Agent开发案例产品售后客服问答

AI 智能体（Agents）是人工智能领域中一个重要的概念： 1. 从 AGI 的发展等级来看，智能体不仅具备推理能力，还能执行全自动化业务，但目前许多 AI Agent 产品在执行任务后仍需人类参与，尚未达到完全智能体的水平。 2. 作为大模型的主要发展方向之一，智能体中间的“智能体”其实就是大模型（LLM）。通过为 LLM 增加工具、记忆、行动、规划这四个能力来实现。目前行业里主要用到的是 langchain 框架，它把 LLM 与 LLM 之间以及 LLM 与工具之间通过代码或 prompt 的形式进行串接。 3. 从智能体的起源探究来看，心灵社会理论认为智能是由许多简单的 Agent（分等级、分功能的计算单元）共同工作和相互作用的结果。这些 Agent 在不同层次上执行不同的功能，通过协作实现复杂的智能行为。心灵社会将智能划分为多个层次，每个层次由多个 Agent 负责，每个 Agent 类似于功能模块，专门处理特定类型的信息或执行特定任务。同时存在专家 Agent、管理 Agent、学习 Agent 等不同类型的 Agent 及其相应功能。从达特茅斯会议开始讨论人工智能，到马文·明斯基引入“Agent”概念，“AI”和“Agent”就彻底聚齐，往后被称之为 AI Agent。

以下是关于 B 端 AI Agent 的相关知识： 一、概念定义 1. 智能体（Agent）简单理解就是 AI 机器人小助手，参照移动互联网，类似 APP 应用的概念。随着 ChatGPT 与 AI 概念的爆火，出现了很多相关新名词，如 bot 和 GPTs 等。AI 大模型是技术，面向用户提供服务的是产品，因此很多公司关注 AI 应用层的产品机会。 C 端案例：如社交方向，用户注册后先捏一个自己的 Agent，然后让其与他人的 Agent 聊天，两个 Agent 聊到一起后真人再介入；还有借 Onlyfans 入局打造个性化聊天的创业公司。 B 端案例：字节扣子和腾讯元器若为面向普通人的低代码平台，类似 APP 时代的个人开发者，那么帮助 B 端商家搭建 Agent 就类似 APP 时代专业做 APP 的。 2. 智能体开发平台：最早接触到的扣子 Coze 是通过一篇科技报道，如 2 月 1 日，字节正式推出 AI 聊天机器人构建平台 Coze 的国内版“扣子”，主要用于开发下一代 AI 聊天机器人。国内还有很多智能体开发平台，如 Dify.AI，但个人较常用的是扣子，所以常对比字节扣子和腾讯元器。 3. 关注智能体的原因：目前 AI Agent 的概念在市场上未达成共识，存在被滥用现象。AI Agent 指的是一种智能代理系统，接近人类大脑，可形成记忆、达成行动规划、自动交互、主动预测。其应用具有个性化、自主完成任务、多 Agent 协作等特点。目前 AI Agent 应用大多集中在 2B 场景，面向个人消费者的产品少，一方面是高度智能化的 Agent 能力需打磨，概念落地有距离；另一方面是 AI 和娱乐消费诉求结合少，主要带来生产方式和效率变革，个人消费者方向目前只看到“私人助理”场景。

以下是为您提供的关于 AI Agent 的科普内容： AI Agent 是一个融合了多学科精髓的综合实体，包括语言学、心理学、神经学、逻辑学、社会科学和计算机科学等。它不仅有实体形态，还有丰富的概念形态，并具备许多人类特有的属性。 目前，关于 AI Agent 存在一些情况。例如，网络上对其的介绍往往晦涩难懂，让人感觉神秘莫测，其自主性、学习能力、推理能力等核心概念，以及如何规划和执行任务、理解并处理信息等方面，都像是笼罩在一层神秘面纱之下。 另外，以国与国之间的外交为例来解释相关协议。假设每个 AI 智能体（Agent）就是一个小国家，它们各自有自己的语言和规矩。各国大使馆试图互相沟通、做生意、交换情报，但现实中存在诸多问题，如协议各异、要求不同等。 如果您想了解更多关于 AI Agent 的详细内容，可访问： 。

