AI客服如何识别客户意图？先弄清楚它在处理什么
上了AI客服之后发现问题还是全转人工，机器人答非所问，用户直接走——这种情况十有八九不是AI不够聪明，是意图识别这一层根本没配对。
AI客服识别客户意图，本质上就是把用户说的一句话拆解成”他现在想做什么”：是问价格、查订单、投诉售后，还是只是来确认一下你还在。把这个动作做对了，后面的分诊和转人工才能顺着走。做不对，AI配得再精细也是白搭，用户体验还不如直接放一个人工客服联系方式。
这篇文章从实际配置角度出发，讲意图识别的工作原理、智能分诊的配置逻辑、自动转人工的触发机制，以及私域和门店场景的专属注意事项。不讲概念，只讲能落地的操作。
开始配置前，先把这几件事理清楚
很多人急着上线，结果配了跑不顺，回头返工成本反而更高。见过不少门店花两周配完上线，用了三天发现意图全乱，再重新拆掉重配，等于做了两次。在动系统设置之前，有四样东西必须先准备好。
- 真实咨询语料：至少拉过去30天的聊天记录，按话题分类整理，Excel表格就够用。不要用拍脑袋想出来的”用户可能会问什么”——真实语料和想象的差距往往很大。教培机构做过一次对比，运营团队预估的Top 10问题，和实际记录里出现最多的问题，重合度不到一半。
- 业务边界划分：哪些问题机器可以答，哪些必须人工介入，先画清楚边界。含糊的中间地带最容易出问题——AI不确定该不该转，用户等着等着就走了。
- 人工坐席排班表：自动转人工功能必须知道什么时段有人接。非工作时间转了没人接，体验比不转还差，要提前做好时段兜底配置。这个细节很多人漏，结果深夜有用户情绪很激动，AI把他转出去了，对面没人，投诉直接升级。
- 渠道来源标签体系：广告来的用户和老客转介绍的用户，咨询意图分布完全不同，要分开处理。这一步很多人跳过，导致后期意图模型准确率一直上不去，查了半天不知道问题出在哪，其实根子在这里。
意图识别的核心逻辑：分诊到底是怎么做的
意图识别不是关键词匹配，虽然很多低价系统就是这么做的。真正能用的意图识别，至少要跑三层判断。
第一层：话题分类。用户这句话属于哪个大类——价格咨询、物流查询、售后投诉、产品介绍，还是其他。这一层是基础，出错了后面全错。分类颗粒度不要太细也不要太粗，太细维护成本高，太粗区分不了意图差异，一般按业务主线划分5到8个大类就够用。
第二层：情绪倾向。中性、焦虑，还是明显负面。这层判断决定了用同样内容的话题，要走普通应答还是优先通道。很多系统这层做得很弱，只能识别”差评””垃圾”这类极端词，稍微隐晦一点的情绪就识别不出来，比如”你们是怎么做事的””我都等了多少天了”，这些话情绪很明显，但没有触发词。
第三层：对话阶段。用户现在处于哪个节点——初次咨询、已下单等待，还是追单超时。同一个”包什么时候到”的问题，第一次问和第三次问处理方式应该完全不同。
举个实际例子：用户说”我的包什么时候到”。纯关键词匹配会触发”物流查询”流程，丢一个自助查单链接。但如果这个用户同一天已经问过一次，情绪标签是焦虑，这时候再给自助链接只会让他更烦。正确的做法是直接走投诉优先通道，由人工主动给出进展说明，而不是让用户再去自己查。
配置分诊规则时，建议用”意图树”结构，不要用平铺的关键词列表。意图树顶层是大类（售前/售后/投诉/其他），往下细分子意图，每个子意图对应独立的话术和转接规则。这样后期维护清晰，改一条规则不会牵连一片。平铺列表的问题在于规则多了之后，互相覆盖、优先级混乱，一个词改了半天不知道到底影响了哪里，排查起来很耗时间。
自动转人工的触发机制：设太宽或太窄都是问题
