用通俗的话讲清 RAG 是什么、一条回复如何生成、哪里容易出错,以及怎样整理知识库,让网站、WhatsApp、LINE 的客服 AI 答得准。
很多团队第一次上 AI 客服,都会遇到同一个问题:AI 回答得很流畅,却不一定是你们店的真实政策。退货期限、运费、保修条款只要说错一次,就可能变成一场客诉。
RAG(检索增强生成)就是为这个问题设计的做法。读完这篇文章,你会明白它的原理,知道它在哪里会出错,也知道怎样整理资料,让它真正用得上。
什么是 RAG:先查资料,再回答
RAG 是 Retrieval-Augmented Generation 的缩写,直译是“检索增强生成”。它可以拆成两个动作:
- 检索:客户提问后,系统先到你的资料里找出最相关的几段内容。
- 生成:AI 把这几段内容当作依据,用自然的语气写成回复。
可以把它想成一位开卷考试的客服新人。他不必把整本手册背下来,只要每次被问到时翻到对应的那一页,照着写答案就行。
和“让 AI 凭记忆回答”相比,差别很明显。通用 AI 不知道你们的退货窗口是 7 天还是 14 天,也不知道你们发不发马来西亚。它可能会给出听起来合理、实际错误的答案。RAG 则要求它先翻手册,再开口。
为什么客服团队选 RAG,而不是其他方式
想让 AI 掌握你的业务知识,常见有三种路线。
对大多数中小企业和跨境电商来说,RAG 更实用,原因有三点:
- 更新快。运费调整、活动结束,改知识库里的一篇内容即可,不用重新“训练”任何东西。
- 可追溯。答错时,你可以顺着去查:是资料里本来就没写,还是写得不清楚。
- 边界清楚。你可以要求 AI 在资料里找不到依据时,诚实地说不确定并转人工。
提示词仍然有用,只是分工不同。提示词管“怎么说”,比如语气、称呼、什么情况必须转人工。知识库管“说什么”,也就是具体事实。
一条 RAG 回复是怎么生成的
假设一位新加坡客户在 WhatsApp 上问:“我买的耳机坏了,可以换新吗?”整个过程大致如下。
- 01客户提问
- 02到知识库检索相关段落
- 03AI 依据段落撰写回复
- 04资料不足则转人工
第一步:理解问题
系统先弄清客户真正想问什么。“坏了”“换新”这类口语,要能对应到资料里的“保修”“更换”“退换货”。所以资料里的用词越接近客户的说法,越容易被找到。
第二步:检索相关段落
系统在知识库里挑出最相关的几段,比如“保修政策”和“退换货流程”。这一步决定了答案的上限。检索不到对的段落,后面写得再漂亮也没用。
第三步:依据资料生成回复
AI 把检索到的段落和提示词中的规则一起读入,再用客户使用的语言写回复。它依据的是你给的资料,而不是凭空发挥。
第四步:资料不足时的退路
如果检索不到可靠依据,好的设计是让 AI 承认不确定,并把对话交给真人。这一步要靠提示词里的规则和转人工的设置来保证,不会自动发生。
RAG 会在哪里出错,怎么预防
RAG 不是万能的。它的错误大多出在几个固定位置。
1. 资料里根本没有答案
这是最常见的情况。客户问了一个你们从没写过的问题,AI 要么答非所问,要么硬编一个。
预防:在提示词里明确写出“资料中没有依据时,不要猜测,告知客户会由同事跟进”。同时定期查看哪些问题没答好,把缺的内容补进去。
2. 资料互相矛盾
旧版退货政策还留在知识库里,新版又上传了一份。检索可能抓到旧的那份,AI 就会自信地给出过期答案。
预防:更新时替换旧文档,不要只新增。一件事只在一个地方写清楚。
3. 内容写得太含糊或太散
整页都是促销话术,真正的规则埋在第五段里;或者一篇文档同时讲运费、退款和会员,主题混杂。检索时就很难精准命中。
预防:一篇内容只回答一类问题,标题写成客户会问的样子。
4. 检索对了,但 AI 理解偏了
资料里写的是“特价商品不适用退货”,AI 却可能忽略例外条款。这种情况不多,但在条件复杂的政策里会出现。
预防:把例外情况写成明确的句子,不要藏在表格脚注里。上线前用真实问题反复测试。
怎样建一个检索效果好的知识库
知识库的质量,比“放了多少内容”重要得多。几条实用原则如下。
先从客户真实会问的问题开始
不必一开始就整理上百页文档。翻翻你过去一个月的聊天记录和邮件,找出最常重复的 20 到 30 个问题,比如运费、到货时间、退换货、付款方式、尺码、保修。把这些写清楚,就能覆盖相当一部分日常咨询。
用问答的形式写
比起大段说明文,一问一答更容易被检索到:
- 问:马来西亚可以寄吗?运费多少?
