做一个客户问题分类 Agent

把售前、售后、技术、账单、投诉先分流，再分别给不同处理建议，比一刀切回复更高效。

内容更新 2026-05-17

先看结论

标签先建好、判断规则写清、低置信度转人工，分类 Agent 才能上线。

操作步骤

  1. 用 20 条虚构或严格去标识化的历史咨询样本打标签，整理出 5-7 个核心标签
  2. 为每个标签写一句话判断规则 + 1-2 条样例
  3. Agent 拿到消息先判断标签、再给推荐回复
  4. 资料缺失、规则冲突或命中高风险类别时转人工；不要把模型自报分数直接当成可信概率
  5. 上线后每周复盘标签分布，调整规则

小白先准备什么

  1. 先从历史咨询里挑 50 条消息并严格去标识化，删除姓名、电话、邮箱、地址、订单号、客户对话标识和内部报价，再人工分成售前、售后、技术、账单、投诉、垃圾信息等标签。
  2. 每个标签写 2 条正例和 1 条反例，告诉 Agent 什么情况不算这个标签。
  3. 先用标注样本评估误分和漏分，再为当前业务设置转人工门槛；模型自报置信度未经校准，不能统一按 0.7 自动放行。
  4. 提前决定分流后的动作：派给谁、发什么模板、记录到哪个表。

验收标准

  • 用 50 条虚构或严格去标识化的历史消息样本回测，主要标签准确率达到可接受水平。
  • 不确定消息不会被强行归类，而是进入人工复核。
  • 输出包含标签、置信度、原因、建议回复和下一步动作。
  • 每周能根据错分案例更新标签说明和样例。

可复制分流 JSON

{
  "label": "售前|售后|技术|账单|投诉|垃圾信息|待人工确认",
  "confidence": 0.82,
  "reason": "用户在询问价格和交付时间，属于售前咨询。",
  "suggested_reply": "您好，我先帮您确认需求和交付时间。请问您需要的是哪一类服务？",
  "next_action": "assign_to_sales"
}

常见误区和不适合场景

  • 误区一：标签太多。小白先用 5-7 个核心标签，准确后再细分。
  • 误区二：没有置信度。Agent 不确定时必须知道怎么退回人工。
  • 误区三：只分类不记录，后续无法统计哪类问题最多。
  • 不适合：投诉、退款、合同争议等高风险消息完全自动处理。

适合谁看

  • 咨询入口多、人工客服压力大
  • 想给售前、售后、技术、账单分别派不同处理人
  • 希望统计每个标签的占比，方便做产品改进

需要解决的问题

  • 回复都靠人工拖
  • 高优先级客户被淹没
  • 不知道哪些是产品问题、哪些是销售问题

先理解这些

  • 缺少标签体系
  • 判断规则没写清
  • 低置信度直接给错回复

遇到困难时

  • 分类不准就细化标签 / 加更多样例
  • 样例不足就先做半自动：Agent 提建议、人工确认