做过外呼的人都有两个头疼问题:客户换个说法,机器人就听不懂;知识库里没有的规则,大模型却敢编一个答案,语气还特别笃定。前者叫“不自然”,后者叫“口径不准”。

根源是同一个:传统话术库撑不住真实对话的多样性。

传统话术库的天花板

早期智能客服靠“问题模板—标准答案”的键值对,用户提问后做关键词或向量匹配。问题是用户从不按模板说话:知识库写“如何申请退货”,用户说“买错了”“不想要了”。关键词匹配只认字面,稍微换个说法就答非所问。而且业务规则一变,人工维护同义词永远追不上,同一个问题可能今天一个答案、明天另一个答案。

RAG 的本质:让大模型开卷考试

PCSwitch 在 AI 对话层接入了百炼、DeepSeek 等大模型,同时挂载 RAG 知识库做知识兜底。RAG 的逻辑一句话:

不让模型凭记忆答题,先翻到相关资料,再照着资料回答。

传统大模型像闭卷考试,答案来自训练数据里模糊的记忆;RAG 给它配了一本随时能翻的“教材”——企业文档、政策条款、历史工单被切分、向量化后存入知识库。用户提问时,系统先检索最相关的几段资料,再把“问题+资料”一起交给模型生成回答。

效果是结构性的:

  • 口径准确:输出被锚定在检索到的资料上,知识库里没有的内容,模型没有材料可编,幻觉大幅下降。

  • 对话自然:语义检索能识别“不想要了”和“退货”的邻近关系,不用人工穷举同义说法。

  • 更新成本低:规则变了只更新知识库文档,不用重新训练模型,也不用改话术模板。

PCSwitch 怎么把 RAG 塞进一通电话

链路大致是:ASR 转文字 → 大模型理解意图 → 检索 RAG 知识库 → TTS 播报或触发业务动作。

呼入时,用户说“订单怎么还没到”,系统识别为物流查询,从知识库检索规则和订单状态后生成回复;说“转人工”就直接路由坐席。外呼时,机器人批量拨出,对话中实时判断意向(感兴趣/拒绝/需转人工),按结果走不同分支。

值得注意的不是“接了大模型”,而是知识检索被做成了流程里可编排的一环。AI 机器人、意图识别、ASR/TTS、条件判断都是独立模块,在可视化设计器里拖拽组合。调 RAG 效果不用改代码:换知识库节点、调相似度阈值、把某类问题直接路由人工,都在流程图上完成。

适合谁,不适合谁

RAG + 大模型不是万能药。它适合知识密集、口径要求统一的重复沟通:退款政策解释、订单查询、产品参数确认、通知外呼、意向初筛。这些场景的答案是“文档里存在,只需要被准确送达”。

需要复杂谈判、情绪安抚、创造性说服的对话,RAG 解决“说得对”,不解决“谈得好”。好在 PCSwitch 支持人工一键接管机器人通话,上下文同步,用户不用复述。

另外,RAG 的上限取决于知识库质量。文档切得太碎丢上下文,切得太粗稀释信息;长期不更新,模型查到的就是过期资料。把 RAG 当万能答案机塞进去就不管,效果不会比话术库好多少。

写在最后

智能客服的“智能”长期被等同于“能对话”。但对企业来说,说得自然且说得准确才是门槛。PCSwitch 的 RAG 实践提供了一个参考样本:用大模型解决“自然”,用检索增强解决“准确”,把知识维护和流程编排交给业务侧。

评估外呼系统时,不妨问供应商一句:“机器人答不上来的时候,是编一个答案,还是知道自己不知道?” 这比任何“AI 赋能”的宣传语都更能说明架构的成色。

Logo

DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