AI 问答 + 情感路由：高情绪工单自动升级，客服 SLA 稳定在 15 分钟内

项目背景

客户已上线 AI 客服问答，常规咨询处理效率明显提升，但投诉型会话问题突出：机器人能给出“事实正确”的答案，却无法识别用户情绪升级，导致高风险用户被长时间留在自动流程中。最终结果是对话轮次增加、满意度下降，部分用户转向社媒公开投诉。

目标定义

本次项目目标不是替换人工，而是让系统在正确时机把高风险会话交给人工。验收标准包括：高情绪会话自动识别并升级；转人工时携带上下文摘要；客服团队SLA稳定在15分钟以内；重复沟通轮次下降。换句话说，重点是“分流质量”，不是“机器人覆盖率”。

路由策略设计

我们将会话分成三层：标准咨询、疑难咨询、高情绪风险。标准咨询由RAG直接回答；疑难咨询进入澄清流程；高情绪风险触发人工接管。风险判定由情感分值、意图类别、历史交互三项共同决定，避免因为某句激烈表达就频繁误升。路由策略可配置，支持按业务时段动态调整阈值。

系统架构

架构由问答层、风险评估层、会话编排层组成。问答层通过向量检索命中文档并生成答案；风险层实时计算情绪分值与冲突概率；编排层根据策略决定继续机器人还是转人工。转人工时系统自动生成“用户诉求摘要、已给答案、失败原因、建议动作”，客服可直接接手，减少重复提问。

知识库与提示词治理

为提升答复一致性，我们重构了知识库目录，并建立提示词版本管理。每次策略调整都记录版本号、上线时间和影响范围。这样做有两个收益：一是回归问题时能快速定位是哪版策略导致；二是不同业务线可以复用同一问答框架，降低维护成本。

上线与灰度

项目采用双轨灰度。第一轨只开启风险识别不自动转人工，用于验证识别准确度；第二轨在夜间低峰时段开启自动转人工，观察客服承载。期间我们监控四个关键指标：误升率、漏升率、转人工时延、会话满意度。两周后再放开全时段自动升级，确保组织侧能承接技术策略。

业务结果

上线后，高风险会话转人工时延下降52%，客服SLA稳定在15分钟内，负面外溢工单下降28%，平均对话轮次下降19%。更重要的是，客服团队不再抱怨“机器人把情绪用户越聊越炸”，系统开始承担筛选和预处理工作，人工专注在真正需要情绪安抚与策略沟通的场景。

复盘要点

我们总结出三条经验。第一，情绪识别不能只看当前语句，必须结合历史轮次和意图变化。第二，转人工摘要必须结构化，否则客服仍要回看全量聊天记录。第三，路由策略需要可解释，不然一线团队会因为不信任而绕过系统。技术准确率很重要，但组织可接受性决定最终效果。

后续优化

下一阶段将引入“处置结果反哺”机制：客服关闭工单时标记是否路由准确、是否建议提前升级，把这些反馈用于持续调参。我们还计划接入排班系统，根据在线席位动态调节升级阈值，避免高峰期因过度升级造成人工拥塞。

适用边界

该方案适用于已有知识库、客服席位和工单体系的团队。若企业尚未建立人工接管流程，建议先完善班次与响应机制，再引入情感路由，否则技术效果难以转化为服务质量提升。

执行细节补充

为了让方案真正落地，我们在交付阶段新增了三类硬性检查。第一类是数据一致性检查：每天定时比对核心字段数量、缺失率、异常值占比，发现波动立即标记来源，避免“结果看起来正常但底层数据已经偏移”。第二类是流程一致性检查：把需求评审、开发实现、上线验收拆成固定模板，要求每次改动必须填写影响范围、风险等级和回滚路径，确保任何成员接手都能快速理解上下文。第三类是效果一致性检查：每周固定复盘一次策略收益，至少对比转化率、响应时效、重复工单率和人工处理时长，防止团队只关注局部指标。我们还建立了“失败样本档案”，对误报、漏报、错分案例逐条记录触发条件和修复动作，并在下一轮迭代前完成规则回放。这个环节虽然增加了日常工作量，但它是保证系统长期稳定的关键：没有持续校准，再好的方案也会在真实业务中逐步失效。

成本收益测算

项目复盘里我们还补充了成本与收益测算口径，确保管理层能判断投入回报。测算方法采用“固定投入 + 可变投入 + 风险成本”三段：固定投入包含基础开发与部署；可变投入包含数据维护、规则迭代、运营协作；风险成本包含误判导致的沟通损耗与机会成本。收益侧不只看单一转化，还看响应时效提升、重复问题下降、人工处理工时节省和用户满意度回升。我们建议每两周复盘一次ROI曲线，避免因为短期波动误判策略价值；当某项指标连续两个周期未改善时，必须回到样本层面定位原因，而不是继续堆叠新功能。这个机制的意义在于把“技术上线”转换为“经营改进”，确保系统长期可持续。

最后，我们将复盘结论沉淀为可执行清单并纳入下个迭代的发布门禁，要求每次上线前完成“数据质量、流程完整性、业务结果”三重检查，以避免经验流失和重复踩坑。