9月17日，网易智企「AI实战派」闭门会杭州场成功举办。这期主题是企业AI规模化运营，从知识进入业务，到Agent持续进化。


左右滑动查看更多


到场的企业大多已经在业务流程里推进AI应用。同时大家都发现，搭一个AI，接模型、跑Demo并不难，甚至一个下午Agent就能成型，难的是怎么把它在业务里用好。

用好，卡在两件事上。

第一件是知识。AI答得准不准，取决于它背后那套知识。可实际业务里的知识往往并不规整，散在各种办公软件、聊天群和老员工的经验里，格式五花八门，新旧版本还常互相冲突。AI想找一个对的答案不容易，答错也就成了常事。

第二件是Agent。搭出来是一回事，放进生产流程、直接面对客户又是另一回事。答错话、办错事，大促流量一上来扛不扛得住，这些不解决，企业就始终不敢放量。

这两件事，几乎每次活动客户都问得最多。在这次闭门会，我们邀请到网易智企·云商资深产品经理分享服务客户踩过的坑，并把总结的办法分享给大家。

让AI用得准，先过知识库这五关

以我们服务的客户案例看，AI回答不好的问题，九成出在知识上。

比如客户问A型号，AI却把B型号的序列号发了回来，这类型“答错”场景的原因就是知识没做结构化。所以评估知识库成熟度不能只看参数，要看它能不能帮业务更高效地拿到对的知识并解决问题。

搭一套能用的知识库，通常要过五关。

第一关：知识散在个人和群聊里，没有沉淀

客服流动性高，老员工的经验很难一条条写出来，新人上手又慢，这些最值钱的东西都散在个人消息和日常会话里。

升级的做法是把对话记录导出来做会话萃取，深度清洗加人工校验，整理成两类。一类是能直接调用的FAQ，一类是结构化文档。

第二关：各团队工具不统一，知识分散

不同团队各用各的知识库，内容都有价值，逐个维护又顾不过来。

解决办法是把知识做产品化接入，不用改变知识来源渠道，再实时同步到云商知识库。别小看这关，一家企业五条产品线，四条到位、一条进不来，整个项目就可能卡住。

第三关：知识结构不匹配，AI读不明白

很多内部知识是没结构的长文档，开头介绍产品，后面几百页全是细节。用户问电池容量，命中的是最底下的切片，却和最上面的型号对不上，AI就分不清客户在问哪个产品。

有客户光把一份表格拆成FAQ就花了近两个月。之所以要把清洗做成产品，是因为多数企业没有固定规则，人工又跟不上，图省事随手一传，知识库越来越乱。

所以，把清洗前置、产品化，按文档类型自动结构化再落到结果库，就把这个门槛交给系统来解决。

第四关：叫法和问法太多，型号一多认不出

这种情况很常见，组织内一个概念的中文和英文缩写各有说法，但指的是同一件事；一个品牌几百个型号，普通检索经常张冠李戴。

解决这个问题，网易智企·云商的做法是引入知识图谱，先建立实体词和知识之间的关系，再配两种检索。树检索能把长文档第1页和第500页的知识同时取出，图检索先判断你问的是哪两个型号，再往下拆材质、保暖、结构……

同一份知识建立了关系，检索基线能到六七十分，微调就能到九十分。

第五关：知识互相冲突，重复和过期资料越堆越多

同一份知识常有好几个版本，上半年一版，下半年又一版。活动政策、积分有效期这类尤其容易新旧混在一起，人工排查费时又易漏。

我们可以分两步解决这个问题。

重复检测把标题、内容重复的挑出来，删不删由用户决定；

知识消歧在系统召回知识的那一刻实时比对，发现冲突先不影响回答，再把冲突标出来交人判断。

除了解决以上五个关卡以外，知识库还能帮业务看清往哪儿使劲，这个关键在意图识别。把访客问题按意图归类，业务就能看到大家最近在集中关注什么、哪些知识要补。知识从接入、加工、测试到回溯、回流、再补充，一轮轮转起来，每次回答都有据可依，这就是知识飞轮。


让AI敢办事，再解开心里的顾虑

知识整理好了，AI才有机会答对。等Agent开始查订单、判断政策、执行退款，企业关心的事也变了。它会不会说错话，能不能把任务交给它，高峰流量来了扛不扛得住，业务规则变了以后还能不能继续用。

