文 | 大湾区人工智能应用研究院
大众对大语言模型 （LLM） 最熟悉的界面就是对话，ChatGPT 名字中就带着“chat”。但大模型并非天然就以对话形式存在，其核心机制是基于预测下一个词的文本续写。从 GPT-3 开始研发人员为了让模型可以更好的跟随人类指令做各种任务，才创造性地通过指令微调和人类反馈强化学习 （RLHF） 令大模型以我们今天熟悉的方式和人类对话交互。可以说，对话是 LLM 最成功和最广泛应用的形态。
Related articles
很多商业场景都依赖对话，比如客服、社交、面试、法律咨询、金融顾问等，这种天然的匹配性使这些领域成为大模型率先落地的优势场景。本文以电商为例，重点讨论大模型在客服中的应用。
大模型大幅提高了 AI 客服的能力
利用人机对话提升电商客服效率的尝试始于 2000 年代初期。早期方案基于规则引擎，通过关键词精准匹配从知识库中检索答案；后期逐步引入机器学习和自然语言处理技术，提升了意图识别、问题分类和知识检索的效率。
然而，整体效果并不理想：无法理解复杂意图、流程僵化、语言生硬、用户体验欠佳。大家可能在生活中都面对过这类机器人客服，如果用一个字来评价体验，可能大部分人会用个“ 傻” 字。
大模型有机会在电商客服领域带来革命性的体验升级。首先是对用户问题/诉求理解能力的大幅升级，可以理解复杂、模糊的表达；能记住完整对话历史，有相当长的上下文记忆；能很好的识别用户情绪，调整回复方式；不只是“ 看懂” 文字，还能理解买家输入的语音、图片、视频。其次是强大的“ 表达”（生成） 能力，可以自然流畅、贴近人类表达的交流；可以通过多轮的对话来对复杂的问题进行深度交流。还有潜力给用户提供非常个性化的服务体验，比如利用大模型融合分析用户浏览记录、购买历史、过往交互、当前情绪，实时生成个性化的建议或解决方案。
举个例子，用户说： “ 我想买双跑鞋，平时主要是在学校的操场塑胶跑道上跑，偶尔也跑跑公路。我有点扁平足，跑久了膝盖会有点不舒服，希望能给我推荐一下，预算 600 以内。” 传统机器人会尝试抓取关键词：“ 跑鞋”、“ 塑胶跑道”、“ 公路”、“ 扁平足”、“ 膝盖不舒服”、“600 元”。但它无法将这些信息有机地组织起来进行理解，导致回复质量低下。大模型则有能力准确“ 理解” 所有条件，抓住“ 支撑性” 和“ 缓震性” 是解决用户痛点的关键，并结合预算，像经验丰富的人类店员一样给出售前建议。
如果能用大模型替代人工客服，会有不菲的经济收益。以电商为例，我们估计客服从业人员规模在几百万量级，相关人力成本总和在千亿的规模。当前基于大模型的智能客服单次对话成本约为 0.2 元 （以阿里云产品为例），测算约为人工客服成本的 15%，且未来成本仍有进一步下降的空间。
AI 客服目前的能力缺陷
虽然潜力巨大，然而在现实中，大模型赋能电商客服的落地和普及并没有如想象中的迅速。以我们随机抽样的 50 家淘宝商户为例，启用大模型的不足 30%；读者在日常使用中可能也会有类似的观察。
除了新技术的使用需要商家认知、学习、部署、使用习惯建立的一个自然过程，要让大模型在电商客服领域发挥价值，有很多的工作要做。比如商家要做好知识库：大模型通过预训练学习到大量“ 通用知识”，还可以通过微调让其对电商领域的知识有更精细的掌握，但商品详情、售后政策、促销规则、这款商品的客户独特需求偏好等超细粒度且动态变化的准确知识无法来自训练，只能从商家的知识库获取。构建并维护好一个信息准确、积累丰富、动态迭代的知识库并不容易，特别是对于中小商户。除了知识库，还有很多客服中需要的信息散落在不同的系统中：订单系统、仓库系统、物流 API、CRM 等，大模型的部署需要跨系统深度集成，这既需要电商平台做大量的开发工作，对商家的部署也形成挑战。
以上是相对繁琐但技术挑战没那么大的工程工作，要充分发挥大模型价值，还需提升基础模型的推理和记忆能力，才能带来更高质量的多轮对话、更准确的复杂意图理解、更好的个性化需求处理。更重要的是，电商客服不仅需要扮演“ 对话” 的角色，在售中跟进 （催付、改地址）、售后处理 （退换货、投诉） 等多个环节还要求客服不仅能听会说，还得具体去“ 做”： 需要具备任务规划、跨系统操作、情景决策等能力，即实现“Agent 化”。
