规则引擎能挡住固定问题，答不了"我这单什么时候到"。把大模型接进企微机器人，是今年问得最多的需求。链路本身不难：回调进来、组装上下文、调模型、回消息。难的是三件配套：上下文管理、人工接管、内容过滤。这篇讲完整方案。

关键词自动回复的覆盖率天花板明显：话术写一百条，客户换个问法就失配。人工客服全天在岗，一半时间在答重复问题。AI 回复的位置就在两者之间：常见问题秒回，复杂问题转人。

原理

所谓 AI 智能回复，是指消息进来后由大模型基于业务知识生成回复、机器人代发的链路：

消息回调 → 意图预判 → 命中 AI 范围 → 组装上下文与知识 → 调用模型 → 内容过滤 → 发送回复。

两个设计决策要先定。一是 AI 的边界：只有产品咨询、进度查询类进 AI，投诉、退款、纠纷直接进人工队列——模型答错投诉的代价远高于省下的人力。二是上下文取材：用近几条会话加客户资料拼 prompt，不要把整个历史塞进去，既贵又乱。

核心实现

回复主链路（示例代码，需按官方文档校验）：

def on_message(evt):
    if evt.type != "text": return to_human(evt)      # 非文本直接转人工
    if in_blacklist(evt): return to_human(evt)       # 投诉类转人工
    ctx = recent_msgs(evt.conversationId, n=6)       # 近几条上下文
    prompt = build_prompt(kb, ctx, evt.text)
    answer = llm.chat(prompt)
    if not safe(answer): return to_human(evt)        # 过滤不过关转人工
    return api("/wx-api/api/message/sendText",
               {"appId": evt.appId, "conversationId": evt.conversationId,
                "content": {"texts": [answer]}})

回调的接入与验签见Eyun 企微API开发文档，发送接口与会话 ID 说明见消息模块文档。

踩坑

一、模型输出永远当不可信输入处理：长度截断、敏感词过滤、格式校验都要有，AI 幻觉的直接受害者是你的客户关系。

二、转人工要快且明显：AI 连续两答客户仍追问，立刻转人工并同步上下文，客户最恼火的是"机器人在装人"。

三、响应时间要控制：模型调用加超时兜底，超时也转人工；一条消息等三十秒不如不接。

四、成本按会话而不是按条数核算：上下文越长越贵，命中率低的知识库段落及时下线。

总结

AI 回复链路四件套：边界预判、上下文组装、输出过滤、人工接管。前三件决定答得好不好，第四件决定客户走不走。这篇基于 Eyun 平台的企微接口整理，接口行为以官方文档为准，知识库与 prompt 模板按业务实测迭代，不要指望一次调通。