这些顾虑最后会落到三个问题上。先选对要做的场景，再确认系统接得住，最后建立一套持续运营的办法。

场景选的对：先挑准要交给Agent的那件事

Agent上线以后要向管理层交指标。切入点选错了，后面做得再精细，也很难换来业务结果。

场景洞察要做的，是从现有会话和业务流程里找出值得优先处理的问题。有家零售客户的商品数以万计，机器人解决率和满意度原本已经处在较高水平，团队一时找不到继续改进的空间。

分析历史会话后，他们发现一半以上都是商品咨询类长尾问题。用户拿到的是一份三百多页的文档，自己找不到答案，只能再次咨询并转给人工。坐席接手后，还要在十几万类目和几百份手册里翻资料，一单至少花五分钟。

这样的场景频次高、耗时长，知识条件也相对明确，适合优先交给Agent。上线后，机器人解决率和满意度都有改善。

能力接得住：业务敢交办，系统先得接得住

退换货政策、大促规则这类内容，一个字错了都可能带来损失，也不适合让大模型自由发挥。系统可以把这类任务交给小模型稳定输出。访客一次提出多个问题时，先识别每个意图，再把它们分别交给合适的模型或智能体。

稳定性和权限也要同时跟上。熔断、负载均衡和高并发保护负责应对流量变化，AOP风控和企业级权限管控负责守住安全边界。员工无权查看的信息，Agent同样不能读取。

Agent还得交付真正能用的结果。用户说一句“帮我建张售前资料单”，A2UI可以直接生成原生卡片；需要整理成交记录时，Skill可以交付一张Excel清单。业务拿到的是下一步能继续处理的东西，不必再从一段回复里手工整理。

运营扎得深：上线以后，还要有人长期管

业务规则会变，客户的问法也会变。Agent上线只是起点，后面的巡检、测评和调整决定了它能用多久。

流程要会转弯

机器人正向客户索要手机号，客户突然问三期停车场在哪。工作流如果只会照着预设步骤往下走，就会继续追问手机号。

全局意图跳转会先识别这个新问题，从知识库找到答案，再回到原来的流程。客户要求修改信息、切换智能体，或者情绪突然发生变化，系统也能及时换一种处理方式。

该交给人时，及时交回人

人机协同可以按风险分级。常规问题由机器人直接处理，出现赔偿等敏感内容时，回复先交人工确认。客户明确投诉或要求真人介入，系统立即转给坐席。

我们曾按客户要求，把“转人工”改成转给另一个机器人，后来很快叫停。用户坚持找人工，往往是希望有人接住情绪。一次通话里，机器人处理能够标准化的问题，坐席接手需要判断和安抚的部分，效率才有意义。

每次调整，都要重新测一遍

不少企业过去需要专人准备测试题、做标注分析。Benchmark可以从历史会话中抽取测试集。没有历史数据时，也能设定人物和场景，让AI模拟一位收到破损商品、正在要求退款的客户，生成多轮测试。

测评会检查答案是否准确，也会检查处理过程。系统有没有查询订单、有没有按规则判断、退款有没有执行到位，都能逐项复核。评分可以设置一票否决或不同权重，发现问题后再给出调优建议。

让关系接着上一次继续

一位会员曾随口提到，下周是妈妈的生日。第二周她来申请退款，机器人核实完条件，又补了一句“祝妈妈生日快乐”。后来，她成了高复购会员。

Memory会保存用户说过的话，也让下一次服务能够接住上一次交流留下的信息。对客户来说，这种连续感比机器人记住多少字段更容易被感知。

除了分享，在场的客户也问了很多很实在的问题——政策文件的生效日期怎么管，几万条知识人工打标签打不动怎么办，对内对外的权限怎么分，数据安不安全，AI身份要不要露出，测评指标怎么配……等等，感兴趣的客户可以私信小助理了解具体的解决方案，也可以拿到本次闭门会的问题交流清单。

让AI真正进入业务，靠的就是把知识、流程、评估、运营这些不起眼的功夫做扎实。如果你也在做AI落地的话，欢迎来「AI实战派」，聊聊踩过的坑、跑通的路。