企业降本增效利器：基于大语言模型的扣子官方智能客服深度拆解与改造

每一个做企业 SaaS 运营或者开发独立产品的朋友，一定都梦想过有这样一个客服系统：

今天，我就手把手带大家拆解并改造扣子官方团队产出的 “智能客服” 模板。我们会深入它的底层工作流，剖析意图识别分发以及数据反哺自优化的核心架构。

🛠️ 官方智能客服的底层业务流设计

首先，在扣子中导入官方“智能客服”模板后，它主要是由以下这一套高阶工作流（Workflow）在支撑的：

它的运行逻辑可以分为以下三个核心处理步骤：

很多传统的 RAG（检索增强生成）系统，不管用户输入什么，都直接去向量库检索。这就导致用户说“哈哈”时，AI 还会去知识库里硬套一条无关的产品文档回复，显得极其傻气。
意图识别节点（LLM 分类）：官方智能客服前置挂载了一个意图分类节点。通过少样本规范（Fewshot），将用户输入划分为：
- A. 业务相关咨询
- B. 闲聊打招呼
- C. 吐槽建议
闲聊类型的提问直接通过“选择器（Router）”走日常回复流；只有业务咨询，才会触发后面的向量知识库检索。

对于业务相关问题，工作流会调用内置的检索器。
改写节点（Query Rewriter）：因为用户提问可能比较简短或口语化，改写节点会将用户的历史多轮上下文，改写为更适合向量检索的长关键词。
知识检索与说明链接：模型将改写后的关键词送入 VikingDB 检索，除了召回最匹配的答案外，还会强制把该答案对应的**原文出处说明链接（doc_url）**也一并提取出来。这样，在回答最后能附带“想要了解详情，请参考官方说明链接：xxx”，大大增加了回复的可信度。

这是很多企业做智能客服最容易遗漏的黄金闭环：

数据落库：每一次问答，扣子助手都会调用飞书多维表格插件，将 {{User_Query}} 和 {{Bot_Answer}} 自动写入表格行。
收集点踩反馈：当用户在 Web 页面或者公众号上对答案点击了“踩（Dislike）”时，扣子后台的**罗盘功能（Coze Compass）**会记录这一条带有失败标记的完整 Trace 日志。
知识迭代：运营团队根据罗盘中“点踩高频词”分析是知识库缺失还是回答幻觉，及时通过更新 VikingDB 知识库或修正 FAQ 来完成系统的自我迭代。

意图识别的 Prompt 约束：分类大模型很容易“过度联想”。比如用户输入一个简单的标点符号，或者说了一句方言，模型很容易将其分错。我们一定要在 Prompt 中给分类模型加一条兜底规则：“如果用户提问无法明确分类，一律归为闲聊流（Branch B），保证客服体验平滑。”
多维表格写入去重：每次写多维表格，最好以 {{Session_ID}} + {{Message_ID}} 拼接作为一个唯一主键。防止在重试或者网络抖动时，导致同一个问答在多维表格里被重复写入，污染周报分析数据。

赶紧在扣子商店搜索“智能客服”模板，把这套带意图识别与数据反哺的专业客服方案部署起来吧！