网易七鱼AI客服：智能客服的工业级方案

可视化演示

动态演示网易七鱼AI客服的核心机制，通过源头/管道/节点/终端四种模式展示关键概念与交互流程。

平台总览：一支训练有素的酒店接待团队

想象你走进一家五星级酒店：门口迎宾帮你开门，前台微笑着问好，值班经理随时待命，电话总机负责转接内线。你需要的不是某个单点服务，而是一套能把问路、订餐、投诉、入住全部接住的协同体系。网易七鱼AI客服正是这样一支“接待团队”——它不是一两个AI功能的拼盘，而是把知识库、工单系统、呼叫中心和机器人对话组织成一条完整的服务流水线。

七鱼平台首先解决的是“全渠道接入”问题：网页、App、微信公众号、小程序、电话呼叫中心，所有入口的会话都被汇集到同一个工单池。客人无论从哪个门走进酒店，前台看到的都是同一位客人的同一份档案。团队内部按角色分工：机器人接待员先上，复杂问题传给人工专员，问题处理完生成工单跟踪到底，形成服务闭环。

从架构上看，七鱼把智能客服分成四个层次：渠道接入层处理各端口的协议转换；会话处理层负责意图识别、槽位提取和多轮对话引擎；业务逻辑层对接订单、商品、物流等企业系统；数据存储层沉淀聊天记录、工单与质检结果。分层设计让企业可以只替换其中一层，比如把机器人从文本版升级到语音版，而不用改动工单系统。

$$\displaystyle \text{覆盖率} = \frac{\text{机器人独立解决量}}{\text{总咨询量}} \times 100\%$$

1. 机器人独立解决量（分子）：整个会话中机器人自主完成、未转人工且用户未再投诉的会话数量。

$$\text{机器人独立解决量}$$

2. 总咨询量（分母）：所有进入平台的会话数，包括纯人工与纯机器人会话。

$$\text{总咨询量}$$

3. 乘以100%：把比率换算成更容易阅读的百分比。

$$\times 100\%$$

正如酒店考核前台“首问负责制”解决率，七鱼用这套指标判断机器人是不是合格的“大堂副理”：先看它接住了多少，再看它接得好不好。

意图识别：一眼看穿客人来意

优秀的前台绝不会等客人说完三分钟才问“您需要什么”，通常在客人开口前三句心里就有谱：要纸巾的是住客，打听会议室的是商务客户，气冲冲的是来投诉的。AI客服的第一步“意图识别”正是这种快速分类能力——判断用户当前这句话到底属于退款、物流、改地址、转人工等哪个意图，相当于先听懂“客人来干什么”。

相比传统IVR语音菜单“按1查物流、按2咨询售后”的笨拙方式，七鱼的意图识别直接对自然语言做多分类。用户说“我的快递怎么还不来”和“货什么时候到”字面完全不同，模型都能归入“物流查询”意图。这背后是大量历史会话训练出的文本分类模型，而不是简单查关键词。

七鱼把常见问题整理成意图标签体系，每类意图配若干相似问法（相似问聚类），再训练一个多分类器。输入一条用户消息，模型输出每个意图的置信度分数，最高分且超过阈值的胜出；如果所有类别都不够自信，就走兜底策略：反问澄清或转人工，避免硬答造成更差的体验。

$$\displaystyle P(y=k|\boldsymbol{x}) = \frac{\exp(z_k)}{\sum_{j=1}^{K} \exp(z_j)}$$

