TFlow AI大模型案例落地解析：某零售客服业务落地案例

随着人工智能技术的不断进步，AI客服逐渐崭露头角，成为企业提升客户服务效率与质量的重要工具。本文以TFlow AI产品为例，深入探讨了如何将大模型技术应用于客服场景，通过业务流程的优化和智能推理，实现客户服务的自动化和智能化。

本文带来TFlow AI关于客服落地的案例，详细介绍业务侧AI客服如何与大模型相互结合。

TFlow AI 产品简介：是面向B端业务场景Agent平台，能按流程处理任务（SOP），围绕目标来进行离散推理。能快速搭建Ai客服、AI导购等应用。

产品允许LLM与环境进行交互，根据环境数据的反馈不断的调整行动计划/策略。且整个sop的过程是由文本来控制，不需要用到Work Flow。

一、业务的基础信息

中国XXX运动品牌，一家中国领先的国际运动服装品牌企业。

本集团主要从事设计、开发、市场推广及分销品牌运动服装

1. 业务场景

• 线下：1000家线上门店。微信生态内、有门店小程序。用户通过小程序下单，在微信客服内咨询产品各种的问题
• 合作定制：和各个高中、初中、小学合作。承接学校的校服定制，学生或者家长在平台上购买定制款衣服

2. 现状

• 有6个人工客服；
• 通过微信客服承接服务；
• 用传统的智能客服、关键字匹配等方式回答问题，效果一般。因为微信中只能通过纯文本沟通，对话限制在了一问一答，传统机器人无法使用。

3. 核心痛点问题

• 微信生态传统的基于关键词的多轮对话的客服，无法解决问题；
• 微信生态基本依靠人工来解答售前售后问题；

4. 预计最终效果

客服少2个人

二、TFlow Agent产品特征

产品特征：是面向B端业务场景Agent平台，能按流程处理任务（SOP），围绕目标来进行离散推理。能快速搭建Ai客服、AI导购等应用。产品允许LLM与环境进行交互，根据环境数据的反馈不断的调整行动计划/策略。且整个sop的过程是由文本来控制，不需要用到Work Flow。

• TFlow产品的特点擅长模拟人的思维流程，按照规定的流程去处理事情；
• 擅长流程的控制和处理；不擅长单点任务的处理。如查知识库

三、Agent流程处理的框架

1. 当用户输入询问时

1）记忆能力

• 先通过模型的记忆能力，获取用户画像、流浪记录、相同问题的解决历史会话记录
• 解决对应问题的参考sop流程

2）计划能力+推理

• 让模型基于用户的提问，解决的SOP，制定与用户的沟通计划
• 根据用户反馈调整沟通计划，推理出新的步骤

3）tools

• 根据推理出来的计划、选择执行的内容
• 比如调用ERP、知识库等

最终得出结论、输出给用户

整个过程中，模型能够模拟人+参考sop流程，执行对应的任务，从而达到相应的结果

四、落地核心步骤（业务流程的梳理与抽象）

• 问题归类于意图整理
• 业务逻辑的抽象

1. 问题分类与意图整理

1）问题整理：分析用户的用户问题，对应进行板块、问题场景、业务类型的归类

2）意图归类：将用户的问题进行归类，按照问题归类，整理拆解业务，归类如下：

2. 业务逻辑抽象

即将相同处理流程的意图归类。核心：不同意图的任务流程用相同的思维流程来替代

比如：

• 退货和换货，都是处理用户对商品不满意的处理
• 促销活动、商品问题答疑，都是解决下单环节的问题。可以抽象到商品推荐环节。

其次，模拟人的思考流程。按照一个客服街道客户询问的处理逻辑，来处理

比如退货人的处理流程：

• 询问客户退货理由
• 查询订单ID是否存在
• 退货理由是否符合规则
• 商品是否符合退货条件
• 引导退货

这个处理流程，也适用于换货，快递不满意等等；

关键是将不同意图的处理流程，抽象人的思维流程，同时进行兼容。比如订单催发货和订单信息查询在流程处理上相同。

3. 业务逻辑抽象后的流程归类

五、Agent客服机器人效果

通过知识库模拟，如果是实际接口，效果会更好-

优化规则、同类问题处理更顺畅-

效果1

效果2

六、最终数据效果

抽样200条数据，分析模拟对话历程，看是否Ai机器人可以解答；

当前全部由人工接待：使用机器人后：预计会有65%的解决率；

本文由 @易俊源 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自 Pixabay，基于 CC0 协议