么，核心问题来了：

从企业视角看，技术驱动的客服场景核心价值其实很清晰——成本、效率、业务增长。当AI大模型进入客服场景后，数据安全也成了绕不开的话题。针对这些诉求，

用户习惯转人工？

长久以来，企业AI客服面临的一大痛点相当经典：“机器人根本没用，用户还是习惯转人工，怎么办？”解决这个问题的关键，在于把问题分类，让大小模型各司其职。事实类问题交给小模型，开放性、主观性问题则由大模型处理。作为Quick Service v2.0核心能力之一的AI Chat，正是

数据不会说谎：

。用户对机器人不再反感，服务自然能“接得住”“接得好”。举个例子，某处于扩张期的知名餐饮品牌，借助AI Chat产品能力，将覆盖业务70%以上复杂且高频的问题交给机器人解决。结果如何？客服人员减少了，服务效率反而提升了，质量也稳住了。

复杂指令不理解、个性推荐没温度？

拥有自己IT团队的企业，往往会通过开源框架调用大模型。但过程中常见一个问题：“我已经用大模型做知识准备，可输出不是我要的，怎么办？”不妨打个比方：朴素RAG就像休闲的“社区足球”，模块化RAG则是专业的“世界杯”，两者在准确程度上差距明显。许多应用大模型的企业都是大型企业，说明书复杂得吓人。如果直接调用朴素RAG能力，识别与理解的准确率很难保证。而通过模块化RAG对固定版式专门调优，就能更精准地控制结果和生成内容。

以创建代办场景为例。过去企业往往用固定SOP指示用户点击操作，一旦用户偏离轨道，机器人就束手无策。

除了指令问题，AI Chat还能通过历史对话记忆用户的年龄、性别等信息，再结合企业业务活动表格，进行个性化推荐。更妙的是，它还能对生成答案进行编排与控制——比如告知活动信息时顺便查阅天气，提醒出行事项。这种

。

客服接线时长居高不下？服务满意度低？

根据调查，客服理解定位客户问题平均耗时100秒，翻查规范规则回复用户平均170秒，与上下游部门协同平均80秒。一句话：“企业客服接线平均时长高居不下，满意度和成本都受影响”，这成了普遍难题。为此，我们提供了AI大模型、小模型与AI工作台相结合的解决方案——Quick Service AI工作台，通过AI Pilot的客服能力，有效提升了服务效率。

——为客服人员提供全方位业务指引和实时辅助。客服只需对侧边栏插件AI生成的答案进行校验，即可直接发送给用户。即使任务繁重，也能轻松处理多个并发需求。

——在上下游协同中，AI大模型可根据对话信息自动识别，自动填充工单标题、摘要，快速精准总结当前问题，把客服从繁重的填单工作中解放出来。

——客服人员以及被转交的服务人员无需翻阅历史对话，通过AI总结的摘要就能快速了解问题，提供针对性服务。

目前，Quick Service v2.0已在汽车、餐饮、家电等不同行业落地，帮助企业打造“能共情”的用户体验，实现了智能推荐、智能填单、内部运营等场景的降本增效。随着大模型不断完善，