# 二手车案例
# 综述
针对抖音平台上二手车商面临的用户咨询量大、人工客服回复不及时、消息容易遗漏等问题，我们提出了一套基于AI客服的解决方案。该方案通过接入抖音私信，利用AI Agent主动服务引擎和大模型能力，实现7×24小时自动应答用户咨询，显著提升留资率。具体方案包括：
- 自动化接管私信和评论：AI客服接管抖音私信、评论和直播弹幕，自动发起会话并回复用户消息。
- 模拟真人对话：通过AI Agent主动服务引擎和指定话术映射，模拟真人对话，主动推动用户留资。
- 用户意图识别：大模型识别用户意图，分别适配买车和卖车的不同对话流程。
- 信息收集与工单派发：自动收集用户联系方式、意向车型等信息，生成工单并派发专人处理。
AI接管后，我们不仅提高了应答效率，还显著提升了用户留资率，客户账号的留资率从30%提升至50%-60%，解决了客户的核心痛点。
# 一、客户场景
- 客户：抖音平台大量二手车商
- 主要业务：二手车买卖
- 背景情况：客户账号会在抖音平台发布短视频或直播介绍车辆，用户会通过直播弹幕、短视频评论、私信多种方式进行咨询，客户需要通过与用户对话，留下用户的手机号或微信号，后面安排专人进行联系
（部分客户抖音主页截图）
# 二、客户痛点
- 用户咨询量大，人工客服回复不及时
- 人工处理很容易遗漏消息
- 非工作时间咨询的用户无法及时回复
- ……
人力成本投入大的同时，无法第一时间回复用户咨询，导致留资率低
# 三、解决方案
为了解决客户的痛点，我们需要训练一个二手车行业的AI客服来接管客户的抖音私信，自动应答用户的咨询。
接入抖音私信，自动发起会话+AI接管
- 7×24小时接管，第一时间回复用户消息
- 对评论或直播间发弹幕的用户自动发起会话，再用AI接管，自动化水平大大提升
AI Agent主动服务引擎
- 模拟“真人感”，还原出真人对话的效果
- 跳出一问一答的模式，能够主动发送消息推动留资
大模型能力合理应用
- 能够区分用户意图（买车/卖车），分别适配不同的对话流程
- 对于用户的各种询问都能够合理应对，做出适当的回复
自动收集用户信息，派发工单
- 能够收集对话过程中的信息（如用户的联系方式、意向车型等信息），生成工单，自动派发专人处理
# 四、效果展示
# 1.对话效果展示
- 买车流程
- 卖车流程
- 异常情况应对处理
# 2.用户信息收集展示
在对话中的每个流程节点，我们都设置了收集用户信息的变量，能够根据对话自动总结信息，例如用户手机号、用户要求、意向品牌、意向价位等信息，然后分别派发工单进行处理。
（真实客户信息收集示例）
# 3.数据成果
以我们其中一个客户的抖音账号（21万粉丝）为例，账号每天对话的用户数在170个左右，其中包括直播间弹幕和评论自动发起会话的用户。 在AI接管前，该账号每天的留资率大概在30%左右，AI接管后，应答效率大大提升，每天的总体留资率能够稳定达到50%，如果剔除自动发起会话的用户外，留资率能够达到60%，数据成果显著。
（上图为真实会话列表截图，留资率大大提升）
# 彩蛋：详细技术方案
# 智能体，能“真人感”的才“有用”
为了实现“真人感”，我们通过AI Agent主动服务引擎+根据场景映射指定话术+FAQ切片的方式，能够很好的还原出真人对话的效果，同时用大模型作为兜底回复，整体对话流畅度很高。
# 1.AI Agent主动服务引擎
我们通过自研的AI Agent引擎，可以进行对话的流程控制，通过prompt工程对用户意图进行识别，能够准确的进行不同节点的流转，分别进行不同内容的主动推送与回复。
以本案例中二手车客户为例，流程开始后，用户第一条消息进来，首先需要判断用户这条消息的意图是买车还是卖车、是否提及了车型、是否提及了联系方式、是在打招呼还是在说需求有关的信息等等，完成判断之后，分别对应不同的指定话术进行回答。 回答完毕后，再进行一轮节点流转的判断，判断接下来往哪个节点去跳转。
例如，如果用户的第一句话是：“宝马X5店里有吗”，我们设定的回复就是“嗯嗯，宝马X5店里有的”。 同时节点流转判断用户要买车、已提及车型、但是没有提及联系方式，所以我们就会跳转到一个主动消息的节点，主动再发送一条询问联系方式的消息：“麻烦您留个☎️，这边发您具体车辆信息”，这样就完成了一次回复和节点的跳转。
（真实客户对话示例）
下次再等用户消息过来，我们就会判断，用户是否提供了联系方式，如果提供了，我们就会继续往下一个节点跳转，如果用户一直没有提供联系方式，而是一直在询问其他问题，我们就会停留在这个节点回答用户的问题，并通过follow up组件和timeout组件，继续追问用户的联系方式，保证流程的顺利推进。
# 2.映射指定话术
要想实现用指定话术来应对用户不同场景的需求，单靠对大模型的限制的不够的，在prompt做太多的限制，不仅大模型发挥的稳定性十分不可控，而且消耗的token数量会大大增加，但在一个商业化的场景中，不止对话成本需要严格的把控，稳定性也极其重要。 所以我们把一个复杂的工作进行拆分，让大模型仅做用户意图的识别，我们再根据大模型返回的判别结果，映射到指定话术进行返回。
# 3.FAQ切片
除了上述需要做复杂意图识别的场景外，还有很多常见的问题，可以更便捷的以FAQ切片的方式录入到系统，当用户的消息匹配度达到我们设定的百分比时，就能直接回复FAQ的答案内容，或让大模型进行参考回答。
（上图为本案例客户部分FAQ切片内容）
配置好FAQ切片后，我们可以在系统配置中调整匹配的百分比，以及搜索匹配的方式（向量搜索/模糊搜索），以适应调整最好的表现结果。
# 4.大模型兜底回复
通过上述三类核心动作，我们已经能够适应大部分的用户对话场景，能够自然流畅的使用指定的话术进行回复，并主动推动客户留资。 但与用户的对话过程中，特殊的对话场景是不可避免的，用户可能会询问我们设定场景外的一些问题，甚至可能会有质疑和情绪，在这种情况下，光靠指定话术是不行的，所以我们在每个节点都设置了让大模型来做兜底回复，当用户的消息超出了我们设定场景的范围，且FAQ切片也没有匹配到的情况下，我们会让大模型根据我们设定的角色身份进行回复，不仅能够覆盖剩余的场景，大模型的表现有时还会给我们惊喜。
（上图为真实客户对话示例，通过大模型兜底回复消除客户怀疑，成功留资）