官网友情链接 wechatapi.net

AI 微信机器人很容易出现一种“看起来回答得很好”的风险。

客户问：

“你们这个版本到底支不支持某功能？”

模型根据通用知识和聊天上下文生成：

“支持。”

语气非常确定。

但企业内部知识库实际上根本没有这项信息。

如果系统只根据模型语言流畅度判断质量，就很容易把猜测当成正式答案。

所以个人微信二次开发中的事实型问题，可以设置“证据门槛”。

WechatApi 可以作为个人微信API接入层，把客户真实问题、会话和身份带入系统。本地AI层则先判断问题属于事实型还是开放型，再检查知识、工具或CRM是否存在足够证据。

一、事实问题和表达问题不同

“帮我把这句话说得友好一点。”

不需要业务证据。

“套餐什么时候到期？”

必须查真实账户。

“支持Windows吗？”

需要正式知识。

不同问题不同证据标准。

二、一个具体例子

客户问：

“退款是7天还是15天？”

知识检索结果：

文档A V2：7天；
文档B V5：15天。

两个冲突。

即使模型有能力选一个，也不应该自动回答。

状态：

evidence_conflict。

转人工/知识管理员。

三、WechatApi 在这里的位置

WechatApi负责：

客户问题和最终回复。

证据系统负责：

允许不允许模型给确定结论。

四、证据来源等级

实时业务工具：
最高。

正式审核知识：
高。

人工内部备注：
中。

历史聊天：
辅助。

模型自身知识：
不能作为企业政策正式证据。

五、门槛可以结构化

例如：

evidence_score >= 0.85：
允许自动。

0.6-0.85：
生成候选。

<0.6：
转人工。

高风险场景阈值更高。

六、知识相似度不等于证据质量

一篇文档语义很像。

但可能已过期。

所以综合：

relevance；
authority；
version；
validity。

不能只看embedding score。

七、工具结果优先

客户问：

“我的套餐什么时候到期？”

知识库只能解释规则。

真实答案来自：

account tool。

如果工具不可用：

不要用知识库猜。

八、群聊更严格

公开群里一个错误事实影响多人。

事实证据门槛可以更高。

无可靠证据时：

“这个我帮大家确认一下。”

比强答更合适。

九、事实对象

先生成：

claim:
支持Windows。

evidence:
D100/V4。

confidence:
0.96。

然后表达层再生成客户话术。

事实与表达分开。

十、证据失效

文档V4今天下线。

缓存答案依赖V4。

立即失效。

不能继续自动回复。

十一、客户引用历史错误答案

客户说：

“你上次说支持。”

历史机器人消息并不是正式证据。

系统应重新查当前知识。

不要因为自己以前说过就自证正确。

十二、人工确认

客服确认某特殊情况。

本次会话可以使用：

manual_verified_fact。

但是否沉淀成公共知识需要另外审核。

十三、数据看板

自动事实回答；
证据不足；
冲突；
人工确认；
错误事实；
按文档。

知识治理更精准。

十四、质量抽检

抽检事实回答时重点检查：

claim是否被证据真正支持。

不是只看语言是否自然。

十五、模型升级

新模型更聪明。

证据门槛仍然保持。

安全边界不能因为模型换强就取消。

十六、权限

有证据但当前客户无权获取该信息。

仍然不能回答。

证据和权限是两道不同门。

十七、日志

问题；
claim；
evidence；
score；
最终动作。

完整可解释。

十八、总结

个人微信二次开发接入大模型以后，最危险的并不是模型不会说，而是它在没有可靠依据时仍然说得非常像真的。

WechatApi 可以把真实客户问题带入业务系统。

AI证据门槛通过正式知识、实时工具、版本、有效期和置信度判断一个事实是否足够可靠。

有证据才自动回答，没有证据就澄清、候选或转人工。

真正成熟的AI微信客服，不是“任何问题都尽量给出答案”，而是企业事实必须有证据，模型不能把猜测包装成正式业务结论。