- 答:可以。标准配送一般需要……(写清楚你们的真实规则)
问题用客户的口吻来写。同一个问题有不同说法,例如“退钱”“退款”“refund”,可以在内容里自然带上。
多语言业务要想清楚
面向新加坡、马来西亚、港台客户,客户可能用简体中文、繁体中文、英文甚至混着用。建议关键政策至少用一种清楚的语言写完整,再视情况补充其他语言版本。同一条政策在不同语言版本里的内容必须一致,别让一边写 7 天、另一边写 14 天。
写明范围和日期
资料里要说明适用的地区、商品和生效日期,例如“以下政策适用于官网订单,不适用于第三方平台”。这样 AI 才不会把不同渠道的规则混在一起。
不要放不该公开的内容
内部成本、供应商价格、员工个人信息,不应该进入面向客户的知识库。把知识库当作“可以对客户说的一切”,而不是“公司所有文件”。
让知识库形成闭环
上线只是开始。每周花一点时间看看:
- 哪些问题 AI 没答好?
- 客户给了差评的对话,原因是资料缺失、过期,还是写得不清楚?
- 人工客服改写过的回复,能不能沉淀成标准答案?
这样知识库会越用越准。
在 AI SNS CHAT 里怎么做
AI SNS CHAT 把知识来源集中放在侧边栏的 Data sources(数据源)里。下面按顺序走一遍。
1. 添加资料。 在 Data sources 中可以选择 Files(文件)、Text snippets(文本片段)、Website(网站)、Q&A(问答)、Notion 等来源。FAQ 类内容可以直接用 Q&A 一条条写,政策长文用文本或文件,已有官网的话可以用 Website 抓取页面。
2. 接入现有文档库。 如果你的资料已经在别处,可以到 Channels 下的连接器接入,目前支持 Confluence、GitBook、ReadMe、Guru、Zendesk Guide、Google Drive、OneDrive、Dropbox、Box、SharePoint 等。Wiki 类连接器每次同步上限为 150 万字符和 400 页,超出被截断时系统会提示你。
3. 注意容量。 各方案的存储空间不同:Free 为 30 MB,Hobby 为 200 MB,Standard 为 500 MB,Pro 为 1 GB。文字资料通常占用不大,但大文件会很快用掉额度。详情见 定价页面。
4. 设定人设和规则。 在智能体的人设与护栏里写明语气、禁止承诺的事项,以及什么情况转人工。这对应前文说的“提示词管怎么说”。
5. 先在 Playground 测试。 用真实客户的问法提问,包括口语、错别字和中英混用,检查答案有没有依据。在 Agent → Settings → AI 可以选择模型,进阶模型需要 Hobby 或更高方案。
6. 部署到渠道。 在 Channels 里可以把同一个智能体部署到网站聊天插件、WhatsApp、LINE、Messenger、WeChat 等渠道,完整列表见 渠道与连接。
7. 转人工。 在 Helpdesk → Scheduling 设置每个人的班次和时区,转接会自动分配给当班的同事。转接时给客户的“接下来会怎样”说明由系统根据排班生成,不会编造等待时间。该功能需要 Standard 或更高方案。
8. 上线后持续改进。 在 Activity → Chat logs 可以筛选对话、查看客户的点赞或点踩。人工接管后,可以把改写过的回复设为理想答案,用来训练智能体。Analytics 里的 Topics 与 Question history 能帮你看到客户最常问什么。Workspace settings → Activity 会记录谁添加、谁修改了资料,方便团队协作时追查。
此外,知识库中展示给陌生访客的段落会经过个人信息清理,但这不代表可以随意放敏感资料,原则仍然是只放可以对客户说的内容。更多功能请看 功能总览。
常见问题
RAG 和“用我的数据训练 AI”是一回事吗?
不是。训练或微调会改变模型本身,周期长,也不适合经常变动的内容。RAG 不改模型,而是在每次回答前先去你的资料里找依据。所以你修改一篇文档,之后的回答就会跟着变。
用了 RAG,AI 还会答错吗?
会,只是概率更低、也更容易排查。常见原因是资料缺失、新旧版本冲突或写得含糊。建议在提示词中要求“没有依据就不猜测”,高风险问题直接转人工,并在上线前用真实问法充分测试。
刚开始需要准备多少内容?
不需要很多。先整理最常被问到的 20 到 30 个问题,涵盖运费、配送、退换货、付款和保修,写得清楚准确,就足以应付大部分日常咨询。之后再根据聊天记录里没答好的问题逐步补充。
同一个知识库可以用在网站聊天、WhatsApp 和 Messenger 吗?
可以这样规划。知识来源是挂在智能体上的,而渠道只是智能体部署的位置,所以同一个智能体可以同时服务多个渠道。不过各渠道的使用习惯不同,比如手机即时通讯的消息更短,建议在人设里约定回复的长度和语气。
我能不能直接让 AI 上网搜索,不建知识库?
不建议。网络上的信息不一定是你们的政策,也无法反映你们的库存和价格。AI SNS CHAT 的内置网页搜索只在 LINE WORKS 渠道提供,默认只查询 Microsoft 和 Apple 的支持网站。其他智能体可以另外添加 Tavily 动作来做实时搜索,但它更适合补充公开信息,业务规则仍应写进知识库。