自动转人工是个取舍问题，两个极端都不对。设太宽——用户随便说句”我要找人工”就转，人工压力直接拉满，AI形同虚设。设太窄——用户情绪已经很激动了，AI还在反复转圈，最后直接流失。
比较合理的触发逻辑是组合条件，满足任意一种就触发转人工，而不是只靠单一维度：
- 关键词触发：用户明确说出”投诉””退款””要投诉你们””找负责人”等词汇，直接触发，不再尝试AI应答。这类词出现的时候，用户心理上已经做了决定，再让AI答一遍只是在消耗耐心。
- 多轮未解决触发：连续3轮AI未能匹配有效答案（用户反复问或表达不满意），视为意图识别失败，转人工。这个轮次数可以根据业务调整，一般3轮是比较合理的阈值，太少会导致频繁转人工，太多用户早就不耐烦了。
- 情绪阈值触发：消极情绪评分超过设定阈值，无论问题本身是否”应该”机器答，都优先转人工。有些问题其实AI能答，但用户当时状态不对，这时候硬给答案反而适得其反。
有一个细节很容易被忽略，但对体验影响非常大：转人工之前，AI应该先做一次信息预填。把用户的问题类型、对话摘要、情绪状态一起带给人工坐席，而不是让人工重新从头问”您好，请问有什么可以帮您”。用户刚刚经历了一轮AI没解决问题的挫败感，再被要求重新描述一遍，流失率会显著升高。这不是小问题，实际跑下来差异很明显。
这一步很多系统有能力做，但默认没有开启，需要手动配置。建议直接给人工坐席配一条接单提示模板，类似这样：
该用户今日已咨询2次，主要问题为【物流延迟】，当前情绪状态：焦虑，建议接入后优先告知进展，并主动提出补偿或解决方案，不要再让用户重复描述问题。
这条信息只需要在后台配置一次，AI在每次转人工时自动生成填充，坐席接单效率和用户满意度都会有明显改善。配了这个之后，坐席第一句话就能说到点上，用户感觉被认真对待，情绪往往会有明显缓和。
渠道归因：不同来源用户的意图差异和追踪方式
私域场景里，不同广告位、不同地推点位带来的用户，咨询意图完全不同。朋友圈广告来的用户通常还在比价阶段，问的是”多少钱””有没有优惠””和某某牌子比怎么样”。门店扫码进来的用户大概率已经有明确购买意向，问的是”怎么下单””配送到哪””今天能到吗”。如果用同一套AI应答逻辑对待这两类人，转化率差异会非常明显——同样的话术，对一类人有用，对另一类人会显得答非所问。
区分的方法是用不同活码。每个广告素材、每个地推点位、每个社群二维码对应一个独立活码，用户扫码进来时系统自动打上来源标签。这个标签会跟着用户在整个对话流程里走，AI根据标签加载对应的应答策略。
具体配置逻辑：
- 朋友圈A素材活码 → 打标”广告-素材A” → AI优先触发价格话术、限时优惠承接、对比竞品应答
- 门店B点位活码 → 打标”地推-门店B” → AI优先触发下单引导、到店核销流程、配送时效说明
- 老客转介绍活码 → 打标”转介绍” → AI触发VIP优先通道，跳过常规问答直接进入专属承接
这套逻辑配起来之后，要看哪些数据才有实际价值：
- 扫码量：说明素材或点位的曝光触达效果。这个数字高但后续指标差，说明素材在吸引不匹配的人群，量大但没有用。
- 进群率（扫码后成功进群的比例）：反映承接页面和欢迎话术的吸引力。这里掉人说明第一步承接出问题了，要优先查欢迎语和入群门槛设置。
- 留资率（进群后主动留下联系方式的比例）：体现用户意图强度。这个数字低说明进来的人质量不高，或者话术没有触发真实需求，要回头看群内前几条消息是不是在推送无关内容。
- 成交线索数：最终衡量一个渠道是否值得持续投入的核心指标。