1. 分子exp(z_k)：对第k个类别的原始分数取自然指数，分数越高指数越大，相当于“优势放大”。

$$\exp(z_k)$$

2. 分母所有类别指数和：把K个类别的指数全部加在一起，作为归一化因子。

$$\sum_{j=1}^{K} \exp(z_j)$$

3. 概率比值：第k类的指数占比即概率，范围落在0到1之间，取最大者为预测意图。

$$P(y=k|\boldsymbol{x})$$

前台判断错客人来意会闹笑话，AI意图识别错了也会给出答非所问的回复。所以七鱼在意图模型后面永远挂着兜底策略——像经验丰富的主管一样，拿不准时就多问一句。

槽位提取：把关键信息记到登记簿上

客人说“我要订今晚的大床房”，前台不会把整句话抄进系统，而是快速记下三个槽位：入住时间=今晚、房型=大床房、状态=待确认。槽位（Slot）就是完成任务必需的“填空题”，在客服场景里对应订单号、手机号、退款金额、收货地址这类关键实体。没有这些信息，机器人就没法查订单、没法定责任。

七鱼的意图识别负责回答“要做什么”，槽位提取则负责回答“需要哪些参数”。用户说“我要退款”，意图是退款，但系统还不知道退哪笔订单，此时槽位字段“订单号”还是空的，机器人就会主动追问：“请提供您的订单号。”这就是多轮追问。

槽位提取本质是命名实体识别（NER）加上下文补全。命名实体识别从当前话中找到订单号、手机号等实体；上下文补全则让系统记住前文出现过的信息，比如用户上一轮已经报过手机号，这一轮问“钱什么时候退”就会自动沿用属性值。每个意图都预定义必填槽位表，全部填齐才允许查询或执行，这就是槽位校验。

$$\displaystyle P(s_i | c, u) = \frac{\exp(e(s_i))}{\sum_{s' \in S} \exp(e(s'))}$$

1. 上下文c：历史对话的状态，例如已确认的意图和已收集的槽位集合。

$$c$$

2. 候选槽位集合S：该意图下所有必填槽位组成的集合，比如退款意图需要订单号和原因。

$$S$$

3. 指数归一化：对所有候选槽位打分指数化并求和相除，概率最高的槽位即当前要填充的字段。

$$P(s_i | c, u)$$

就像前台一拿起电话就问“您贵姓、几位、几点到”，机器人也会在关键信息缺失时礼貌追问，直到登记簿填完整才执行下一步操作。

知识库问答：翻阅酒店服务手册

酒店的客房服务手册有几十页，但前台从不让客人自己翻，而是自己心里有索引：问到早餐时间就翻餐饮页，问到健身房就翻设施页。七鱼的“知识库问答”就是替机器人准备了一本可以快速查阅的电子手册，用向量检索代替按字母翻目录，让机器人在海量FAQ里秒级定位答案。

企业把常见问题（退货政策、物流范围、发票开具）维护进七鱼知识库，每条标准问答都会用向量模型编码成高维向量。用户提问时，系统把问题向量化，然后与知识库全部问题向量做相似度计算，找出最相关的一条或几条作为候选，再经过语义匹配精排选出最终答案。

常用做法是“召回+精排”二级结构：底层用向量检索引擎从几十万条FAQ中快速召回Top-K候选，上层再用更精细的语义匹配模型（如BERT拼接判断）打分，最后生成带参考链接的回复。这样既保证大知识库的查询速度，又保证匹配精确率，避免“答非所问”。

$$\displaystyle \text{sim}(\boldsymbol{a}, \boldsymbol{b}) = \frac{\boldsymbol{a} \cdot \boldsymbol{b}}{\|\boldsymbol{a}\| \|\boldsymbol{b}\|}$$

1. 向量点积（分子）：两个向量对应维度相乘再求和，刻画方向上的重叠程度。

$$\boldsymbol{a} \cdot \boldsymbol{b}$$

2. 向量模长（分母）：每个向量自身做内积再开平方，得到向量的长度。

$$\|\boldsymbol{a}\|$$

3. 归一化比值：用模长把点积缩放到[-1,1]区间，消除文本长度差异，只看语义方向是否一致。

$$\frac{\boldsymbol{a} \cdot \boldsymbol{b}}{\|\boldsymbol{a}\| \|\boldsymbol{b}\|}$$

