腾讯客服团队亲测:学会这 4 步,让你的 AI 从“能用”到“好用”
不少 Buddy 在使用 AI 时都遇到过这些问题:
- 明明已经说清了背景和要求,生成的答案却总差点意思;
- 来回补充信息、调整提示词,它还是抓不住重点;
- 只想修改一处,其他原本没问题的内容也跟着变了;
- 面对相似的问题,AI 前后给出的结果甚至完全不同······
让 AI 生成一个答案并不难。真正难的是,让它理解我们到底要什么,并在一次次任务中稳定交付可靠的结果。
腾讯客服团队的 YOYO 也曾遇到过同样的问题。YOYO 是腾讯客服部的知识资产架构师,日常工作是把团队的知识与经验梳理、转化并沉淀为可复用资产,用 AI 帮助团队提效减负。过去,她所在的客服团队需要完成一项高度依赖人工经验的评估工作。一线提出诉求后,团队成员需要结合业务规则和过往经验作出判断,再给出相应方案。大量的关键判断掌握在少数人手中,不仅需要持续投入人力,也很难沉淀为统一、可复用的标准。
于是,他们尝试搭建了一个 AI 评估智能体。最初,智能体的评估准确率只有 50%,距离真正投入使用还有很大差距。经过五个月、101 次迭代后,评估准确率从 50% 提升到了 97%。
这一变化的实现,靠的并不是一条万能提示词,而是团队在实践中逐渐掌握的四个关键步骤——让 AI 从听懂需求开始,逐步成长为一位快速上岗且能够稳定完成工作的好帮手。
01学会筛选:思考什么内容值得交给 AI
在个人和团队的日常工作中,大量经验分散在人的记忆、历史对话、零散文档里。要让 AI 真正参与工作,首先需要将这些经验提炼为可复用、能够直接交给 AI 执行的知识资产。
许多人的做法是把团队现有的规则、指南和历史经验一股脑塞进知识库。但问题是,这些经验当中可能既有真正影响判断的经验,也有在过去条件下形成、后来一直沿用的固定流程。如果未经筛选就将它们全部交给 AI,AI 可能只是更快地执行了一套本可简化甚至取消的流程。
因此,在沉淀经验之前,需要先做筛选,可以逐步回答以下问题:
- 这项工作真正要解决的问题是什么?
- 现有环节是否仍有存在的必要?
- 有没有更直接的解决方案?
- 哪些内容只是固定流程,哪些内容确实需要结合实际情况判断?
- 哪些经验会反复使用,值得沉淀为统一标准?
经过这一步,该优化的流程先优化,该取消的环节先取消。只有那些确实需要判断、又会被反复使用的经验,才进入后续的知识沉淀环节。
使用 AI,不是把原来的工作原封不动交给它,而是先重新确认需求,再决定 AI 应该介入哪些环节。因为 AI 可以把一件事做得更快,但它不会主动提醒你,这件事本来可以不做。
02学会提问:让 AI 真正理解你的需求
确定要交给 AI 的任务后,下一个难点是:怎样把人的判断经验说明白?
