客服是 AI 落地最容易被高估、也最容易做砸的场景。上线一周回复量翻倍，两周后投诉变多，三周后老板要求关掉——问题通常不在模型，而在知识库和边界没设计好。这篇按”场景、知识库、边界、渠道、复盘”五个环节拆开讲，给出一套能跑通也能收得住的搭建顺序。
先分清三类客服场景，别用一套配置打全场
不同场景对”答错”的容忍度完全不同，配置策略也应该不同。
- 售前咨询：问价格、问规格、问发货时间。这类问题答案固定，可以让 AI 直接答，重点是响应速度和口径统一。
- 售后工单：涉及退换、赔偿、纠纷。这类问题错一句就是损失，AI 只负责收集信息、判断类型、生成工单，最终方案必须人工确认。
- 内部支持：员工问制度、问流程、问系统怎么操作。这类场景容错最高、收益最直接，往往是企业最适合的第一个落地点。
建议的上线顺序是：先做内部支持，再做售前咨询，最后碰售后。内部场景用户少、反馈快、出错代价低，正好用来把知识库和话术磨出来；等准确率稳定了，再对外接客。反过来先上售后的团队，几乎都会在第一周就被真实纠纷教育一遍。
第一步：建知识库，把散落的问答变成结构化条目
知识库质量决定回答质量，这一步没有捷径。常见的错误做法是把产品手册、历史聊天记录、客服话术文档一股脑丢进去，结果模型检索到三段互相矛盾的内容，回答自然飘。
更有效的做法是把知识拆成”条目”，每条只回答一个问题，包含四个字段：问题表述、标准答案、适用条件、以及”如果条件不满足该怎么办”。比如”运费怎么算”，要写清不同地区、不同重量、活动期间的差异，而不是一句”以页面为准”。这类条目攒到 200 至 300 条，就能覆盖大部分高频问题。
历史会话是最好的素材来源。把过去三个月的对话导出来，按问题聚类，取出现频次最高的前 100 个问题先写答案，剩下的边跑边补。整理这一步如果涉及大量录音或在线会议记录，可以先用会议纪要工具把语音转成文本，再用笔记工具把素材整理成知识库，比人工逐条抄写快得多。
第二步：设边界，明确哪些能答、哪些必须转人工
边界设计比提示词重要。一个能明确说”这个我需要转给同事”的机器人，比一个什么都要硬答的机器人更让人信任。实际操作中，边界可以分三层。
第一层是话题边界。超出经营范围、涉及竞品对比、涉及法律承诺的问题，直接不答，给出统一话术并转人工。这层用关键词加分类判断就能实现，成本最低。
第二层是置信边界。检索结果相似度低于阈值时不生成答案。很多团队忽略这一点，模型在没有依据的情况下依然会编出一个看起来很专业的回答，这比”我不知道”危险得多。
第三层是情绪边界。识别到投诉、威胁、退款诉求时立即升级，不要让 AI 继续解释流程。用户在气头上时，任何自动化话术都会被理解成推诿。
这三层落在配置里，通常就是一组规则加一段系统提示。提示词要写清角色、可答范围、拒绝话术、以及转人工的触发条件，写法可以参考提示词模板里的角色设定部分，把”不做什么”写在”做什么”前面，效果更稳。
第三步：接渠道，从单点验证到全渠道复用
渠道接入的技术难度不高，难的是口径统一。网页客服、公众号、店铺后台、企业微信，每个渠道的用户预期不一样：网页访客希望快，公众号用户习惯异步，店铺用户关心订单状态。
务实做法是先接一个主渠道跑两周，拿到真实问题分布，再复制到其他渠道。复制时要改的不是知识库，而是话术长度和追问方式——网页里可以一次给三段答案，公众号里最好压到两行加一个链接。
另一个容易被低估的环节是”交接”。AI 转人工时，必须把已经收集到的信息（订单号、问题类型、已尝试的方案）一起推给人工客服，否则用户要重复讲一遍，体验比没有机器人更差。这一条不做好，前面的准确率全白费。
第四步：复盘，用”未命中问题”反推知识缺口
上线后的第一周，每天花二十分钟看三类记录：转人工的会话、用户连续追问的会话、以及被标记为”没解决”的会话。这三类记录里藏着知识库的缺口，比任何满意度调查都直接。
把这些缺口按周汇总，形成一张”待补条目表”，每周补 20 条。三个月后，你会得到一个别人抄不走的东西：一套贴合自己业务的说法。模型可以换，这套说法换不了，它才是真正的资产。
指标上建议只看四个：一次解决率、转人工率、平均对话轮次、以及差评率。前两个看效果，第三个看表达是否啰嗦，第四个看边界是否失守。不要一上来就盯”节省了多少人力”，那个数字容易被表面的高解决率骗过去。
结语
AI 客服的上限由知识库决定，下限由边界决定。先做内部场景练手，把知识拆成条目，把”不知道”和”转人工”设计成正常路径，再接外部渠道，最后用未命中问题持续补漏——这个顺序看起来慢，实际比”先上线再说”快得多。等这套流程跑顺，客服就不再是成本中心，而是一个能反哺产品的信息入口：用户到底在问什么，答案比你想象的清楚。这类从工具到流程的改造思路，在智能体落地的几个变化里也有类似的讨论，可以对照着看。