通用 AI 客服的尴尬是"什么都能聊，但聊不到点子上"。客户问"你们 SaaS 专业版的 SSO 配置流程是什么"，通用 AI 只能说"建议咨询客服"。懂业务的客服机器人不一样——它了解你的产品、你的客户、你的业务流程，能给客户真正有用的回复。这篇讲怎么让机器人"懂业务"。

一、"懂业务"到底指什么

"懂业务"不是一句空话，拆开看是三层理解：

懂产品。知道你卖什么、功能有哪些、版本区别、价格政策、常见问题。这是基础，不懂产品等于没接。

懂客户。知道当前对话的客户是谁、什么行业、什么规模、买过什么、在意什么。不同客户的回复应该不一样。

懂流程。知道客户问这个问题背后想要什么、下一步该做什么。问价格的客户可能想买，问退款的客户可能要流失，处理方式完全不同。

三层都具备，才是"懂业务"。缺任何一层，机器人的回复都会"差点意思"。

二、懂产品：知识库是地基

懂产品的核心是知识库。但知识库不是把产品文档丢进去就行，要做三层加工：

第一层：结构化知识。产品功能、版本对比、价格政策，做成结构化的问答对。客户问"专业版和企业版区别"，直接命中问答对，回复准确。

第二层：场景化知识。把产品功能和使用场景关联。不只是"SSO 支持 SAML 2.0"，而是"客户问如何配置 SSO 时，回答配置步骤+注意事项+常见坑"。场景化知识比纯功能知识更实用。

第三层：边界知识。明确告诉机器人什么不能答、什么要转人工。价格承诺、退款金额、法律建议——这些是边界，机器人碰都别碰。

知识库的质量决定机器人懂产品的程度。花在知识库上的时间，比花在 prompt 调优上的时间更值。

三、懂客户：会话里的画像注入

懂客户的关键是"回复时带着客户画像"。同样是问价格：

• 老客户（买过基础版）：推荐升级到专业版，讲升级价值

• 新客户（刚加好友）：介绍版本差异，引导试用

• 大客户（企业规模 500+）：推荐企业版，讲定制化和 SLA

回复内容差异巨大。实现方式是把客户画像作为上下文喂给大模型：

def generate_customer_aware_reply(msg, session, customer_profile):
    prompt = f"""你是XX公司的客服。
    
当前客户信息：
- 客户行业：{customer_profile.industry}
- 企业规模：{customer_profile.size}
- 购买历史：{customer_profile.purchase_history}
- 客户标签：{', '.join(customer_profile.tags)}

客户问题：{msg}
基于客户信息给出针对性回复，不超过100字。"""
    
    return llm.generate(prompt)

画像数据从哪来？联系人同步时存的基本资料、会话中暴露的信息、业务系统的交易数据。画像越丰富，回复越精准。

四、懂流程：意图背后的业务逻辑

懂流程是最难的一层。客户问"你们专业版多少钱"，表面是问价格，实际是在评估购买。机器人不能只报价格，要引导下一步：

客户：你们专业版多少钱
普通AI：专业版 ¥999/月
懂业务AI：专业版 ¥999/月，包含 SSO、审计日志、500人席位。
        您是想给团队用吗？可以申请 14 天免费试用，我发您试用链接。

懂流程的回复会推进业务，而不只是回答问题。实现方式是给每个意图定义"期望的下一步动作"：

INTENT_NEXT_STEP = {
    "问价格": {"reply": "报价格+推荐试用", "action": "send_trial_link"},
    "问功能": {"reply": "讲功能+引导演示", "action": "schedule_demo"},
    "问退款": {"reply": "安抚+转人工", "action": "transfer_human"},
    "问故障": {"reply": "查状态+给方案", "action": "create_ticket"},
}

机器人回复时不只生成文字，还触发对应的业务动作（发链接、建工单、转人工）。回复和动作联动，才是真正推进业务。

五、三层理解的融合

懂产品、懂客户、懂流程三层要融合在一起，不能各做各的。融合点在 prompt 设计：

def build_prompt(msg, session, knowledge, customer, intent):
    return f"""你是XX公司的懂业务的客服。

【产品知识】
{format_knowledge(knowledge)}

【当前客户】
{format_customer(customer)}

【客户意图】{intent}
【期望推进】{INTENT_NEXT_STEP[intent]['reply']}

客户问题：{msg}
回复要求：
1. 基于产品知识回答，不编造
2. 结合客户情况给出针对性建议
3. 引导到下一步动作
4. 不超过100字
回复："""

三层信息都进 prompt，大模型才有足够的上下文生成"懂业务"的回复。缺任何一层，回复都会缺一块。

六、持续学习：让机器人越来越懂

懂业务不是一次性的，是持续的。机器人要能从真实对话中学习：

客户反馈学习。客户回复"对""没错""不是这个"，这些反馈用来优化回复。客户说"不是这个"的问题，分析为什么答偏了，补知识库或调 prompt。

客服行为学习。人工客服怎么答的、客户满意不满意。把高质量人工回复作为样例，微调模型或补充进知识库。

业务变化同步。产品迭代、价格调整、政策变更，知识库及时更新。业务变了机器人还按旧知识答，等于不懂业务。

七、评估"懂不懂业务"

怎么判断机器人真的懂业务？几个量化指标：

• 回复可用率：人工评估回复是否准确、是否有用。目标 > 70%

• 业务推进率：回复后客户继续对话/执行动作的比例。目标 > 40%

• 转人工率：多少问题机器人处理不了。目标 < 30%

• 客户满意度：客户对回复的反馈。目标 > 80%

这几个指标一起看。回复可用率高但转人工率也高，说明机器人能答但客户不买账；推进率高但满意度低，说明机器人在硬推业务。平衡才是真的懂业务。

八、从"懂"到"更懂"的路线

让机器人懂业务不是一蹴而就的，分三步走：

1. 先懂产品。知识库建好，机器人能准确回答产品问题

2. 再懂客户。画像注入，回复能因人而异

3. 最后懂流程。意图识别+动作联动，回复能推进业务

每步跑稳了再走下一步。跳过产品直接做流程，机器人连产品都说不清怎么推进业务？

知识库和消息接口的细节在Eyun 开发文档，联系人模块负责客户画像同步，具体在联系人文档。想验证"懂业务"效果的同学，在Eyun API平台开测试期，先建知识库跑通产品问答，再加画像和流程。

写在最后

懂业务的客服机器人，核心不在模型多强大，在"产品知识扎实、客户画像准确、业务流程清晰"。这三样做到位，普通模型也能给出专业回复；做不到位，再强的模型也是"正确的废话"。把功夫花在数据和流程上，比花在换模型上回报高得多。