只看扫码量容易被表面数据迷惑，只看成交周期又太长、反馈慢。四个指标联动看，才能快速判断哪个渠道在带真实有效的用户，哪个渠道的量看起来大但实际没有转化价值，该砍的砍，该加投的加投。
私域和门店场景的专属配置注意事项
微信私域场景有一个特殊问题：用户不按套路说话。”在吗””老板””你们还开着吗””有人吗”这类开场白，在电商平台客服里很少见，但在私域对话里非常普遍，尤其是本地门店做引流的场景，这种话出现频率相当高。
这类话语没有明确意图，如果AI识别不到意图就沉默或者报错，体验很差。正确处理方式是触发一个”意图探测”话术，引导用户说出真实需求，而不是直接推一段产品介绍或者没有反应。探测话术不需要复杂，类似”您好，是咨询产品还是有其他问题要处理？”就够了，关键是要让用户感觉有人在，同时帮AI收集到下一轮判断需要的信息。
门店引流场景还有一个专属需求：地理位置和营业时间意图。用户可能问”你们哪里有门店””几点开门””这个地址能配送吗””能上门安装吗”。这类意图需要单独配置，而且答案必须和门店实际数据保持同步。如果AI给了错误的营业时间，用户专门跑一趟扑空，基本不会再有第二次机会，投诉也会随之而来。
建议把门店信息做成结构化数据表（地址、营业时间、配送范围、联系方式），AI直接调取实时数据，而不是把答案写死在话术模板里。门店调整营业时间或地址，只需要改一处数据表，所有渠道的AI应答自动更新，不需要逐条修改话术。这个改动做起来不复杂，但能省掉很多因为信息不同步导致的客诉。
教培场景还有一个容易忽视的点：试听课和正课的意图要分开处理。用户问”有没有免费试听”和用户问”怎么报名”背后的决策阶段完全不同，前者还在观望，后者已经有意向了。如果AI对这两类问题都给同一套回答，要么错失了可以推进的机会，要么给还在犹豫的用户施加了过早的转化压力。
上线前的检查清单
配完之后不要直接推全量，先过一遍这个清单，能发现大部分容易漏的问题。全量上线前的一两天，可以先选一个渠道或时段做小范围灰度，观察意图识别的实际命中率，比直接全量上线稳得多。
- 意图分类是否覆盖了过去30天咨询记录里90%以上的问题类型，剩下的10%有没有兜底处理路径，不能让用户卡在”无法识别”状态
- 非工作时间转人工失败时，是否有兜底流程：告知预计响应时间、收集留资信息、发送确认消息，至少让用户知道问题已经被记录
- 信息预填功能是否已开启，人工坐席接单时能否看到对话摘要和情绪状态，建议实际模拟一次接单全流程来确认
- 不同渠道活码是否已和对应的意图策略绑定，可以在后台手动验证来源标签是否正确打上，用测试账号扫码走一遍
- 测试过至少5种非标准表达：方言输入、语气词开头（”哎你们这个……”）、截图描述问题、错别字密集、问题里掺杂多个意图
- 意图树的优先级规则有没有测试过冲突场景：比如用户同时触发”价格咨询”和”投诉”两个意图，系统走的是哪条路，结果是否符合预期
- 门店信息如果是从数据表调取，确认同步机制正常——改了数据表之后AI实际回复是否在合理时间内更新，不要假设它会自动同步
上线后建议头两周每天抽查20条对话，重点看意图识别失败的记录——用户说了什么、AI走了哪条路、最终结果是什么。不要只看整体命中率，命中率看起来不错，但失败的那些案例往往集中在几类特定表达上，找出来集中处理效率更高。
这些失败案例是最有价值的训练素材，直接补进语料库，比任何人工标注都准确，因为它们都是真实用户说出来的话，不是编出来的。坚持做两周，意图识别的准确率通常会有明显提升，转人工率也会相应下降。