以下是关于 AI Agent 的发展趋势、技术状态和商业模式的相关信息： 发展趋势： 2024 年内，办公场景“AI 助手”开始有良好使用体验，实时生成的内容开始在社交媒体内容、广告中出现。 2025 2027 年，接近 AGI 的技术出现，人与 AI 配合的工作方式成为常态，很多日常决策开始由 AI 来执行。 技术状态： 目标实现基于 ReAct、SFT、RAG、强化学习等实现自主规划能力的 AI Agent，构建具备认知、决策智能的 Agent 智能体框架。 专注文本/多模态大模型、AI Agent 技术创新与应用。 商业模式： 依据不同类型销售市场的特点，结合一站式 AI 搭建平台将销售部署的产品化和模版化，让企业更容易落地和应用 AI 能力。 销售智能体 Blurr.AI 占位交易环节，解决 2B 销售获客的痛点，且具有向前后端环节延展的势能。

智能体（Agent）在人工智能和计算机科学领域是一个重要概念，指能够感知环境并采取行动以实现特定目标的实体，既可以是软件程序，也可以是硬件设备。 智能体具有以下特点： 1. 自主系统：通过感知环境（通常通过传感器）并采取行动（通常通过执行器）来达到某种目标。 2. 关键组成部分： 规划：将大型任务分解为更小、可管理的子目标，有效处理复杂任务。 反思和完善：对过去的行为进行自我批评和反思，从错误中吸取教训，完善未来步骤，提高最终结果质量。 记忆：包括短期记忆，用于所有的上下文学习；长期记忆，通过利用外部向量存储和快速检索实现长时间保留和回忆信息。 工具使用：学习调用外部 API 来获取模型权重中缺失的额外信息。 以下是一些与智能体相关的资源目录： 关于 2025AGENT 智能体全球创作大赛： 1. 报名：通过→首页的“立即参赛”按钮进入报名页面，填写相关信息并提交即可，且参赛完全免费。 2. 提交作品：在本网站直接提交，若采用 flowith 搭建了 Agent 可以在微博、小红书、即刻平台发布，并@Flowith 官方，可获得额外会员奖励。 3. 奖项设置：设有金、银、铜奖和多个单项奖，获奖后将获得组委会颁发的奖金和证书，需保证联系方式准确以便联系。 4. 知识产权归属：参赛作品的知识产权归参赛者所有，但组委会有权在宣传和展示中使用参赛作品。

AI workflow 和 Agent 在企业中的应用价值和场景各有特点。 Agentic Workflows 具有以下优势： 1. 灵活性、适应性和可定制性：能够根据任务难度进行调整和演变，通过组合不同模式实现定制，在需求和复杂性增长时进行迭代升级。 2. 在复杂任务上的性能提升：将复杂任务分解为更小、可管理的步骤，显著优于确定性的零样本方法。 3. 自我纠正和持续学习：能够评估自身行为，完善策略，从过去经验中学习，在每次迭代中变得更有效和个性化。 4. 操作效率和可扩展性：可以高精度自动化重复任务，减少人工操作和运营成本，还能轻松扩展。 Agentic Workflow 的应用场景包括原子设计模式的组合、与人类反馈循环集成等。例如，Agentic RAG 在检索增强生成流程中引入了一个或多个 AI Agents，在规划阶段可进行查询分解等操作，还能评估数据和响应的相关性和准确性。 一般来说，Workflow 是一系列旨在完成特定任务或目标的相互连接的步骤。最简单的工作流是确定性的，遵循预定义步骤序列。有些工作流利用大模型或其他 AI 技术，分为 Agentic 和非 Agentic 两类。非 Agentic 工作流中，大模型根据指令生成输出。Agentic Workflow 是由单个或几个 AI Agents 动态执行的一系列连接步骤，被授予权限收集数据、执行任务并做出决策，利用 Agents 的核心组件将传统工作流转变为响应式、自适应和自我进化的过程。 综上所述，不能简单地说 AI workflow 在企业中比 Agent 应用价值和场景更多，这取决于企业的具体需求和任务特点。

