长期聚焦飞书开发套件开发、多维表格定制、prompt 定制、智能体设计与自动化工作流构建、ComfyUI 工作流定制,致力于打造真正可用、可复制、可变现的业务系统解决方案。
每一个“转人工”的请求,背后都是一个亟待解决的用户问题,和一份正在流失的客服成本。
与此同时,企业最有价值的知识,却沉睡在海量的飞书文档、产品手册和聊天记录里,难以被传统客服机器人有效利用。
要应对这些挑战,核心在于如何让AI能够理解并运用企业自身的知识。
飞书Aily提供了一套相应的解决方案。它能帮助企业将内外部的动态知识,转化为可靠的智能问答能力,并方便地集成到飞书机器人、服务台或各类客服系统中,有效改善“答非所问”的窘境,提升服务效率。
那么,这套解决方案具体是如何运作,又能解决哪些核心场景的问题呢?下面我们来一探究竟👇
01|方案与场景介绍
简单来说,就是将过去低效、繁琐的人工客服模式,升级为自动化、智能化的AI辅助模式。
✅ Before 传统痛点
❌ 机器人拦截率低: 机器人“傻乎乎”,对用户问题的理解能力弱,用户没有靠机器人解决问题的预期。
❌ 知识维护繁重: 更新服务台的知识库需要多人投入,耗时耗力,且容易出现信息滞后现象。
❌ 操作体验复杂: 繁琐的界面与操作流程拖慢了员工检索知识及响应的速度,操作复杂,影响体验。
❌ 多语言支持瓶颈: 多语言问答仅支持中英,外语人工客服招聘难。
✅ After 优化价值
✔ 机器人拦截率有效提升: 高质量的问答回复效果,降低用户转人工诉求。
✔ 自动化知识维护: 直接连接飞书文档、知识库,即可自动完成问答知识更新,确保信息即时更新。
✔ 可自定义调优,AI 不再“傻乎乎”: 面对不同的问答场景需求,可自定义所需模型并对问题进行针对性调优,为不同场景提供“切实有效”的 AI 智能问答能力。
✔ 多种模型支持多语种: 释放不同模型的多语言能力,一个机器人搞定多种语言交互。
✅ 典型应用场景
-
服务台/值班号: 利用 AI 的理解能力,快速升级内外部值班号、客服问题,提升满意度,间接支持员工生产力提升。
-
运营助手: AI 机器人能够 24 小时随时随地为用户解答产品知识,确保用户在任何时间都能获得及时帮助。
02|核心揭秘:RAG 技术详解
aily 智能客服的背后,是先进的 RAG(检索增强生成)技术。
✅ 什么是 RAG?
RAG,即 Retrieval-Augmented Generation(检索增强生成),是一种结合了信息检索系统与生成式模型(LLM)功能的 AI 应用框架。RAG 通过从外部(例如文档、数据库)检索与用户问题有关的信息,并将这些信息作为上下文,与用户查询一起输入到语言模型中,以生成更准确、更符合应用情境的响应或回答。
✅ 为什么需要 RAG?
大语言模型(LLM)因其强大的能力备受青睐,但也面临知识时效性、幻觉问题等挑战。RAG 框架能有效应对这些挑战:
| 挑战 | 仅使用 LLM | LLM 和 RAG 结合使用 |
|---|---|---|
| 知识时效性 | 模型推理前已经完成了预训练,无法完成对于最新知识的问答和推理的请求 | 增加对实时数据的访问,将最新的知识召回并补充到上下文中,从而生成有效的答案 |
| 特定知识理解 | 使用公共领域数据集训练,缺乏对特定场景或组织内知识的理解 | 通过检索特定领域和组织内的业务知识,使 LLM 能够理解特定的问题,并基于专有知识生成有用的答案 |
| 知识可靠性 | 生成过程中无法显示答案对应的参考来源,用户无法判断生成结果是否存在幻觉问题 | 使用检索到的知识作答时,可以要求 LLM 在输出答案时同时显示参考来源,增强回答的可靠性 |
| 基于大规模知识推理 | 不同的模型支持的上下文长度和长上下文理解能力有差异,无法将完整参考信息直接放入上下文中供生成使用。 | 通过对知识和数据切片和高质量的召回,LLM 只需要使用召回的最相关知识作答,避免过长上下文的干扰 |
✅ RAG 的基本流程
在一个基本的 RAG 框架中,有三个核心步骤:
步骤一:检索 → 以用户的请求查询外部信息源,通过不同的检索和排序技术获取与用户请求最相关的信息。
步骤二:增强 → 将检索到的信息、用户的请求、提示词模板(prompt)等拼装成符合 LLM 格式的完整提示词。
步骤三:生成 → 将完整提示词传递给 LLM,根据用户请求生成响应。
例如,在一个 AI 产品客服场景中,当用户询问“如何修改账号信息”时,由于 LLM 预训练中不包含该产品特有的知识,系统会使用该问题在该产品的帮助手册中进行检索,通过匹配关键词(全文检索)和匹配语义相似度(向量检索)的方式找到最相关的知识片段。这些知识片段与答案生成的指令整合后,发送给 LLM,来生成该问题的答案。
03|快速搭建智能客服应用
搭建应用前,需要明确两个问题:知识的来源、知识的类型,以及客服问答中预期的回答要求。
✅ 第一步:明确知识来源
- 问答机器人迁移: 如果在过往已经搭建过并且有在运营中的问答机器人,一般都已经收集和整理了大量常见问题的标准问答对(FAQ),可以作为初步的知识来源导入到 Aily 知识问答中。
- 知识文档导入: 同时,也可以将更多相关的帮助手册、说明文档作为知识导入,RAG 框架以及 LLM 对自然语言的理解和推理能力,能够更好地对长尾问题进行推理和回答,降低知识维护的成本。
✅ 第二步:明确客服问答期望
在搭建过程中,需要明确所期望的问答生成结果有哪些要求,
例如:
› “我需要服务台能够根据用户问题的语言回复,并显示引用了哪些文档,同时标明回答是 AI 生成”
› “智能客服最好能够用较为友好的语气回答,并且输出一些 emoji”
› “每次的输出必须长且详细”
✅ 第三步:知识问答 - 搭建步骤
当明确了知识来源和问答期望后,我们就可以开始在 Aily 上搭建应用了。
- 创建问答应用 首先进入 Aily 平台首页 aily.feishu.cn,点击「创建应用」,并选择「知识问答」模式创建应用。
- 添加知识来源 你可以在应用对话设置的首页,或在知识问答模块下管理知识来源。
• 添加飞书云文档: 你可以选择两种模式。直连,它能定期自动与云文档同步更新,但无法展示图片,且权限遵循文档本身;或是 导入,这是一种高级切片模式,支持检索文本、表格、图片等内容,但权限需在 Aily 中重新分配。操作时,在「添加数据」中选择「飞书云文档」,根据需要选择「仅接入当前文档」或「文档及子节点」,再选择模式。
• 添加本地文档: 也可以选择本地文档上传,系统会智能切片解析文档中的文本、图片、表格等内容,供回答生成时使用。
• 配置常用问答对 (FAQ): 你可以将问答对保存在飞书云文档中导入,也可以逐条添加。操作时,在「标准问答库」中添加「相似问题」和标准答案。在管理页面右上角,可开启或关闭 「标准问答对拦截…