电商智能客服的历史可以概括为一部“答非所问史”：关键词匹配答偏、规则引擎答死、传统小模型答懵。大模型 + RAG 架构的出现，第一次让“机器人客服像人”成为现实。
技术架构的关键变化
核心是 RAG（检索增强生成）：把店铺的商品参数、售后政策、活动规则整理成知识库，用户提问时先检索相关知识，再让大模型基于检索结果生成回答。这样模型的回答被约束在店铺的真实信息范围内，幻觉问题被大幅压制。再配合意图路由（复杂问题转人工）、敏感词拦截、答案审核层，就构成了今天的主流客服架构。
落地的四个关键点
- 知识库质量决定一切。AI 客服的上限就是知识库的上限，宁可花一个月整理知识库，不要花一个月调模型。
- 从售前切入。售前咨询标准化程度高，AI 的转化贡献最容易量化。
- 保留升级通道。用户明确要求人工、情绪激动、涉及退款判定时，必须无缝转人工。
- 持续回流优化。把人工客服的优秀回答、AI 的错误回答定期回流进知识库。
效果衡量
核心指标从“响应时间”换成“解决率”（无人工介入结束会话的比例）与“售前转化率”。行业实践里，运营良好的知识库可以让 AI 客服解决率超过七成——这不是省了几个客服，而是把客服变成了转化部门。