目前已知以下智能客服算法： 天猫小蜜智能客服算法：由浙江天猫网络有限公司提供，应用于手机天猫（APP）的在线智能客服场景，能识别文字或语音问题，结合智能客服知识库生成回答。 钉钉智能客服算法：由钉钉科技有限公司提供，应用于钉钉（APP）的在线智能客服场景，能根据用户咨询内容结合知识库生成多种形式的回答。 淘票票小蜜智能客服算法：由上海淘票票影视文化有限公司提供，应用于淘票票（APP）的在线智能客服场景，能根据用户咨询生成文本或语音智能回答。 1688 阿牛智能客服算法：由杭州阿里巴巴广告有限公司提供，应用于 1688 工业品（APP）、阿里巴巴（APP、网站）的在线智能客服场景，能结合知识库生成多种形式的回答。 但尚未有一款明确表明能同时接入抖音、天猫、淘宝、京东、拼多多、得物等主流平台售前售后咨询问题，并根据客户关键字自动回复的智能客服软件。

AI 能够在以下售前售中售后等业务场景中发挥重要作用： 1. 医疗保健： 售前：通过分析患者数据，为潜在患者提供个性化的医疗建议和服务介绍。 售中：辅助医生进行诊断，如医学影像分析。 售后：为患者提供个性化的康复方案和护理建议。 2. 金融服务： 售前：利用信用评估为潜在客户提供贷款可能性的初步评估和相关产品介绍。 售中：进行风控和反欺诈，确保交易安全。 售后：提供投资分析和客户服务，解答客户疑问。 3. 零售和电子商务： 售前：通过产品推荐和个性化搜索，吸引潜在客户。 售中：提供动态定价和优化购物体验。 售后：利用聊天机器人解决客户售后问题。 4. 制造业： 售前：展示产品的制造优势和质量保障。 售中：确保生产过程的高效和质量控制。 售后：进行预测性维护，为客户提供优质的售后维护服务。 5. 交通运输： 售前：通过虚拟试驾等方式展示产品特点。 售中：提供智能导购服务，帮助客户选择合适的车型。 售后：持续监测车辆状态，提供维护建议。 6. 汽车行业： 售前：AI 辅助“市场营销”和“新媒体运营”，进行热点营销、用户画像预测等。 售中：提升“销售体验”，如智能“试驾”、“金牌销售”智能导购等。 售后：监测车辆使用情况，提供相关服务。 7. 企业运营： 售前：协助准备营销材料和市场分析。 售中：提供销售策略咨询。 售后：处理法律文书和人力资源相关事务。 8. 教育： 售前：为潜在学生提供学习规划建议。 售中：定制化学习内容。 售后：审核论文和提供后续学习支持。 9. 游戏/媒体： 售前：进行游戏定制化推广和出海文案宣传。 售中：提供动态生成的游戏体验和媒体内容。 售后：处理用户反馈和优化内容。 10. 金融/保险： 售前：提供个人金融理财顾问服务。 售中：处理贷款信息和风险评估。 售后：进行保险理赔处理和客户服务。 11. 生命科学： 售前：介绍研发成果和服务。 售中：协助医疗过程中的诊断和治疗。 售后：提供术后护理和康复辅助。

以下是一些常见的 Agent 构建平台： 1. Coze：它是新一代的一站式 AI Bot 开发平台，适用于构建基于 AI 模型的各类问答 Bot，且集成了丰富插件工具，能极大拓展 Bot 能力边界。 2. Microsoft 的 Copilot Studio：主要功能有外挂数据、定义流程、调用 API 和操作，还能将 Copilot 部署到各种渠道。 3. 文心智能体：百度推出的基于文心大模型的智能体（Agent）平台，支持开发者按自身需求打造产品能力。 4. MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识，能访问第三方数据和服务或执行设计良好的工作流。 5. 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于客服、营销、销售等场景，提供多种成熟模板，功能强大且开箱即用。 6. 钉钉 AI 超级助理：依托钉钉强大的场景和数据优势，提供更深入的环境感知和记忆功能，在处理高频工作场景如销售、客服、行程安排等方面表现出色。 以上信息提供了这 6 个平台的概述，您可根据自身需求选择适合的平台进一步探索和应用。请注意，内容由 AI 大模型生成，请仔细甄别。