很多人会选择直接告诉 AI:“帮我整理一份业务规则”或“帮我写一份操作指南”。AI 通常会迅速配合生成一份结构完整的文本,但这份文本未必真正包含业务判断所需要的信息,对于相关的领域几乎没有信息增量。
问题出在哪?知识沉淀最大的难点,不是不知道如何表达,而是有许多关键经验从一开始就没有被说出来:对于熟悉业务的人来说,一些判断早已成为下意识。面对具体问题时,他知道应该关注什么,也能察觉哪些情况需要例外处理;但当他尝试把这套经验写下来时,往往会自然省略自己认为“不言自明”的部分。可这些部分,你不说,AI 就永远不知道。让 AI 直接产出,只能根据有限信息进行补全,缺失的部分则容易被通用表述代替,看起来完整,但其实并不符合真实的需求。
因此,用 AI 沉淀知识,需要把顺序调转过来——不让 AI 直接开始写,而是先让它提问。
可以借鉴“苏格拉底式提问法¹”的思路,让 AI 扮演一个不了解业务、但会持续追问的采访者。告诉 AI:不需要急着给出答案,而是先围绕任务目标、判断条件、规则优先级、特殊情况等信息不断提问,将使用者原本没有说出口的信息逐步挖出来。
苏格拉底式提问法:古希腊哲学家苏格拉底提出的一种对话教学方法。它不直接给对方标准答案,而是通过系统、深入的连续提问,引导对方审视自己的观点、发现逻辑矛盾,从而靠自己悟出真理。
这种方式能解决一个常见的问题:越熟悉一项工作,越难还原自己尚未掌握它时的状态,越会不自觉地省略最需要的信息——“这种情况看着办”是什么情况?怎么看?“实在不行就上报”是什么情况才算实在不行?与其一个人面对空白文档反复回忆,不如让 AI 学会反问。许多原本依赖直觉完成的判断,也会在问答过程中逐渐变得明确。
当经验从“某个人知道怎么做”变成清楚的条件、边界和例外,它才真正具备被团队复用、被系统执行的基础。
具体怎么让 AI 进入“提问模式”?可以把下面这段话直接发给 WorkBuddy:
【提示词 1:苏格拉底式采访】
03学会管理:明确 AI 的操作权限
知识框架的搭建只是开始。随着业务变化,判据、阈值和输出话术需要更新,知识库会在一次次使用中持续变化,而真正容易被忽略的风险,往往发生在修改过程中。
需要注意的是,知识库不是一组彼此独立的文档,而是一张相互关联的规则网。修改其中一条规则,可能影响其他判断。AI 在执行修改时,也可能根据自己的理解“顺手优化”相关内容。而这些额外改动不一定会被明确标出。使用者能够看到要求修改的地方是否正确,却很难发现其他内容是否同时发生了变化,且知识库越大,这类问题越难排查。
因此,校验工作需要提前进行:不是等 AI 改完以后再检查,而是在修改发生之前,先明确 AI 有哪些操作权限。具体而言,需要建立三条规则。
1. 先列出清单,再执行修改
收到修改任务后,AI 不能立即写入,而要先列出完整的改动清单:
- 准备修改哪个文件、哪一部分;
- 对应的原文是什么;
- 计划修改成什么;
- 为什么需要修改。
使用者逐条检查并确认后,AI 才能开始执行。没有经过确认的改动,不进入知识库。
2. 只修改确认过的内容
改动范围一旦确认,清单之外的内容一律不动。即使 AI 在分析过程中发现了“似乎可以顺手优化”的内容,也不能擅自修改。
该改的内容没有改到,是执行问题;没有要求修改的内容被改动,则可能引入更难发现的新问题。
3. 遇到冲突先停止
如果修改规则 A 会影响规则 B,AI 不应该自行决定如何取舍,而要先停下来,向使用者说明:冲突发生在哪里、属于什么问题、可能影响哪些判断,再等待使用者决定。
AI 可以识别冲突、分析影响和提出方案,但最终选择仍然由人作出。否则,它就不再只是执行已经确认的决定,而是在替使用者作出新的业务判断。
可以把以下提示词复制到 WorkBuddy,明确修改规范:
【提示词 2:全局同步修改协议】