知识库做得好的机器人，就像闭着眼睛也能报出健身房在3楼、早餐在2楼的老前台，答得又快又准，客户自然愿意自助解决。

多轮对话管理：手里始终攥着客人的小本子

一位客人上午打电话说想换房，下午又到前台说还要加一张床，分开看是两件独立的事，但前台记得这是同一个人的连续需求。多轮对话管理就是让机器人也拥有一本“小本子”，跨消息记录用户的意图和槽位状态，而不是每句话都从零开始理解。

七鱼的对话管理器维护一个会话状态，里面存着当前意图、已填槽位、缺失槽位和对话轮数。每次用户发新消息，系统先做意图识别和槽位提取，再根据状态决定下一个动作：继续追问、确认信息、查询知识库还是转人工。这个决策过程叫对话策略。

技术上的状态更新可以写成函数：由上一时刻状态、系统动作和用户输入共同决定新状态。配合分支跳转规则，机器人可以灵活应对用户改口——比如用户说“算了不退了”，状态就从退款意图切到其他意图。整个会话会持久化存储，中断后还能恢复，就像小本子写完了放进抽屉，下次接着翻。

$$\displaystyle s_t = \text{Update}(s_{t-1}, a_t, u_t)$$

1. 上一轮状态s_{t-1}：已经收集到的意图、槽位与轮次快照，是对话的“存档”。

$$s_{t-1}$$

2. 系统动作a_t：机器人上一轮是追问、确认还是回答，影响用户接下来的表达。

$$a_t$$

3. 当前用户输入u_t：用户这条消息经过意图识别与槽位提取后的结构化结果。

$$u_t$$

前台的小本子翻得勤，客人就不用重复报三次手机号。多轮对话管理越顺滑，客服体验就越接近真人“记得你上一句说了什么”的默契。

人机协作：该请经理时就请经理

前台接待员最怕遇到自己搞不定的局面：客人情绪激动要求赔偿，或者问了一个手册里完全没有的问题。有经验的前台不会硬撑，而是立刻说“我请我们经理来处理”。人机协作的核心就是这种“该放手时就放手”的智慧——机器不是要包办一切，而是知道自己的边界。

七鱼在机器人服务过程中持续做几个判断：意图置信度是否过低？同一问题是否反复追问超过N轮？用户是否频繁使用“人工、投诉、快点”等敏感词？一旦命中转人工判据，系统自动把会话连同上下文一起移交给人工客服，避免用户被机器人“绕圈子”惹恼。

转人工不是简单地把聊天窗口丢给人，而是包含技能组路由：根据用户业务类型把会话送到最合适的组（售后组、投诉组），同时把已识别的意图和槽位摘要展示给人工客服，减少重复提问。会话移交后，机器人仍可在后台辅助人工——实时推荐答案、提示风险订单，形成人机混合工作模式。

$$\displaystyle P_{\text{human}} = \mathbb{I}(\text{conf} < \theta \ \wedge\ \text{turn} > N)$$

1. 置信度conf：意图识别或答案匹配模型给出的可靠程度，越低越不放心。

$$\text{conf}$$

2. 阈值θ与轮次上限N：企业配置的服务策略参数，θ越大越容易转人工，N越大机器人越“倔强”。

$$\theta, N$$

3. 指示函数I：条件成立记1，不成立记0，代表“是否触发转人工”的开关。

$$\mathbb{I}(\cdot)$$

好的客户体验是人机各司其职：机器垫底解决高频重复问题，人工兜底处理复杂情绪化场景。就像值班经理只在危急时刻出现，但一出面就能稳住场面。

智能质检：戴着耳麦的主管在旁听

酒店主管会不定期站在前台旁边“旁听”，看接待员有没有说“欢迎光临”、有没有记错房型。质检就是把这套旁听制度自动化、全量化。人工质检一天最多抽听1%的录音，而七鱼的智能质检可以做到100%会话都过一遍AI“顺风耳”，不放过任何一通糟糕服务。