以下是为您提供的售后技术支持的 AI 解决方案： 在汽车售后场景中，主要存在以下问题： 1. 服务顾问缺少专业知识，无法提前协助车主评估车辆问题，并反馈标准化解决方案。 2. 维修技师在车辆检查和车辆故障分析方面依赖经验水平，缺少辅助分析的工具和直观的辅助指引。 3. 维修方案由技术支持人工编写，输出标准无法保障。 针对这些问题，AI 解决方案具有以下功能： 1. 解答问题：当用户提出问题，它像专业的售后顾问，通过询问细节给出初步判断，涵盖问题原因、维修方向、价格与时间预估。然后转变为技术维护人员角色，分析问题原因，列出具体检查步骤，等待工程师反馈结果后，给出精准解决方案及操作视频。 2. 文档输出：问题解决后，生成维修报告给用户，以及案例归档文档，并将其存入 AI 知识库，丰富知识库内容，方便后续查询和提供更专业的回答。 3. 智能录入：AI 知识库功能强大，不仅支持单独文本录入还支持链接录入。通过识别一篇文章，能智能解析分解出多个知识点并录入知识库，对归档文档的解析录入进一步丰富了知识库。 此外，还有以下 AI 产品案例和投稿与工作场景相关： 1. 销售：定制销售解决方案，涉及企业产品和服务内容、客户需求和参数、营销方案和推广策略、数据处理和模型训练、客户满意度和营销效率、往期营销方案。 2. 客服：定制客服话术，包含产品知识、使用方法、售后服务、售后维修、支付方式、支付流程、产品购买、产品配送、客户投诉、客户建议、政策法规、使用注意事项、客服身份等关键词库。 3. HR：团队绩效管理，根据团队和个人的绩效的往期数据，分析员工绩效排名，输出绩效考评和迭代改进建议。 4. HR：面试工具，开发了一个使用 GPT4 技术的实时转录工具，帮助求职者在面试中生成完美的回答。 5. 科学：研制采摘机器人，荷兰代尔夫特大学和瑞士洛桑联邦理工学院（EPFL）科学家借助 ChatGPT 设计并研制出了一款番茄收割机器人。

以下是创建一个对话问答形式的课程智能体的相关内容： 一、创建智能体 1. 知识库 手动清洗数据：本次创建知识库使用手动清洗数据，上节课程是自动清洗数据，自动清洗数据可能会出现数据不准的情况。 在线知识库：点击创建知识库，创建一个画小二课程的 FAQ 知识库。飞书在线文档中每个问题和答案以分割，选择飞书文档、自定义的自定义，输入后可编辑修改和删除，添加 Bot 后可在调试区测试效果。 本地文档：本地 word 文件，注意拆分内容以提高训练数据准确度。画小二 80 节课程分为 11 个章节，不能一股脑全部放进去训练，应先将 11 章的大章节名称内容放进来，章节内详细内容按固定方式人工标注和处理，然后选择创建知识库自定义清洗数据。 2. 发布应用：点击发布，确保在 Bot 商店中能够搜到，否则获取不到 API。 二、智谱 BigModel 共学营活动分享 活动内容包括使用 BigModel 搭建智能体并接入微信机器人，过程为将调试好的智能体机器人拉入微信群，由老师提问，机器人回答，挑选出色回答整理成问卷，群成员投票，根据得票数确定奖项。一等奖得主分享了对活动的理解和实践，包括从题出发的分析，认为考验机器人对问题的理解和回答准确性，真实对话场景一般为完整句子回复，根据回答真实性和有趣程度评分，可使用弱智吧问题测试提示词生成效果。 三、名字写对联教学——优秀创作者奖，百宝箱智能体 1. 智能体类型的选择：建议选择工作流的对话模式，支持工作流编排和携带历史对话记录，创建后切换为对话模式，注意在调整工作流节点前切换，否则会清空重置。 2. 确认分支情况：根据需求分析有两个特定分支（根据名字和祝福写对联、根据幸运数字写对联）和一个默认分支。 3. 用户意图识别：通过理解用户意图走不同分支，注意将意图介绍写清楚准确。 4. 幸运数字分支：用代码分支获取用户输入数字，匹配知识库并做赏析，代码中有容错机制。 5. 名字写祝福：根据用户输入的名字和祝福信息，提示词生成对应对联并输出，主要是提示词调试。 6. 通用兜底回复：在用户不符合前两个意图时进行友好回复，匹配知识库，结合匹配结果、历史记录和当前输入输出符合对话内容的回复。 7. 知识库：使用大模型生成 100 对对联，好看、经典、有意义。

