Case Study 02 — AI Customer Support Agent（AI 客服智能体）
知识库位置：
FDE Knowledge Base/06 Case Studies/02-AI-Customer-Support-Agent.md
Case Metadata（案例元数据）
Section titled “Case Metadata（案例元数据）”Case ID: CS-002
Industry（行业）:SaaS（软件即服务）
Primary Domain（主要领域）:Customer Support（客户支持）
Case Type（案例类型）:Reference Scenario（参考情景）
Complexity（复杂度）:Medium-High（中高）
Primary Technologies（主要技术）:Workflow（工作流）RAG（检索增强生成）Tool Calling（工具调用）LLM（大语言模型）
Business Function（业务职能）:Customer Service（客户服务）
Delivery Stage（交付阶段）:End-to-End（端到端）
Status: CoreVersion: v0.1本案例为 Reference Scenario（参考情景）：用于教学和方法论说明的综合案例，并非某个真实客户项目。参见 Case Studies README（案例域使用说明）。
1. Customer Background（客户背景）
Section titled “1. Customer Background（客户背景）”客户是一家 SaaS（Software as a Service，软件即服务）公司。
客服每天处理大量：
- 产品问题
- Billing（计费）
- Account Access（账户访问）
- Subscription（订阅管理）
- Technical Support（技术支持）
客服需要同时使用：
- CRM（Customer Relationship Management，客户关系管理系统）
- Ticket System（工单系统）
- Billing System（计费系统）
- Product Documentation（产品文档）
- Internal Knowledge Base（内部知识库）
2. Business Problem（业务问题）
Section titled “2. Business Problem（业务问题）”客户最初提出：
希望 AI 自动回答客户问题。
Discovery（客户调研）后发现真正的问题包括：
- 客服查资料耗时
- 多系统切换频繁
- 重复问题数量高
- 新客服培训周期长
- 简单问题占大量工作量
因此目标不是：
替代客服。
而是：
提高客服处理效率，并逐步自动化低风险问题。
3. Discovery（客户调研）
Section titled “3. Discovery（客户调研）”分析历史 Ticket（工单）。
发现：
45% Knowledge Questions（知识问题）25% Account Questions（账户问题）15% Billing（计费问题）10% Technical Troubleshooting（技术排查）5% Other（其他）同时发现风险差异很大。
例如：
"How do I reset password?"（如何重置密码？）风险低。
而：
"Refund $5,000"（退款 5000 美元）风险高。
因此不能把所有任务都自动化。
4. Scoping（范围界定）
Section titled “4. Scoping（范围界定）”第一阶段：
In Scope（范围内）:Knowledge Questions（知识问题）Account Status（账户状态查询）Ticket Summary（工单摘要）Suggested Reply（建议回复）
Out of Scope（范围外）:Automatic Refund（自动退款）Account Deletion（账户删除）Subscription Cancellation（取消订阅）Large Financial Actions（大额资金操作）5. Architecture Design（架构设计）
Section titled “5. Architecture Design（架构设计）”Customer（客户）↓Support Platform（客服平台）↓AI Orchestrator（AI 编排器）├─ Knowledge RAG（知识检索增强生成）├─ CRM Tool（CRM 工具）├─ Billing Read Tool（计费只读工具）└─ Ticket Tool（工单工具）↓Policy Layer（策略层）↓Human Approval / Automatic Response（人工审批 / 自动回复）Key Decision（关键决策）：Workflow vs Agent（工作流 vs 智能体）
Section titled “Key Decision（关键决策）：Workflow vs Agent（工作流 vs 智能体）”客户最初希望：
Fully autonomous agent（全自主智能体）。
但大部分客服流程其实相对固定。
最终采用：
Workflow（工作流）↓AI Classification（AI 分类）↓Tool / RAG（工具 / 检索增强生成）↓Suggested Resolution（建议解决方案）↓Human / Auto Decision（人工 / 自动决策）只有复杂场景局部使用 Agent（智能体）。
关联：Decision Guide：Workflow vs Agent（工作流 vs 智能体）
6. Engineering Implementation（工程实现）
Section titled “6. Engineering Implementation（工程实现）”Intent Classification（意图分类）
Section titled “Intent Classification（意图分类）”分类：
Knowledge（知识）Billing（计费）Account（账户）Technical（技术）Escalation（转人工升级）Tool Layer（工具层）
Section titled “Tool Layer（工具层）”设计明确工具：
