Agent 客服

1. 客服 Agent 和传统聊天机器人的本质区别？
1. 传统机器人是关键词和决策树，用户说法稍微偏离预设路径就答非所问，客服 Agent 是理解意图后自主规划行动。
2. 传统机器人只能回答，Agent 能行动，查订单、改地址、退差价这些操作它能直接调接口完成，不是甩一个链接让用户自己点。
3. 传统机器人的知识更新靠人工配置，Agent 可以直接吃文档和工单历史，知识覆盖面天然更广。
4. 失败方式不同，机器人失败是答不上来，Agent 失败可能是答错了还执行错了，风险等级完全不同。
5. 边界意识不同，好的客服 Agent 知道什么该转人工，而不是硬撑着编答案。
6. 面试加分点：本质区别是机器人处理对话，Agent 处理任务，对话只是任务的外壳。
7. 常见误区是拿解决率一个指标衡量两者，Agent 时代的指标必须加上操作正确率和升级合理率。

2. 客服 Agent 的意图识别要怎么做？
1. 意图体系要分层设计，先分大域如订单、支付、售后，再细分二级意图，扁平的大分类会导致路由混乱。
2. 不要只用一次分类，多轮对话里意图会漂移，用户上来问退货聊着聊着变成催发货，每轮都要重估意图。
3. 槽位补充和意图识别要一起做，识别出退货意图后还缺订单号和退货原因，主动追问而不是空转。
4. 冷启动阶段用大模型做开放域理解加人工标注沉淀高频意图，跑一段时间后高频路径固化成快通道。
5. 歧义要主动澄清，用户说东西有问题可能是质量、物流、价格三类问题，猜错的代价比多问一句高。
6. 意图识别的准确率要分场景统计，订单查询类能到九成以上，复杂纠纷类可能只有六成，考核要分开看。
7. 面试加分点：能说出意图体系的维护成本，意图越多分类越脆，定期合并低频意图是持续工作。

3. 怎么解决大模型幻觉导致的错误承诺问题？
1. 幻觉最危险的场景是承诺类输出，答应退款、承诺赔付时效这些话一旦说了就是客服事故。
2. 涉及承诺的回复走受控模板，金额、时效等变量由系统注入真实数据，模型只负责润色不改事实。
3. 知识检索要带来源强制引用，答案里每个关键信息都能追溯到文档条目，检索不到就明确说不知道。
4. 政策类问题用规则优先，退款政策、价保规则这种有明确条文的内容直接走规则引擎，不让模型自由发挥。
5. 上线前用对抗性话术集做红队测试，专门诱导 Agent 乱承诺的话术库要持续积累。
6. 输出侧加一层守门模型或规则检查，检测回复里是否含未授权的承诺表述，命中就拦截重写。
7. 面试加分点：能说出幻觉治理是分层工程，检索层保证有据，生成层限制发挥，输出层兜底拦截。

4. 人工客服怎么和 Agent 协同？
1. 转人工的触发条件要明确列出，情绪激动、投诉升级、涉及资金纠纷、Agent 连续两轮没听懂，这些直接移交。
2. 移交不是甩锅，Agent 的对话摘要、已识别意图、已核实的信息要打包给人工，用户不重复描述是体验底线。
3. 人机协作模式分三种，Agent 全程处理、Agent 起草人工审核发送、人工主导 Agent 递话，按业务风险等级选。
4. Agent 做人工的副驾也很有价值，人工在回复时 Agent 实时推荐话术和相关知识，效率能提升三成以上。
5. 人工处理完的会话要回流，人工的最终答复和纠正动作是 Agent 最好的训练数据。
6. 转人工率不是越低越好，把该转的硬拦在 Agent 会牺牲体验，合理区间要靠升级后的满意度反推。
7. 面试加分点：能说出协同的北极星指标，不是人工量降多少，而是单次会话解决率加用户满意度同时上升。

5. 客服 Agent 的知识库怎么建设？
1. 知识源要收齐，产品文档、政策条文、历史工单、内部答疑帖四类都要进，缺历史工单等于缺了最真实的问答语料。
2. 文档要按问答对重构，直接灌产品手册效果一般，把手册拆成用户真实会问的问题形式，检索命中率明显提升。
3. 时效管理是生命线，政策类知识必须带生效日期和过期标记，过期知识比没知识更害人。
4. 版本和场景要区分，不同产品线、不同地区、不同用户等级的政策不一样，检索时要带上下文过滤。
5. 高频问题的标准答案要人工精修，这些问题的答案质量决定了大盘体验，不能全靠检索拼凑。
6. 知库要建立反馈闭环，Agent 答得差的问题自动进待补充清单，每周有人负责填坑。
7. 面试加分点：知识库建设七分靠运营三分靠技术，没有专人运营的知识库三个月就腐化。