以下是关于专门解决 AI 需求的问答的相关内容： 关于我是谁： 我是 WaytoAGI 专属问答机器人，基于 Aily 和云雀大模型。Aily 是飞书团队旗下的企业级 AI 应用开发平台，提供简单、安全且高效的环境，帮助企业构建和发布 AI 应用。云雀是字节跳动研发的语言模型，能通过自然语言交互完成互动对话、信息获取、协助创作等任务。 使用方法： 1. 在 WaytoAGI 飞书知识库首页找到加入飞书群的链接（最新二维码在知识库首页），加入后直接@机器人。 2. 在 WaytoAGI.com 的网站首页直接输入问题即可得到回答。 做问答机器人的原因： 1. 知识库内容庞大，新用户难以快速找到所需内容。 2. 传统搜索基于关键词及相关性，无法准确理解语义。 3. 需要用更先进的 RAG 技术解决。 4. 在群中提供快速检索信息的便捷方式。 AI 商用级问答场景中让回答更准确： 要优化幻觉问题和提高准确性，需了解从“问题输入”到“得到回复”的过程，针对每个环节逐个调优。RAG（检索增强生成）由检索器和生成器组成，检索器从外部知识中找到相关信息，生成器利用这些信息制作精确连贯的答案，通过检索模式为大语言模型生成提供更多信息，使答案更符合要求。 向量：可把向量想象成空间中的点位，每个词或短语对应一个点，系统通过比较点的距离快速找到语义接近的词语或信息。 Agentic AI 中的问答： 对于最简单的常识性问答，可在 CursorChat 中输入问题得到答案，其相对细节的优势是可在同一界面调用 OpenAI、Anthropic 及本机私有 AI 进行问答。此外，Cursor 作为编辑器，可方便收集沉淀问答结果为复用文档，在进行文本相关任务时还有奇妙用法，如翻译中文博客。

以下是关于数据问答最佳实践的相关内容： Databricks： Databricks 作为大数据领域的领先服务商，在 RAG 设计上有自身特点和优势。用户输入问题后，从处理好的文本向量索引获取相关信息，结合提示词工程生成回答。上半部分 Unstructured Data pipeline 采用主流 RAG 方法，下半部分 Structured Data Pipeline 是其特征工程处理流程，也是最大特点。Databricks 从专业大数据角度出发，在准确度较高的数据存储中进行额外检索，发挥在 Real Time Data Serving 上的优势。可见其在 GenAI 时代将强大的 Lakehouse 数据处理能力与生成式 AI 技术深度融合，构建一体化解决方案。 OpenAI： 从 OpenAI Demo day 的演讲整理所得，在提升 RAG 准确率的成功案例中，OpenAI 团队从 45%的准确率开始，尝试多种方法。包括假设性文档嵌入（HyDE）和精调嵌入等，但效果不理想。通过尝试不同大小块的信息和嵌入不同内容部分，准确率提升到 65%。通过 Reranking 和对不同类别问题特别处理，进一步提升到 85%。最终，结合提示工程、查询扩展等方法，达到 98%的准确率。团队强调模型精调和 RAG 结合使用的强大潜力，仅通过简单的模型精调和提示工程就接近行业领先水平。 Loop： 具有环状结构的 RAG Flow 是 Modular RAG 的重要特点，检索和推理步骤相互影响，通常包括一个 Judge 模块控制流程，具体可分为迭代、递归和主动检索三种。 迭代检索：对于一些需要大量知识的复杂问题，可采用迭代方式进行 RAG，如 ITERRETGEN。每次迭代利用前一次迭代的模型输出作为特定上下文帮助检索更相关知识，通过预设迭代次数判断终止。 递归检索：特点是明显依赖上一步并不断深入检索，通常有判断机制作为出口，需搭配 Query Transformation，每次检索依赖新改写的 Query。典型实现如 ToC，从初始问题通过递归执行 RAC 逐步插入子节点到澄清树中，达到最大数量有效节点或最大深度时结束，然后收集所有有效节点生成全面长文本答案回答初始问题。