还有一种情况需要单独处理:同一个问题已经修改了三四轮,却仍然没有解决,甚至越改越乱。这时,与其继续增加要求,不如先暂停修改,让 AI 回顾整条任务链路,找出卡点到底在哪里:是指令有歧义,还是任务本身存在冲突。
只有先找到反复失败的原因,后续修改才不会继续建立在错误的方向上。
遇到这种情况时,可以直接复制下面这段协议,每次让 WorkBuddy 更改知识库前发送:
【提示词 3:任务深度复盘协议】
04学会归因:先找到错误源头,再优化提示词
完成知识沉淀后的下一步,是要让 AI 进入真实任务稳定执行,再根据真实的错误案例一步步校准。
五个月、101 次迭代,智能体的评估准确率从 50% 提升到 97%,YOYO 团队并没有反复润色整篇提示词,而是固定执行一套迭代闭环:建立基线 → 定位错误 → 最小修改 → 全量回归 → 留下记录。
准确率提升的关键在于,每一轮都解决一个能够被明确说明的问题。
例如,同样是判断错误,背后的原因可能完全不同。YOYO 团队将原因归纳为五类:
- 知识没有写清楚:关键条件缺失或表述仍然含糊,需要回到知识库补充;
- 规则顺序不清楚:多条规则同时命中,但没有说明哪一条优先,需要调整判断顺序;
- 输入信息不足:现有信息不足以支持结论,需要增加“信息不足”的退出条件;
- 输出没有遵守要求:判断本身正确,但格式、字数或话术不符合要求,需要收紧输出约束;
- 模型出现幻觉或不稳定:AI 添加了没有依据的信息,或在相似输入下给出不一致的判断。
这一步不能跳过。如果没有先判断问题发生在哪一层,就直接修改提示词,很容易把知识问题写成提示词补丁。提示词会越来越长,真正缺失的判断条件却仍然没有被补上。
可以直接复制下面这套指令,基于错误案例的实际情况,修改表述后发给 WorkBuddy:
【提示词 4:错误归因优化指令】
找到错误原因后,AI 通常会顺势提出一套解决方案。但这些建议不能直接全部写入。要让 AI 先把三件事说清楚:
- 要改什么:明确修改所涉及的文件、章节和具体语句,引用原文,并给出完整的修改版本。类似“优化判断条件”这样的概括性建议不能算作建议,因为并没有说明实际改动范围,也不足以支持使用者作出是否批准的判断。
- 为什么要改:每一项改动都要对应本轮归因中已经确认的具体问题,并说明二者之间的关系。如果某项建议无法对应明确错因,说明它不属于本轮修改范围,应当单独记录,不能与当前改动一并执行。否则,即使结果发生变化,也无法确认究竟是哪一项调整产生了作用。
- 改动之间是否存在冲突:AI 需要在执行前检查各项修改是否相互影响。例如,一条建议调整了判断顺序,另一条建议又增加了新规则,这可能形成矛盾。这类问题应该在改动生效前识别并说明,避免执行后再度返工。
随后,AI 需要将所有建议整理成清单,由使用者逐条确认。注意是“逐条确认”,而不是整体批准。整体批准只有接受或拒绝两个选项;逐条确认则可以保留必要改动,拒绝与本轮问题无关的调整。
可以直接把这段话发给 WorkBuddy:
【提示词 5:提示词优化与修改确认指令】
05写在最后
我们常常把 AI 的使用效果归因于提示词的质量:答案不够准确,就继续补充要求;执行不够稳定,就尝试写出更长、更完整的指令。但一项真实工作往往包含大量隐性条件、规则边界和例外情况,很难通过一次输入全部说明。
因此,想更有效地使用 AI,不是要追求一次性写出一条完美指令,而是要建立一套可以持续运行的协作方法:先判断哪些任务真正适合交给 AI,再通过追问将隐性经验转化为明确的条件和规则;执行过程中限制修改范围、保留人工确认;出现错误后,则根据具体原因进行最小调整和完整验证。
无论是个人处理日常工作,还是团队沉淀业务知识,只要任务中包含可以复用的经验、需要反复作出的判断,以及能够被检验的结果,都可以沿着这条路径逐步优化。
当任务目标、判断依据、操作边界和反馈机制都足够清楚,AI 才不只是一个能够生成答案的工具,而会逐步成为一个更可靠、更有效的协作者。