质检模型会对每通会话做多维度打分：是否出现违禁词（贬损、推诿）、响应时长是否超时、情绪曲线是否恶化、知识库答案是否使用正确。每个维度有一个子分，按企业设定权重加权得到该会话的质量总分，这就是服务评分。

其中情感分析组件尤其关键：它对用户消息做积极/消极分类，并追踪情绪变化趋势。如果一次会话里用户情绪从平静变为愤怒，系统会实时告警并建议立刻转人工。质检结果还会反哺训练数据——把坏案例标注出来，加入意图识别和知识库的迭代样本中，形成“质检→标注→训练→上线”的服务闭环。

$$\displaystyle Q = \sum_{i=1}^{n} w_i \cdot s_i$$

1. n个质检维度：包括违禁词、响应时长、情绪分值、知识准确率等检查项。

$$n$$

2. 每维得分s_i：某通会话里该维度由模型自动打出的分数，范围0到1。

$$s_i$$

3. 权重w_i：企业按策略配置的系数，例如情绪维度权重高于响应时长。

$$w_i$$

主管的旁听最终是为了改进服务。七鱼把质检得到的坏案例反哺模型训练，让机器人每周都比上周更专业——这正是智能客服能持续进化的秘密。

AI 应用场景

Python 演示

# 简化版智能客服机器人(仿网易七鱼核心流程)# 演示: 意图识别 -> 槽位提取 -> 知识库匹配 -> 多轮对话 -> 转人工import re class RefundBot:    def __init__(self):        self.intent_words = {            '退货': ['退款', '退钱', '退货'],            '物流': ['物流', '快递', '发货', '到哪'],            '改址': ['改地址', '换地址', '修改地址'],            '转人工': ['人工', '真人', '投诉'],        }        self.slot_patterns = {            'order': re.compile(r'([A-Za-z0-9]{6,})'),            'phone': re.compile(r'(1[3-9]\d{9})'),        }        self.answers = {            '退货': '您可前往订单页面申请退款, 款项将在1-3个工作日原路返回.',            '物流': '您的包裹正在派送中, 请保持电话畅通.',            '改址': '订单已揽收无法修改地址, 建议联系快递员协商.',        }        self.state = {'slots': {}, 'turn': 0}     def predict(self, text):        best, score = 'other', 0        for intent, words in self.intent_words.items():            hit = sum(1 for w in words if w in text)            if hit > score:                best, score = intent, hit        return best, score     def fetch_slots(self, text):        slots = {}        for name, pattern in self.slot_patterns.items():            m = pattern.search(text)            if m:                slots[name] = m.group(1)        return slots     def reply(self, text):        self.state['turn'] += 1        intent, score = self.predict(text)        slots = self.fetch_slots(text)        for k, v in slots.items():            self.state['slots'][k] = v        if intent == '转人工' or (score < 1 and self.state['turn'] >= 3):            return '已为您转接人工客服, 请稍候...'        if intent == '退货' and 'order' not in self.state['slots']:            return '好的, 请提供订单号以便为您快速处理.'        return self.answers.get(intent, '请问还有其他可以帮您的吗?') if __name__ == '__main__':    bot = RefundBot()    dialogs = ['我要退款', '订单号 abc1234567', '你们太慢了, 转人工吧']    for text in dialogs:        print('用户:', text)        print('客服:', bot.reply(text))

1. def predict(self, text):意图识别核心方法，统计各意图关键词命中数，得分最高者胜出。
2. hit = sum(1 for w in words if w in text)逐词判断是否出现在用户消息中，实现轻量打分。
3. def fetch_slots(self, text):槽位提取方法，用正则从文本中抓取订单号和手机号。
4. self.state['slots'][k] = v把新抽取的槽位累加到对话状态，实现跨轮记忆。
5. if intent == '转人工' or (score < 1 and self.state['turn'] >= 3):模拟“低置信度+多轮未解决”的转人工判据。
6. if intent == '退货' and 'order' not in self.state['slots']:必填槽位缺失时主动追问，形成多轮交互。

常见误区

面试题