搭建一个知识库智能问答机器人通常包括以下流程： 1. 基于 RAG 机制： RAG 机制全称为“检索增强生成”，是一种结合检索和生成的自然语言处理技术。它先从大型数据集中检索与问题相关的信息，再利用这些信息生成回答。 要实现知识库问答功能，需创建包含大量文章和资料的知识库，例如有关 AI 启蒙和信息来源的知识库，并通过手工录入方式上传文章内容。 2. 利用 Coze 搭建： 收集知识：确认知识库支持的数据类型，通过企业或个人沉淀的 Word、PDF 等文档、云文档（通过链接访问）、互联网公开内容（可安装 Coze 提供的插件采集）等方式收集。 创建知识库。 创建数据库用以存储每次的问答。 创建工作流： 思考整个流程，包括用户输入问题、大模型通过知识库搜索答案、大模型根据知识库内容生成答案、数据库存储用户问题和答案、将答案展示给用户。 Start 节点：每个工作流默认都有的节点，是工作流的开始，可定义输入变量，如 question，由 Bot 从外部获取信息传递过来。 知识库节点：输入为用户的查询 Query，输出为从知识库中查询出来的匹配片段。注意查询策略，如混合查询、语义查询、全文索引等概念。 变量节点：具有设置变量给 Bot 和从 Bot 中获取变量的能力。 编写 Bot 的提示词。 预览调试与发布。 海外官方文档：https://www.coze.com/docs/zh_cn/knowledge.html 国内官方文档：https://www.coze.cn/docs/guides/use_knowledge

以下是一些好用的搭建知识库然后进行问答的 AI 工具： 1. DIN： 搭建 OneAPI，用于汇聚整合多种大模型接口。 搭建 FastGpt，这是一个知识库问答系统，可放入知识文件，并接入大模型作为分析知识库的大脑，它有问答界面。 搭建 chatgptonwechat，将知识库问答系统接入微信，但建议先用小号以防封禁风险。 2. Coze： 知识库问答是其最基础的功能，利用了大模型的 RAG 机制（检索增强生成）。 RAG 机制先从大型数据集中检索与问题相关的信息，再利用这些信息生成回答。 实现知识库问答功能需创建包含大量 AI 相关文章和资料的知识库，通过手工录入上传内容。 在设计 Bot 时添加知识库，并设置合适的搜索策略、最大召回数量和最小匹配度，以更好地结合知识库返回的内容进行回答。

以下是一些好用的搭建知识库然后进行问答的 AI 工具： 1. DIN： 搭建步骤： 搭建 OneAPI（https://github.com/songquanpeng/oneapi），用于汇聚整合多种大模型接口。 搭建 FastGpt（https://fastgpt.in/），这是一个知识库问答系统，将知识文件放入，并接入大模型作为分析知识库的大脑，它有问答界面。 搭建 chatgptonwechat（https://github.com/zhayujie/chatgptonwechat），接入微信，配置 FastGpt 把知识库问答系统接入到微信，建议先用小号以防封禁风险。 2. Coze： 知识库问答利用了大模型的 RAG 机制，全称为“检索增强生成”（RetrievalAugmented Generation）。 RAG 机制先从大型数据集中检索与问题相关的信息，再使用这些信息生成回答。 实现知识库问答功能，需创建包含大量 AI 相关文章和资料的知识库，通过手工录入上传文章内容。在设计 Bot 时，添加知识库，并设置合适的搜索策略、最大召回数量和最小匹配度，以结合知识库返回的内容进行回答。

