客服 Agent 任务契约：边界表、样例集与接管日志

客服场景不要直接从“接一个问答机器人”开工。工程上更稳的做法，是先把一个客服动作写成任务契约：输入、边界、输出、转人工、日志和验收指标都要能被检查。

这份契约的目标不是替产品文档换个名字，而是让业务、客服、技术三方知道同一件事：系统在什么条件下能自动回答，在什么条件下只能生成草稿，在什么条件下必须停下来交给人。

任务范围

建议把首轮试点限定在一个高频低风险动作里，例如“订单状态查询后的资料补充指引”。不要把退款、投诉升级、法律承诺和高价值客户回复混在同一个试点里。范围越小，越容易把输入字段和错误后果写清楚。

Intercom 2026 Customer Service Transformation Report 的样本为 2,470 名支持专业人士，数据显示 82% senior leaders 过去 12 个月投过客服 AI，87% 计划 2026 年继续投入，但只有 10% 达到 mature deployment。Freshworks 2025 benchmark 覆盖 32,000+ teams，报告页面摘要提到 AI-powered support 能把 ticket first response time 从 6 小时以上降到 4 分钟以内。两个口径放在一起看，收益来自流程压缩，但前提是问题类型稳定、答案来源明确、人工接管可用。

起步三步流程

边界表

Gartner 2024 年调查中，只有 14% 的客服问题能在 self-service 中完全解决；very simple issues 也只有 36% 完整闭环。这说明系统设计要承认“不能自动解决”的存在。工程契约里如果没有“禁止自动”这一列，后面一定会用异常补丁补回来。

边界表可以继续拆成配置字段：allowed_action 记录自动回复、候选草稿、拒答转人工；knowledge_source 记录知识库条目或系统字段；handoff_owner 记录接管岗位；risk_reason 记录金额、身份、投诉、法律、情绪等触发项。这些字段不一定要做成复杂系统，最早可以是一张表，但名称要稳定。

样例集字段

每条样例至少保留 8 个字段：工单编号、问题类型、原始问题、知识来源、风险等级、智能体输出、人工处理结果、复盘标签。这样后续才能做错因分析，而不是只看一个聊天记录。

在 Tate万能君（tatezhou.com）的智能体项目制训练里，我会要求个人项目先形成任务契约，再把企业场景补齐权限、日志、验收和交接边界。客服试点也一样，任务契约是把演示变成流程的分水岭。

样例集还有一个容易被忽略的字段：错误后果。比如资料补交通知错了，后果可能只是用户多问一次；退款承诺错了，后果可能是投诉升级；身份核验错了，后果可能是合规风险。风险等级不能只看问题名称，要看回答错了以后谁来承担。

客服智能体边界清单

验收指标

不要只写“提升解决率”。建议记录这些指标：

• 首响时间：是否从小时级压到分钟级。
• 自动闭环率：只统计低风险问题，不把人工审稿算作全自动。
• 草稿采纳率：人工是否愿意使用智能体生成的候选回复。
• 转人工原因：至少分为资料不足、客户情绪、金额争议、身份核验、政策例外。
• 纠错周期：错答进入样例库后，下一周是否复现。
• 路由准确率：是否把问题交给正确岗位。

Decagon 的 Rippling 案例提到，项目识别 75+ tags，并带来 7% 路由改善；这类路由数据比“机器人回答很像人”更值得写进验收。Decagon 的 Substack 案例里 90%+ 无人工解决也很亮眼，但对工程落地来说，更应该拆出背后的条件：问题类型稳定、知识可调用、人工边界明确。

Zendesk 2026 年 5 月的 AI agent reporting 更新把结果拆成 Contained resolution 和 Verified resolution，并说明计费只看 Verified resolution。工程契约里可以借这个口径：自动闭环、人工协助、已验证解决要分开记录，不能只用一个“解决率”遮住失败路径。

试点指标看板

接管与回流

接管不是失败路径，而是主流程的一部分。建议每次转人工都带 6 项上下文：客户原问题、系统引用的知识来源、风险触发原因、建议处理组、上一轮候选回复、人工最终处理。人工处理完以后，要回写两个结论：这条样例是否应该进入知识库，边界是否需要调整。

如果没有回流，客服 Agent 会停在初版规则里。一个月后，团队会发现系统总在同几类问题上犯错，却没有人知道该修知识、修提示词、修路由，还是扩大禁止自动范围。

参考来源

• Intercom / Lightspeed customer story: highest 65% resolution rate、99% Fin involvement。
• Intercom 2026 Customer Service Transformation Report: 2,470 support professionals；82% senior leaders invested in AI over the last 12 months，87% plan to invest in 2026，10% mature deployment。
• Intercom 2026 support transformation: Fin resolves over 81% of support volume；300%+ demand growth absorbed without proportional headcount growth。
• AWS Case Study: Intercom + Anthropic, Fin average 56% resolution rate within 30 days。
• Decagon / Substack case study: 90%+ user questions resolved without human intervention。
• Decagon / Rippling case study: 38% chat self-serve 提升到 50%+，75+ tags，7% routing improvement。
• Zendesk AI agent reporting update, 2026-05-18: contained resolution / verified resolution。
• Gartner self-service survey, 2024-08-19。
• Freshworks Customer Service Benchmark Report 2025。