get_customer()（获取客户信息）get_subscription()（获取订阅信息）get_invoice()（获取发票）create_support_note()（创建支持备注）避免：
manage_customer()（管理客户）这种宽泛工具。
Policy Layer（策略层）
Section titled “Policy Layer（策略层）”例如：
Read Customer Data（读取客户数据）→ Allowed（允许）
Create Support Note（创建支持备注）→ Allowed（允许）
Refund < $50（退款小于 50 美元）→ Human confirmation（需人工确认）
Refund > $50（退款大于 50 美元）→ Human workflow（走人工流程）具体阈值由客户业务政策决定。
7. Prototype（原型）
Section titled “7. Prototype（原型）”Prototype（原型）使用历史 Ticket Replay（工单回放）。
发现 Agent（智能体）经常混淆：
get_invoice()（获取发票）get_subscription()（获取订阅）原因：
Tool Description（工具描述）不清楚。
修复：
- Tool Naming（工具命名）
- Tool Description（工具描述）
- Schema（结构定义）
- Reduce Available Tools（减少可用工具数量）
关联：Agent Chooses the Wrong Tool（Agent 选错工具）
8. Pilot（试点）
Section titled “8. Pilot（试点）”Pilot（试点）采用：
Agent Assist（坐席辅助）
而不是：
Fully Autonomous Agent（全自主智能体）
客服仍然最终确认回答。
收集：
- Suggested Reply Acceptance Rate（建议回复接受率）
- Handle Time（处理时长）
- Tool Accuracy（工具准确率）
- Escalation Rate（转人工率）
Pilot Discovery（试点发现）
Section titled “Pilot Discovery（试点发现）”发现一些客服直接复制 AI 回答，而不认真检查。
因此加入：
- Source Citation（来源引用）
- Confidence Indicator（置信度指示）
- Explicit Review Step（显式复核步骤）
- High-risk Warning（高风险提示）
这说明：
人在环并不意味着风险自动消失。
Human-in-the-loop（人在环）也需要设计。
9. Production（生产）
Section titled “9. Production（生产）”Production（生产）增加：
- Full Audit Trail（完整审计轨迹）
- Tool Call Logs（工具调用日志）
- User Identity Propagation（用户身份透传）
- Rate Limits（限流）
- Guardrails（护栏）
- Monitoring（监控）
- Escalation Workflow（转人工流程）
高风险操作统一走：
Agent Recommendation（智能体建议）↓Policy Check（策略检查）↓Human Confirmation（人工确认）↓Execution（执行）10. Business Outcome（业务结果）
Section titled “10. Business Outcome（业务结果）”重点观察：
Average Handle Time（平均处理时长）First Contact Resolution（首次接触解决率）Agent Productivity（坐席人效）Escalation Rate（转人工率）Customer Satisfaction（客户满意度）而不是单纯：
LLM Accuracy（大语言模型准确率）11. Challenges（挑战）
Section titled “11. Challenges（挑战）”Agent Wrong Tool（智能体选错工具）
Section titled “Agent Wrong Tool（智能体选错工具）”关联：Agent Chooses the Wrong Tool（Agent 选错工具）
Agent Loop（智能体反复循环）
Section titled “Agent Loop（智能体反复循环）”关联：Agent Loops Repeatedly（Agent 反复循环）
API Instability（API 集成不稳定）
Section titled “API Instability（API 集成不稳定）”关联：API Integration Is Unstable（API 集成不稳定）
12. Key Decisions（关键决策）
Section titled “12. Key Decisions（关键决策）”| Decision（决策） | Options（选项） | Choice（选择） | Why（原因） |
|---|---|---|---|
| 总体形态 | Fully Autonomous Agent vs Agent Assist | Agent Assist（坐席辅助） | 不应一开始追求全自主 |
| 流程组织 | Open-ended Agent vs Workflow | Workflow 优先，局部 Agent | 客服流程相对固定 |
| 工具粒度 | 宽泛工具 vs 小而明确的工具 | 小而明确 | 降低选错工具的概率 |
| 高风险动作 | 自动执行 vs Policy Layer 管控 | Policy Layer + 人工确认 | 风险差异大，需要分级管控 |
13. Reusable Lessons（可复用经验）
Section titled “13. Reusable Lessons（可复用经验）”- 不要一开始追求 Full Autonomy（完全自主）。
- Workflow（工作流）优先，Agent（智能体）用于真正需要动态决策的部分。
- Tool（工具）必须小而明确。
- 高风险动作需要 Policy Layer（策略层）。
- AI Customer Support（AI 客服）的核心指标应该是业务流程效率。
- Human-in-the-loop（人在环）本身也需要设计。