以下是零成本、零代码搭建一个智能微信客服的保姆级教程： 1. 起个好名字和给它头像 进入 Bot 主页并开始创建 Bot，网址：https://www.coze.cn/home 。 名字（Bot 名称）：善良有爱专业的幼师。 头像（图标）：AI 生成后，不喜欢可以重新生成，选择其中一个。 补充：创建 Bot 的方式有两种，点击创建 Bot 和 Coze Assistant。主页上包含这两种方式，示例中通过创建 Bot 创建。侧边导航栏一直有创建 Bot 的方式，仅主页有 Coze Assistant。两者区别在于： 创建 Bot 适合使用过 Bot 且想好名称和描述的人。 Coze Assistant 适合第一次创建 Bot 的人，从说“我想创建 bot”开始，Coze 助理会引导创建，自动生成名称、头像、人设与回复逻辑、开场白文案、开场白预设问题等。 2. 教她技能 如果通过 Coze Assistant 方式创建 Bot，Coze 助理已帮您教她技能，可按需修改完善。 起好名字和头像后进入教技能环节，先看整理布局，找到编排、预览与调试，在编排的人设与回复逻辑教她技能： 教她技能 1：认识自己。 教她技能 2：掌握专业技能。 教她技能 3：不能做什么。 3. 让她教别人 她学会技能后，使命及目标是通过互动方式教会请教的人。 找到高级下开场白，点击展开，填写开场白文案、开场白预置问题，设置 3 个问题。 勾选用户问题建议：在 Bot 回复后，根据 Prompt 提供最多 3 条用户提问建议。 添加语音选择：让她不仅会写，还会通过语音交流。 点击“发布”，选择发布平台：Bot Store、豆包、飞书、微信客服、微信公众号（服务号）、微信公众号（订阅号）、掘金。 Bot Store：Bot 会出现在 Coze Bot 商店中，获取更多曝光和流量。 豆包：一键发布到豆包 App，随时随地对话。 飞书：在飞书中直接@Bot 对话，提高工作生产力。 微信客服：微信沟通更高效，发布流程较复杂，下面是重新注册和解绑后重新配置的流程。 微信公众号（服务号）：针对企业，不支持个人注册，订阅号运营主体可为企业或个人。 微信公众号（订阅号）：托管公众号消息，助力微信运营。 掘金：在掘金社区 AI 聊天室圈子与 Bot 互动。

以下是关于搭建在线知识库和在线客服的相关内容： RAG 流程： 自顶向下，RAG 的流程分为离线数据处理和在线检索两个过程。 离线数据处理的目的是构建知识库，知识会按照某种格式及排列方式存储在其中等待使用。 在线检索是利用知识库和大模型进行查询的过程。 以构建智能问答客服为例，了解 RAG 流程中的“是什么”与“为什么”同等重要。 创建智能体： 手动清洗数据创建知识库： 点击创建知识库，创建画小二课程的 FAQ 知识库。 知识库的飞书在线文档中，每个问题和答案以“”分割。 选择飞书文档、自定义，输入“”，可编辑修改和删除。 点击添加 Bot，可在调试区测试效果。 本地文档： 注意拆分内容以提高训练数据准确度。 以画小二课程为例，先放入大章节名称内容，再按固定方式细化处理每个章节。 发布应用：点击发布，确保在 Bot 商店中能搜到。 开发：GLM 等大模型外接数据库： 项目启动：包括 web 启动（运行 web.py，显存不足调整模型参数，修改连接）、API 模式启动、命令行模式启动。 上传知识库：在左侧知识库问答中选择新建知识库，可传输 txt、pdf 等。可以调整 prompt，匹配不同的知识库，让 LLM 扮演不同的角色，如上传公司财报充当财务分析师、上传客服聊天记录充当智能客服等。MOSS 同理。

以下是零成本、零代码搭建一个智能微信客服的保姆级教程： 1. 起个好名字和给它头像 进入 Bot 主页并开始创建 Bot，网址：https://www.coze.cn/home 。 名字（Bot 名称）：善良有爱专业的幼师。 头像（图标）：AI 生成后，不喜欢可以重新生成，选择其中一个。 补充：创建 Bot 的方式有两种，点击创建 Bot 和 Coze Assistant。主页上包含这两种方式，示例通过创建 Bot 创建。侧边导航栏一直有创建 Bot 方式，仅主页有 Coze Assistant。两者区别为： 创建 Bot 适合使用过 Bot 且想好名称和描述的人。 Coze Assistant 适合第一次创建 Bot 的人，从说“我想创建 bot”开始，Coze 助理会引导创建，自动生成名称、头像、人设与回复逻辑、开场白文案、开场白预设问题等。 2. 教她技能 如果通过 Coze Assistant 方式创建 Bot，Coze 助理已帮教技能，可按需修改完善。 起好名字和头像后进入教技能环节，先看整理布局，找到编排、预览与调试，在编排的人设与回复逻辑教她技能： 教她技能 1：认识自己。 教她技能 2：掌握专业技能。 教她技能 3：不能做什么。 3. 让她教别人 她学会技能后，使命及目标是通过互动方式教会请教的人。 找到高级下开场白，点击展开，填写开场白文案、开场白预置问题，设置 3 个问题。 勾选用户问题建议：在 Bot 回复后，根据 Prompt 提供最多 3 条用户提问建议。 添加语音选择：让她不仅会写，还会通过语音交流。 点击“发布”，选择发布平台：Bot Store、豆包、飞书、微信客服、微信公众号（服务号）、微信公众号（订阅号）、掘金。 Bot Store：Bot 会出现在 Coze Bot 商店中，获取更多曝光和流量。 豆包：一键发布到豆包 App，随时随地对话。 飞书：在飞书中直接@Bot 对话，提高工作生产力。 微信客服：微信沟通更高效，是本次分享重点，发布较复杂，下面是重新注册和解绑后重新配置微信客服的流程。 微信公众号（服务号）：针对企业，不支持个人注册，订阅号运营主体可为企业或个人。 微信公众号（订阅号）：托管公众号消息，助力微信运营无间断。 掘金：在掘金社区 AI 聊天室圈子与 Bot 互动。

