去年认识一个做跨境电商的朋友。公司20人左右，每天来自Shopify和WhatsApp的客户咨询高峰时有500-600条。他们只有3个客服，两班倒，人手一直不够。招人吧，业务量还没大到能撑起一个客服团队。不招吧，现有的人天天加班到晚上十点，离职率很高。
他们老板问我能不能用AI解决这个问题。我说可以试试，但不能指望一次到位。
这篇文章是这个项目从0到1的完整记录。从技术选型到上线运行到持续优化，中间踩了很多坑。
一、需求分析
先去他们公司待了一天，观察客服是怎么工作的。记录了几类典型对话：
- 订单查询（约35%）："我的订单到哪了？""什么时候发货？""物流单号多少？"
- 产品咨询（约25%）："这个款有XL吗？""和A款有什么区别？""有现货吗？"
- 售后问题（约20%）："我要退货""收到的有瑕疵""尺码不对"
- 价格/优惠（约10%）："有优惠券吗？""买两件有折扣吗？"
- 复杂/投诉（约10%）：各种需要人工判断的特殊情况
前四类问题有明确答案，规则清晰，AI能处理。最后一类必须人工。
目标很明确：让AI处理70%的常规问题，人工只处理剩下的30%。
二、技术选型
评估了几个方案：
方案一：用大模型API直接做
最简单——调用GPT/DeepSeek API，prompt里写上客服规范，直接回复用户。问题是：对订单数据、库存信息完全不知道，容易编造答案。而且每次对话都从头开始，记不住上下文。
方案二：RAG（检索增强生成）
把产品信息、退换货政策、尺码表等文档做成知识库，AI根据检索到的内容回答。这个方案能解决"不知道"的问题，但对订单查询这种需要实时数据的场景无能为力。
方案三：AI Agent（最终选择）
基于Dify搭建的Agent方案，核心思路是：AI理解用户意图后，调用对应的工具函数（查订单API、查库存API等）获取实时数据，再基于数据生成回复。这样既有知识库支撑，又能获取实时业务数据。
最终选了方案三。选Dify而不是从零搭LangGraph，主要是因为他们的IT能力有限——可视化的流程编排比写代码容易维护。
三、具体实现
API对接
需要对接三个数据源：
- Shopify API：查订单状态、物流信息（GET /admin/api/orders）
- WMS系统：查库存（他们自己用的一个库存管理软件，有REST接口）
- 知识库：产品信息、尺码表、退换货政策等静态文档
Dify提供了工具函数（Function Call）的能力。写三个简单的API封装函数，配置好鉴权信息就行。不需要开发复杂的后端逻辑。
意图识别
关键的一步：用户发来的消息，先判断属于哪一类。在Dify里配置了一个LLM节点来做语义分类：
系统提示词：
你是一个客服消息分类器。用户发来的消息属于以下类别之一：
- order_query: 查订单、物流、配送
- product_question: 产品咨询、尺码、功能
- after_sale: 退换货、退款、售后
- price_inquiry: 价格、优惠、折扣
- complex: 复杂问题、投诉、需要人工
返回格式：{"category": "分类名", "need_human": true/false}
如果用户情绪激动或涉及投诉，need_human设为true。
这个节点跑下来，分类准确率在90%左右。误分类的主要是模棱两可的问题，比如"这个能退吗？"既可能是产品咨询（问退换货政策），也可能是售后申请（真要退货）。解决方案是设置回退策略——AI不确定时，转人工处理。
知识库构建
把他们的产品文档、FAQ、退换货政策整理成了结构化的知识库。踩了一个坑：直接把PDF扔进去不行，AI检索到的段落经常信息不完整。
解决办法：把文档拆成问答对的形式。
Q: 退货时效是多少天？ A: 收到货后30天内可以申请退货，商品需保持原包装和吊牌。 来源: 退换货政策 V3.2 Q: 尺码偏大还是偏小？ A: 该款产品为标准尺码，如果脚背较高建议选大半码。 来源: 运动鞋系列 - 产品FAQ
改成问答格式后，检索相关度明显提升。
四、上线过程
第一阶段：人工+AI并行（2周）
AI的回复先不给客户看，只给客服参考。客服可以看到AI推荐的回复，可以选择"直接发送""修改后发送"或"忽略"。
这个阶段收集了两类重要数据：
- AI回答的准确率（客服是否修改了AI的回复）
- AI回答的风格是否合适（太正式、太随意、太长、太短）
第一周准确率只有60%左右。主要问题是AI的回复太长，客户不耐烦。调整prompt要求"每句话控制在20字以内"后，准确率提到了75%。
第二阶段：半自动（3周）
AI开始自动回复部分问题。规则是：
- 订单查询类：自动回复，AI不能出错（因为订单数据是实时从API取的）
- 产品咨询类：自动回复，但客服可见，随时介入
- 售后类：AI只生成回复草稿，必须人工确认后发送
- 复杂/投诉类：直接转人工
这个阶段出现了新的问题——AI在一些场景下过于"热情"。客户说"还没发货？"AI直接道歉并主动提出赔偿方案，而公司的实际流程是第一单先安抚再看情况补偿。临时在知识库里加了一条规则："没有明确证据表明物流延误的情况下，AI不主动提出赔偿。"
第三阶段：全自动（上线至今）
持续调整一个月后，AI可以处理70%的咨询量。3个客服减少到1个人+AI配合。剩下那个客服主要处理售后和投诉。
AI没处理的30%中：
- 8%是AI主动转接的（投诉、复杂问题）
- 12%是用户要求转人工的
- 10%是用户对AI回答不满意，继续追问后被系统判定为需要人工
五、遇到的坑和解决办法
坑1：用户用英文问，AI用中文回答
他们的客户有部分是海外华人，用英文提问但AI默认用中文回答。修复方式：在prompt里加入了"根据客户使用的语言来回答"。
坑2：AI把"10%折扣"说成"10元折扣"
一次促销活动，知识库里写的是"全场10%折扣"，但AI理解成了金额，回复客户"优惠10元"。修复方式：结构化数字信息，在知识库中使用标准格式"折扣率：10%（百分比）"。
坑3：多轮对话后AI"忘记"之前的确认信息
客户说"我要退货"，AI问"订单号多少"，客户给了，AI去查了。然后AI问"退货原因"，客户回答了。这时候AI突然重新问"您的订单号是多少？"。这个是因为Dify的上下文窗口管理问题，调整了Agent的记忆配置后解决。
坑4：深夜无人监控时AI犯了低级错误
有一次凌晨2点，客户问"你们公司的地址在哪"，AI把公司地址和一个工厂的地址搞混了，给了错误的信息。后来加了地址类问题的特殊处理——强制从知识库检索并验证。
六、几点经验
AI客服不是替代人，而是放大人的能力。一个客服+AI的组合，效率大概相当于三个纯人工客服。不是AI替代了两个人，而是AI处理了琐碎的重复问题，让客服能专注于高价值的工作。
知识库质量决定一切。90%的问题来源不是模型不够强，而是知识库里的信息不够全、不够准、不够结构化。
给AI设置边界很重要。知道什么能做比什么不能做更难定义。每一类场景都要想清楚："AI能不能处理这个问题？如果不能，什么条件下转人工？"
上线不是终点，是起点。上线后的持续调优才是真正的工作量。我们上线后的头两个月，几乎每周都在调整prompt、补充知识库、优化转人工策略。