然而，Agent 目前处于发展早期，在垂直场景的准确性、稳定性和灵活性仍有限，现阶段 Agent 完成复杂任务多依靠工作流编排，且在固定工作流下，尽管每个步骤的行为都被清晰界定，Agent 的交付结果往往不尽如人意，难以独立向消费者提供全流程的个性化服务。因此，技术成熟度不足导致智能客服难以独立应对售后场景，全面智能化需要推理决策、任务规划、任务执行与动态调整等能力的进一步提升。
所以现阶段大模型的落地仍集中在售前场景，主要负责商品介绍、活动政策、补贴规则等咨询。以淘宝店小蜜为例，大模型可以独立完成商品介绍与咨询、活动咨询、国补咨询等场景，而售后环节如退换货、投诉处理等仍依赖人工或传统系统。
Agent 能力提升后可以重塑客服角色
尽管大模型赋能下的智能客服仍处在技术演进与市场教育的过程中，但随着模型基础能力、系统集成进展、商家数据库建设等的进步，我们可以期待智能客服在不远的将来对人工客服大面积的取代。而智能客服的 agent 化不仅可以补上行动的短板，还有潜力将客服，或者说“ 对话”，升级为购物的重要入口：从被动响应到情境感知、主动预测和需求挖掘，进而形成购物的闭环，在全程成为用户的陪伴助手。
电商平台沉淀了海量商品与用户数据，若综合用户画像、历史对话、偏好与行为数据，智能客服有望主动预测客户需求，在购物决策、售后服务等环节提前介入。比如，在用户浏览商品时自动提示库存与优惠信息，在支付环节推荐最优方案，或在潜在物流延误前主动告知并提供替代方案。通过千人千面的个性化、主动式服务，客服将从被动响应转向前置引导，显著提升用户体验与平台效率。
过去，由于人工客服精力有限，售前、售后服务入口往往割裂，用户体验存在明显断层。随智能客服能力升级，用户有望在一次对话中，完成从选品、下单到售后服务的全流程。客服不仅能为用户个性化推荐商品、查询物流进度、处理退换货，甚至能调取库存信息为用户推荐替代商品。通过调用历史对话记录和跨系统接口，客服能够实现跨环节的信息衔接，使用户体验从碎片化走向连续化。这一阶段，客服从单点辅助演变为全流程伴随，成为用户购物旅程中的连续服务者。
这意味着客服的价值定位发生转变：长期以来，客服被视为降低投诉率和维护口碑的成本中心；随着主动推荐与营销能力的增强，智能客服有望成为承载用户关系与交易机会的核心触点，连接订单、库存、支付、供应链等核心系统，成为电商平台的关键基础设施。
AI 的风险不容忽视
电商客服市场规模庞大，服务频率高，浏览、搜索、购买、评价等行为数据丰富，因此是大模型在客服领域落地的先驱。然而，即便其高度匹配大模型的能力特点，发挥出价值也不是一蹴而就的，需要复杂系统的集成与商家知识库的搭建；要达到更好的效果还需要基础模型能力的提升和 agent 能力的完善。技术成熟后，大模型不仅会赋能电商客服，取代大部分人力，大幅降低成本；还会从被动回答升级为主动代理，有望成为电商的重要入口。最近 OpenAI 和沃尔玛宣布建立深度合作伙伴关系也体现了“ 对话” 的入口属性，OpenAI 正推出一套具备商品发现、推荐及支付能力的 “ 代理式购物系统”， 让用户能直接在 ChatGPT 对话框内完成沃尔玛商品的搜索、选购与即时结账。
从底层逻辑上，其他领域的客服和电商非常类似。区别是不同领域对 AI 技术风险的容忍度不尽相同。目前阶段，因为大模型的幻觉、推理能力的不足、知识库的质量等原因，都有可能带来智能客服给出错误的回复。比如在电商领域可能出现错误的促销活动、推荐了不合适的商品、发货时间预估偏差等。这些错误会造成用户不满，但可以通过道歉、退货、补偿等手段降低伤害，容错性相对强。 但对于高端品牌，由于品牌的溢价很高，客服中的错误会带来更高的经济成本，所以就更谨慎些。在金融、医疗、法律等高风险领域，一次错误的回复可能导致严重的后果，所以也需要更加谨慎。可能在很长时间会是人和 AI 配合工作。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
