一、项目背景

某家电售后客服每天几千条咨询，人工分类慢且错分率高。简单的退换货和复杂的安装报修混在一起，有价值的工单被淹没，客户等得久、坐席也累。我们调研时，坐席平均每天花约四成时间在分类和转派上，真正解决问题的精力被严重稀释。更糟的是错分，把报修派到退货组，客户被来回踢，投诉直接升级。

这件事的连锁反应很大。分类慢导致排队长，排队长导致客户不耐烦挂电话，挂了又打进来，话务量被自己放大。我们当时看数据，约三成的二次来电其实是因为第一次分错了。

二、落地场景

我们做了多轮意图识别，用户一段话进来先判断是咨询、退换、报修还是投诉，必要时追问澄清。工单自动分类与路由是第二块，识别出的意图直接生成对应类型工单，按技能组路由到合适坐席，不用人工判断。知识库自助应答承接简单咨询，能秒回的绝不转人，把人力留给真正复杂的活。人机协同转人工设了边界，模型把握不准的一律保守转人工，不硬撑。SLA 监控兜底，超时工单自动升级提醒，避免石沉大海，也让组长能实时看到积压。

案例片段（已脱敏）： 意图识别与工单路由配置片段（示意）：intent:  model: multi_turn  labels: [consult, return, repair, complaint]  fallback: human routing:  by_intent: true  skill_group_map: {return: rma, repair: field}  sla_minutes: 30上线后意图识别准确率约 92%，自动流转率约 78%，首次解决率从约 55% 升到约 80%，人工接手率从约八成降到约四成。坐席终于能把时间花在真正需要人的工单上。

三、关键技术挑战与解决思路

第一个难点是意图边界模糊。用户常一句话里混多个意图，比如既要退又要骂。我们做了多标签而非单标签，允许一条工单带主次意图，主意图决定路由、次意图记备注。这比强行选一个准得多，也更符合真实对话的样子。

第二个坑是错分代价。意图分错比不分更糟，错误路由让客户等更久。我们把置信度低的全部兜底转人工，宁可多转不硬猜。这里有个权衡，转人工多了坐席压力大，但比起错分到错误技能组导致二次流转，代价小得多。我们后来把兜底阈值设得偏保守，准确率优先于自动化率，业务方也认可这个取舍。

第三个点是 SLA 的刚性。工单一旦超时客户体验断崖，我们设了分级提醒，临界前提醒坐席、超时升级组长，并用看板暴露积压，让管理看得见。看不见的积压最可怕，看板一上，组长自己就会去调配人手。

四、效果数据

上线后意图识别准确率约 92%，自动流转率约 78%，首次解决率从约 55% 升到约 80%，人工接手率从约八成降到约四成，客户平均等待时长约降了一半。坐席满意度也跟着上来了，因为不用再做大量机械分类。我们对比过，二次来电率从约三成降到约一成，话务量自己就小了。（数据均为脱敏示意值）

上线后我们还做了一轮话术层面的优化。早期模型只做四分类，后来发现投诉里又分催单和索赔，混在一起路由还是会错，于是把标签拆细了一层，主意图之下再挂子意图，路由更准。知识库自助应答那块我们也补了多轮追问，简单问题不再一股脑转人工，坐席从重复劳动里解放出来，心情和稳定性都好了，离职率也跟着降。 我们把意图识别的准确率和转人工率做成每日看板，一旦准确率连跌两天就触发复盘，防止模型悄悄退化没人发现。运营侧也反馈，工单流转起来后，客户等待时间变短，投诉量跟着往下走，形成了正向循环。这个系统跑了一段时间后，我们发现最有价值的不是自动化率数字本身，而是它把客服团队从机械分类里解放出来，让人能集中在真正需要判断的复杂工单上。

我们还把工单系统和知识库做了双向打通。客服在工单里标记的疑难问题会自动沉淀成知识库的待补充条目，运营定期把高频疑难整理成标准答案回填。这个闭环让知识库不再是一潭死水，而是跟着真实客诉持续生长。我们也因此把首次解决率的口径从单轮扩展到了多轮，只要客户在当天内没有被二次转派就记为解决，指标更贴近真实体验。数据口径统一后，各团队终于能在同一个标准下讨论服务质量，扯皮少了一大半。

系统跑稳之后，客服团队的精力分配明显更健康，人均处理的工单量上去了，加班却反而少了，这件事比任何指标都更能说明智能化有没有真的帮到一线。

五、可复用经验总结

智能客服的价值不在替人说话，而在把该人工的精准送出去，意图分错了比不分更糟，宁可保守转人工。多标签比单标签贴合真实对话，一句话多意图太常见。SLA 要刚性且可见，积压暴露在看板上管理才抓得早。我后来觉得，客服智能化首先要算清转人工的代价，别为了指标硬撑导致错分。自动化率不是越高越好，转对人才是目的。