6. 怎么评估客服 Agent 的效果？
1. 核心指标是问题解决率，定义要严格，用户没有二次进线且没有转人工才算解决。
2. 对话轮次是效率指标，同一个问题平均轮次从八轮降到四轮，体验和成本都是双改善。
3. 升级合理率衡量边界感，转人工的会话里有多少是确实该转的，乱转说明能力不行，不转说明没有边界。
4. 用户满意度要防幸存者偏差，会话结束就弹的评分只代表完成者的感受，中途放弃的用户要单独追踪。
5. 业务指标看成本，单会话成本和人工对比，但要计入大模型调用费用和兜底人工的边际成本。
6. 建立标准评测集，抽真实会话人工标注理想答案，每次改版跑一遍回归，防止改好一处坏三处。
7. 面试加分点：能说出评估要分级分层，高频简单问题看自动化率，复杂长尾问题看安全下限。

7. 客服 Agent 的安全合规要注意什么？
1. 用户身份核验要在操作前完成，查订单改地址都涉及隐私，先核身份再干活是铁律。
2. 数据脱敏要贯穿全链路，手机号、身份证号进模型上下文前要掩码，日志存储要加密。
3. 通话和对话记录的留存要合规，告知用户录音录像，留存期限按行业规定执行。
4. 营销话术要有边界，客服场景里硬推销不仅伤体验，还可能违反骚扰类规定。
5. 敏感人群要特殊处理，涉及医疗建议、金融投资咨询的内容要明确声明不构成专业意见。
6. Agent 输出要防套取信息，攻击者会诱导它吐出内部政策漏洞或其他用户的资料，上下文隔离必须做。
7. 面试加分点：能说出客服 Agent 是合规风险最高的场景之一，因为它的输出会被用户当成公司的正式承诺。

8. 高峰期的并发和成本怎么扛？
1. 大促或故障场景咨询量会暴涨十倍以上，容量规划要按峰值设计而不是均值。
2. 分级响应策略，高频简单问题走缓存和规则快通道，零模型调用，这部分通常占四成以上流量。
3. 模型分级调度，简单问题用小模型，复杂问题才升级到大模型，成本能降一半以上。
4. 会话缓存设计，同一用户短时间内重复咨询直接复用上下文，不重复装配和检索。
5. 过载保护要有人性化兜底，系统扛不住时明确告知用户排队预计时间，给自助排查入口，而不是沉默或答非所问。
6. 错峰预热，大促前把高频问题答案、活动政策提前装配好，高峰期减少检索和生成的实时压力。
7. 面试加分点：能说出成本优化的优先级顺序，先砍无效流量，再做缓存和分级，最后才是换更便宜的模型。

9. 多渠道接入怎么做统一体验？
1. 渠道包括 App 内客服、官网浮窗、小程序、电话语音、企业微信，各渠道用户预期不同，电话要快而短，文字可以详细。
2. 会话跨渠道连续是刚需，用户在 App 里没聊完转到电话继续，上下文必须跟着走。
3. 统一会话中心设计，所有渠道的对话归一到会话引擎，渠道只是前端适配层。
4. 语音渠道是特殊挑战，Agent 要接语音识别和语音合成，识别错误的容错和打断处理都要专门设计。
5. 渠道特有的能力要适配，小程序渠道可以直接发卡片组件，电话渠道只能说文字，同一答案要转译成多形态。
6. 各渠道的会话数据统一归集分析，不同渠道的问题分布差异能反过来指导各渠道的运营策略。
7. 面试加分点：统一体验的判断标准是用户换渠道不用重复自述，这是最容易暴露架构没打通的地方。

10. 客服 Agent 上线的灰度和迭代怎么做？
1. 绝不能全量上线，先按问题类型灰度，先放行查订单这类低风险意图，售后纠纷类人工兜底。
2. 按流量比例逐步放开，百分之五到二十到五十到全量，每个阶段观察核心指标至少一周。
3. 灰度期间建立快速回滚机制，指标劣化或出现事故话术时十分钟内切回人工模式。
4. 坏例收集机制要内置，Agent 答错被用户纠偏、被人工推翻的会话自动打标，形成改进清单。
5. 迭代节奏是双周小版本加月度大评审，小版本修坏例，大版本做策略和知识结构升级。
6. 每次模型或提示词改动都要跑标准评测集回归，防止体验指标波动。
7. 面试加分点：能说出客服 Agent 永远没有上线完成的状态，用户话术和政策在变，迭代运营是常态。

11. 客服 Agent 项目的落地路径怎么规划？
1. 第一步是选切口，从咨询量最大的三类问题入手做穿透，不要一上来追求全能。
2. 第二步是打地基，知识库、订单系统接口、身份核验三个依赖要在第一个月内全部打通。
3. 第三步是内部影子运行，Agent 和人工同时处理，只对比不对外，积累两个月的真实效果数据。
4. 第四步是灰度放量加运营体系搭建，坏例处理、知识更新、指标复盘三条流程同步建立。
5. 资源上要明确一个专职产品经理加半个数据分析师的最低配置，纯技术团队推进必死。
6. 里程碑要可量化，三个月做到单类问题解决率八成，六个月整体解决率过半，按此倒排资源。
7. 面试加分点：落地的最大坑是只建系统不建运营，系统上线只是开始，持续运营才产生价值。

包含的内容比较多，这里只做了简单的截图介绍，需要拿来学习的小伙伴查看下方图片！

📚 大模型面试题系列 · 持续更新

INTRO_REMOVED

长按识别二维码，添加微信好友

获取完整版面试题合集，注明 「面试」 通过好友申请