AI答疑实践：有赞门店智能助手效率提升之道

春节前后，DeepSeek突然出圈，把AI的热度推到了一个新高度。各大厂都在加码AI工具，有赞门店技术团队自然也没闲着。我们一直在探索各种能借助AI提效的手段，今天这篇文章，就打算从「技术答疑」这个小切口入手，聊聊我们基于飞书Aily平台搭建智能助手的真实经历和思考。

在这篇文章里，你会看到：

• 为什么最终选择了Aily来搭这个门店智能助手；
• 实际用下来，它到底帮我们省了多少事、提了多少效；
• 以及在整个搭建和调试过程中，那些踩过的坑、沉淀下来的心得。

1. 为什么是Aily？

SaaS系统的业务复杂度是出了名的——标品功能、定制功能、白名单功能混杂在一起，服务商家越多，每天收到的咨询和问题反馈就越多。这背后有几个根深蒂固的痛：

• 大量问题其实只是基础流程配置或简单咨询，却占用了大量人力和时间。
• 问题量太大，研发和客服根本处理不过来，紧急问题容易在洪流中被淹没，客户体验自然好不了。
• 商家的问题重复性极高，但每次都需要人工去查、去判，效率低下。
• 文档分散在各处，维护困难，答疑极度依赖个人经验，没有形成组织级的沉淀。

为了破解这个局面，我们引入了Aily智能助手。看中的是它几个核心能力：

• AI智能回答，提速降本
  ：基于已有的知识库和大模型能力，快速回应用户咨询，基础问题秒级响应，大幅减少人工时间。

• 持续学习，知识库自动更新
  ：能不断学习新内容，随着业务变化动态调整知识库，始终保持信息准确。

• 深度集成，打通内部系统
  ：能和企业自有系统无缝对接，数据流转不再有孤岛，处理结果也能回流到内部系统做闭环管理。

基于这些能力，我们搭建了

（下文简称门店智能助手），目标很明确：优化答疑流程，提升效率和客户满意度。

2. 门店智能助手：业务流程与真实效果

2.1 业务流程：本质上是“监听到应答”的闭环

整体逻辑不复杂：系统实时监听飞书群里的消息，智能助手通过Aily的RAG+LLM能力做智能应答。如果用户对答案不满意，还可以通过助手提供的按钮，进一步提交问题或需求。

（流程图）

2.2 深度集成：让闭环真正跑起来

整个流程和我们内部系统做了深度绑定。基于内部已有的能力底座，再加上AI的加持，把答疑、问题创建、需求跟进串成了一个完整的闭环。

（集成示意图）

2.3 实际效果：数据说话

上线不到两个月，效果可以说相当有说服力：

• 近一个月对话数超过1000+，相当于回答了1000多个问题。答疑回复和提交问题的比例大约2:1——约2/3的咨询被智能助手直接处理掉，无需人工介入。
• 基于智能助手自动总结的知识内容40+条，知识库在不断被充实，准确度也在持续上升。
• 通过助手创建的咨询或问题超过300个，紧急问题拉群处理10+，响应和处理效率明显提升。
• 而且这套方案的可复制性很高——复制给其他业务使用，搭建耗时仅1人日左右。

3. 搭建过程与实用技巧

3.1 三个阶段，逐步打磨

阶段一：先跑起来，再发现问题

第一阶段目标很简单——尽快上线。我们直接用Aily的知识问答流程，答不上来的问题调用后备技能，靠大模型判断是线上问题还是新需求，自动创建Jira。但上线后问题暴露了：很多不是问题的问题被错误创建；问题还是需求AI也傻傻分不清。结果不但没提效，反而增添了工作量。

阶段二：重构流程，人机协同

意识到AI还没法完全替代人工，我们的思路转为“人机协同”。核心做了三件事：

• 改用工作流模式，把知识问答嵌入到完整的答疑流程中。
• 给提问者更多自主权——答案不满意可以直接按按钮提交问题，避免AI误判带来的额外工作。
• 完善知识库：和公司内部AI团队合作，把对外发布的帮助中心内容向量化后纳入知识库，让数据来源更权威。

至此，工作流已经完全替代了最初的知识问答模式。

阶段三：效果调优，持续学习

第二阶段跑下来，仍然有知识库过期、隐性知识缺失、紧急问题响应慢等痛点。所以我们做了进一步优化：

• 支持话题内容自动总结，总结后同步到多维表格，再同步至Aily知识库，实现近实时更新（3小时间隔），显著提升了隐性知识的沉淀效率。
• 新增紧急问题一键拉群功能，严格权限控制，只有技术支持负责人能用，拉群后自动邀请值班人员进群，确保命中了就快速响应。
• 成本控制方面，把大模型全面切换为公司自研接口，既适配业务又降低成本。

