做电商的朋友最近跟我吐槽，说每天几百条咨询，光回复"什么时候发货""这个尺码怎么选"就占了一半时间。请客服太贵，不请又影响转化。我说你这个问题，三行代码加一个API就能解决大半。
我在上个项目里用AI搭了一套自动成交客服系统，跑了三个月，把人工回复量压掉了70%左右。今天把这套方案拆开聊，全是实操，没有虚的。
核心思路很简单：一个客服场景里，用户问的问题其实就几类。售前咨询、规格确认、库存查询、售后处理、砍价议价。每一类用不同的处理方式。
我的架构分三层。第一层是意图识别，用一个小模型或者甚至关键词匹配来做，把用户消息分到不同的管道。这一步不用上大模型，节省成本。我用的是一份YAML配置加几个正则，命中率在85%以上。
第二层是对话处理，这块我用的是Claude的API。它会根据用户意图和商品信息生成回复。但有个关键点——不能让它自由发挥。我给它的系统提示里写死了规则：第一，不知道的不要说，引导用户转人工。第二，涉及价格和库存的必须查数据库，不能自己编。第三，回复长度控制在三行以内。
第三层是转人工策略。当AI连续两次无法解决，或者用户情绪明显不好，或者用户主动要求转人工时，自动转接。这层逻辑我写了一个状态机，每轮对话更新四个字段：解决状态、用户情绪分、轮次计数、最后处理人。
这套系统的运行成本是多少？我算过一笔账。每天处理大概400-500条对话，调用API的成本大约在15到20块钱。而以前这需要两个全职客服轮流值守，一个月工资加社保至少1.5万。还不算夜间无人值守流失的订单。
再说说踩过的坑。
第一个坑是AI编价格。早期我没给AI限制，用户问"这个最低多少"，它直接报了一个比成本还低的价格。后来我在系统提示里加了一条硬约束：所有价格相关回复必须从商品数据库读取，AI只负责组织语言，不负责生成数据。
第二个坑是负面情绪放大。有次一个用户投诉物流慢，AI回复了一堆道歉，还主动说"我们赔偿您10元优惠券"。本来用户只是抱怨一下，结果被AI这么一搞，所有用户都开始投诉要赔偿。解决方案是设定AI对负面情绪的回应模板，只能走固定的安抚流程，不能主动承诺赔偿。
第三个坑是AI的废话问题。大模型默认喜欢写长回复。客服场景里用户不想看小作文，要的是快速回答。我把输出token限制在150以内，同时要求回复格式为：先直接回答问题，再补充必要信息，最后加一句引导成交的话。
我用的是方案并非最前沿的技术，但胜在稳定和可控。对于创业者来说，不需要追求什么Agent自主决策或者多智能体协同，先把一个场景做透做稳，每月省下的人力成本就是纯利润。
除了客服本身，这套系统还带来了一个意外收获：对话数据的积累。以前客服聊天记录很少有人翻，现在每轮对话都结构化存储了，我每个月跑一次分析，看用户问得最多的问题是什么，对什么不满意。这些数据反过来指导产品优化和详情页修改，比任何用户调研都真实。
对于想做这件事的朋友，我建议从最痛的点切入。如果你做的是知识付费，先解决常见问题自动回复。如果你做的是标品电商，先解决规格咨询和库存查询。不要一上来就想要一个全能的AI客服，那往往做不成。
工具链方面，我的推荐是：前端用任何IM的开放API都行，后端用Python写个FastAPI服务，大模型用Claude或者DeepSeek（国内调用快），数据库随便用个SQLite或者MySQL。整件事情的核心不在于选什么模型，而在于你怎么设计那套规则和兜底机制。
AI不一定要帮谁写代码画画才叫生产力。帮创业者每天省出几小时回复重复消息，把省下的精力拿去研究产品和流量，这才是真赚钱的路子。 |
