本地化客服知识库问答 —— 私有政策数据支撑的应答口径与工单预生成

通用 AI 客服答得了「怎么缴费」 · 答不了「青云尚府为什么还不通气、我为什么被限购

一这件事现在是什么样

营业安检与用户服务 · 真实业务触发

客服班组每天接几百个电话,问的全是本地事:这栋楼几号通气、限购怎么解除、补贴怎么领。通用 AI 客服答不了这些——答案在公司的通气排期表、限制购气名单、补贴政策文件里。答错一次,业主的投诉就直接打到县里。

二痛点 · 每条都有来源

不是流程描述,是调研出来的真痛点 —— 每条可点开核对出处

1
通用 AI 客服厂商方案已成熟(中国燃气呼叫中心日均 3.2 万单),但「本公司收费标准/本地停气计划/通气排期/安检预约规则」是私有数据,通用产品答不了——客户第一问就在这里依据 · 《中国财经报》中国燃气 AI 应用:呼叫中心日均 3.2 万单、识别准确率 91%;安检图像识别日均 6 万张、准确率 99.7% —— 识别本身厂商已覆盖,「识别结果×本公司档案×判废标准」的交叉核对没人做
2
中小燃气公司已在用低代码方式自建(新津川港用低代码平台搭客服,月回复量从 25 人次到 100 人次)——缺的不是工具,是私有政策数据的结构化依据 · 四川经济网:新津川港用低代码平台搭 AI 客服,公众号月回复量从 25 人次升到100 人次 —— 中小燃气公司已经在用低代码方式做本地客服,痛点是私有政策数据没有结构化
3
青云尚府这类新交付小区的集中来电(不通气、限购)有明确的本地答案,但口径散在工程部的排期表、安检部的名单、营业厅的政策文件三个口——客服答不上来就只能登记回访,投诉升级依据 · 攀枝花市城管局通知:用户工程从申请、勘查、设计、施工、验收到通气全过程资料「一户一档、永久归档」,清单含 12 类文件;通气时限居民 11 个工作日;资料不全不予通气 —— 归档完整性是通气的前置条件
4
限购解除流程涉及安检预约(黑名单户回家先安检再复气),客服说错流程会导致用户白跑——这不是话术问题,是流程知识没进客服的知识面依据 · 宜川县公告:超期未检用户列入「购气黑名单」限制购气,回家后先安检再复气 —— 限制购气是到访不遇处置的中间档,比停气轻、比贴条重

三换个做法之后

变化不在「快」,在「参与的角色」和「覆盖的范围」

✕ 现在的做法

  • 通用 AI 客服厂商方案已成熟(中国燃气呼叫中心日均 3.2 万单),但「本公司收费标准/本地停气计划/通气排期/安检预约规则」是私有数据,通用产品答不了——客户第一问就在这里
  • 中小燃气公司已在用低代码方式自建(新津川港用低代码平台搭客服,月回复量从 25 人次到 100 人次)——缺的不是工具,是私有政策数据的结构化
  • 青云尚府这类新交付小区的集中来电(不通气、限购)有明确的本地答案,但口径散在工程部的排期表、安检部的名单、营业厅的政策文件三个口——客服答不上来就只能登记回访,投诉升级
  • 限购解除流程涉及安检预约(黑名单户回家先安检再复气),客服说错流程会导致用户白跑——这不是话术问题,是流程知识没进客服的知识面

✓ 交给 Agent 之后

  • 多来源文件一次读入,先做口径与完整性校验,再开始算
  • 每条结论绑定来源文件、字段或条号,可以被审
  • 产出是企业真会流转的正式件(带签批栏),不是一张展示用的表
  • 该拦的地方给出「现在还不能提交」,并给不用干等的替代方案

四场景闭环

6 步 · 每一步的产出都是下一步的输入

第 1 步
触发 · 来电或工单文本进来每天真实发生的输入——高危关键词(泄漏/异味/报警器响)先走分流规则
第 2 步
高危分流 · 抢修类来电硬编码优先「请立即离开现场拨打抢修电话」不经过知识库——这条规则写在应答流程第一位
第 3 步
意图识别 · 本地问题归类不通气/限购/账单/补贴/预约五类高频意图——本地答案优先,通用缴费问题走标准口径
第 4 步
出处检索 · 定位到原文页码每个答案带「依据:XX 文件第 X 页」——答不上来的明确说「无依据,转人工」,不编
第 5 步
口径组装 · 应答草稿+工单预生成应答口径带出处给客服确认;需要派单的(安检预约/通气查询)预生成工单草稿
第 6 步
留痕 · 问答记录与未答问题入库答不上来的问题单独成表——那是知识库的补料清单,也是产品侧的需求清单

要准备什么

本地收费标准与价格文件
居民阶梯价/非居分类价——原文页码就是应答依据
通气排期表(工程部)
哪个小区哪栋几号点火——青云尚府类来电的答案源
限制购气名单与解除流程(安检部)
限购规则+黑名单解除的安检预约流程
停气公告与抢修记录
计划停气/故障停气的口径与恢复时间
常见来电 TOP20 与标准答复口径
客服班组的经验口径——没有就先跑两周工单记录反向整理

为什么这个场景值得做

痛感 4 × AI 适配 4 ÷ 落地难度 2 = 9.6

最大差异点 · 不要求先建知识库系统。价格文件、排期表、名单、政策文件的原文(PDF/照片/Excel)直接扔进来——问答时自动定位到原文页码,每个答案带「依据出处」,答不上来的明确说「无依据,转人工」。

评分口径:痛感看「这事没做好谁会生气、生气到什么程度」; AI 适配看「输入是否非结构化、是否要跨部门取数、错了能不能当场看出来」; 落地难度是分母 —— 需要客户先做数据治理的场景,分数会被压得很低。

五会产出什么

判断标准只有一个:这份东西能不能直接进企业的流程

正式件本体
本地应答口径手册.docx
正式件 · 分类口径+原文出处索引 · 含审核栏
可派发清单
工单预生成模板.xlsx
五类高频意图的工单草稿字段——与现行工单对齐
可派发清单
未答问题清单.xlsx
知识库补料清单——每月滚动更新

这套东西不承诺什么

不自动外呼、不做停气/复气承诺(时限口径以营业厅正式答复为准)。高危来电(泄漏、异味)第一句就是「请立即离开现场拨打抢修电话」——这条分流规则硬编码在应答流程第一位,不经过任何知识库检索。

想看具体怎么跑?

Live Demo 里有一个完整案例的每一步,包括 Agent 在哪一步拦住了