（图片）

3.2 一些可以复用的技巧

技巧一：用总结技能实现知识库的自学习

知识库更新不及时、隐性经验没落到文档里，导致助手答不上来——这是很常见的事。但如果有其他同事在话题下给出了有效回答，就可以用总结技能把这些内容“吃”进去。

：监听消息中是否包含“总结”关键词；触发后，遍历话题下所有已发布消息；提取问答对并用大模型整合成简洁内容；最后存入多维表格，再同步至Aily知识库。Aily平台每隔3小时会自动做一次增量更新。

（相关示意图）

技巧二：技能编排要讲“模块化”

技能编排本质上是低代码流程编排，但完全可以借鉴编程思维——把通用的逻辑抽象成独立技能，提高复用性和可维护性。

举个例子：获取飞书文档需要token，那就可以写一个“根据URL生成token”的通用技能，其他地方直接调用就行。我们把整个答疑流程抽象出了多个可复用技能，主流程反而变得非常简单。

• 封装了token获取方法
• 封装了各种消息卡片技能
• 封装了消息总结技能
• ……

（组件示意图）

技巧三：如何降低AI幻觉，提高准确性

AI给出看似正确实则错误的内容并不少见，大多是因为知识内容模糊导致的。可以从几个维度优化：

• 优化prompt
  ：加入明确约束，比如“输出时不能做任何衍生、扩展或缩减”，限制AI的自由发挥。

• 调低温度参数
  ：建议设置在0.3～0.5之间，降低生成结果的随机性。

• 完善知识库
  ：设置标准问答对；添加术语库（尤其是有赞内部的专业术语）；引入满意度反馈机制，持续修正。

• 增加引用和声明
  ：在回答底部标注参考来源，并加一句「本答案由AI智能生成，仅供参考」，让用户有判断依据。

（优化前后对比图）

技巧四：大模型调用超时怎么办

一开始所有大模型节点都用GPT-4o，活跃度上来后，每天频繁出现超时或限流。和飞书技术支持沟通后得知，国外模型存在服务器不在国内的客观问题，建议改用豆包或DeepSeek。实际切换后超时情况大幅减少。目前我们的经验（不完全普适）是：

• 图片解析 → GPT-4o
• 总结、意图识别、推理 → DeepSeek-v3
• 字段提取 → 豆包

另外也可以反查流程编排里是否有多余的大模型调用节点，减少节点数同样能提高稳定性。

技巧五：上下文长度管理

当prompt中注入的参数过长（比如知识库和帮助中心查到的内容），超出大模型上下文限制后，可能会出现答非所问的情况。优化prompt、减少不必要的参数注入，就能有效缩短上下文长度。比如优化前prompt超1万字，助手给出了错误答案；优化后压到3k+，答案就对了。

此外也可以通过调整模型的max token参数来扩大上下文窗口。

技巧六：技能编排没有回滚，记得备份

技能编排修改后不支持历史版本回滚，也没法查看改动内容。建议每次修改前先复制当前技能，在新的副本上改。调试通过后再切到新版本上线，这样线上不会受影响，出问题也能快速切回。

技巧七：善用评测功能，发布前先验证

大模型回答本质上是概率性的，同样的提示词换一个模型可能就变样了。Aily的「评测」功能可以导入常用测试集做批量验证，执行后输出评测报告，通过后再上线。这就像写代码前先跑一遍单元测试——保证每次发布的功能是可靠的。

4. 总结与展望

搭建这个智能答疑助手的过程中，一个很深的体会是：真正的智能化转型，不是简单地用工具替代人，而是实现人机协同的能力跃迁。通过Aily的深度应用，我们从单一答疑场景，延伸到了多个维度的智能化升级。

除了本文重点讲的答疑，我们还尝试了其他方向的实践，效果也不错：

• AI代码审查：从构想到快速落地
• 基于Aily的线上日志告警自动分析

AI+低代码的组合，让我们能快速搭建各种应用场景，把想法快速落地并跑起来，这本身就是对创新和迭代能力的一种加速。AI的价值从来不是替代工程师，而是解放创造力。当Aily处理了80%的常规问题，我们就能腾出精力去解决那些真正重要、更有创造性的事。这或许就是技术进化的终极意义——让我们回归思考的本质。