智能客服的产品形态具有多样性，以下为您介绍： 1. 传统智能客服：但在 LLM 时代发展不佳，部分企业如 xxx 欠薪、解散团队或转向出海客服方向。这与智能客服行业的属性有关，其分为智能部分和客服部分，智能部分基于 NLP 技术进行 AI 对话管理，客服部分包括传统客服坐席、内部数据查询台、AI 与 IM 对接等。然而，企业对客服效果极为看重，且智能客服企业难以获取关键数据，导致很多采取本地部署，吃力不讨好且难有积累。 2. 基于 LLM 的智能客服：如 GPT 智能客服，通过将 FAQ 上传到知识库，让其具有客服应答能力。GPTs 作为 GPT 的一种 ID 账号形态，开放门槛低，基本是 0 代码，开发方式包括自然语言（prompt）、知识库（knowledge）、第三方 API 对接（Action），具有对话流畅、多观点融合、答案准确等特点，但不太擅长推理计算。 3. 特定功能的智能客服：例如帮助企业快速建立产品智能客服体系的方案，通过用户意图识别、知识库检索答案、AI 大模型总结输出答案等方式，提供全面的 AI 客服解决方案，提高回答准确率，降低企业商用 AI 客服门槛。还有如自动化处理和分析商品负面评论、为中小型消费品企业提供销售订单管理等特定功能的智能客服。

天猫店铺有可用的 AI 客服，例如阿里的“小蜜”。在去年双 11 购物节，小蜜累计服务 4.1 亿次咨询，占比 85%，仅复杂纠纷转人工，用户满意度并未因是 AI 而下降，反而因回复快提升。此外，电商领域还有其他类似的 AI 客服应用，如京东推出的智能客服“JIMI”，每天处理数百万咨询，问题解决率超过 90%，使得京东客服团队规模缩小，有效分流了工作量。亚马逊的“智能客服代理”能通过对话 API 访问客户订单等数据，帮助顾客查询物流、办理退货，在上季度独立处理了超过 50%的客户请求。抖音小店客服也引入了 AI 回复，提升了商家客服响应速度。

以下是关于智能客服的相关内容： 在开源 AI 社区中，通过 Coze 开发了社群运营机器人作为智能客服。 知识库问答方面：将社区长期积累的文章和资料喂给机器人学习，它能通过 RAG 机制匹配用户问题给出准确稳定答案。解决了如“AGI 是什么”“什么是 ChatGPT”等基础问题，提高了效率，保证了答案的准确性和一致性。此外，机器人还会基于问题给出相关延伸阅读链接，鼓励用户主动学习，影响用户学习方式。 定时推送方面：能将活动信息和社区动态定时推送给用户，避免用户因不在电脑前错过重要活动。提前设置好推送任务，就能精准送达。 关于 GPT 智能客服部署：GPTs 是 GPT 的一种 ID 账号形态，类似微信公众号，用户可开发自己垂类应用。开放门槛低，基本是 0 代码，开发方式包括自然语言（prompt）、知识库（knowledge）、第三方 API 对接（Action）。其实现目前最强的智能客服，具有对话流畅、多观点融合、答案准确等特点，不太擅长推理计算。实现原理是将 FAQ 上传到知识库，让 GPTs 具有客服应答能力。猜测类似检索增强生成技术（RAG），将知识库和问题一起做 embedding，扔给 LLM 作答。