现在AI客服已经在各行业普遍使用了，但是实际效果并不如意——用户宁愿等人工客服，也不愿意找AI客服解决问题。如果给当前的AI客服换成大模型，效果会不会更好一些？这篇文章，我们来看看作者的思考。

一、为什么要用大模型来实现（现在NLP客服的问题）

1. 用户体验较差

为什么会出现这样的问题昵？

传统智能客服以NLP技术为主，核心是分词。在处理问题上有两个关键的步骤：

1. 识别出用户输入问题中的关键词；
2. 余弦相似度等计算。通过关键词在已有的QA问答库中进行问题的匹配计算。将相似度的问题与答案给出来。深度一点的，也会用到深度学习的算法。比如进行语意模型，识别情绪，Rerank重排序等。抽取知识图谱的三元素等进行深度匹配。

所以他目前解决问题时，大部分依赖于用户输入问题的关键字，进行检索匹配。将已经匹配好的答案给到用户

2. 使用成本高

受限于技术，需要花费极高的人力成本进行配置，来达到业务诉求。

• 当业务变化，或者新项目上线，需要去配置整理用户意图、配置各种意图问法。准备大量的FAQ，以及各种关联问题，配置实体等。
• 整个过程通常需要专业的机器人训练师，来保证问题的覆盖率、相似问题重复度、解决率、意图识别率等。

二、大模型产品的优势

大模型是根据大量的知识训练出来，所以天然能够“理解”基础的问题。所以不需要去准备大量的相似问题，复杂的知识图谱，实体关系。

• 如相似问法：如退货，不需要补充”我想退货”，”退个货“等相似问法
• 如基础知识图谱：活着->作者->余华

其次模型的cot能力，让模型具备较强的推理能力，借助模型推理的能力，去理解流程做决策。不用去配置大量的流程，以及实体的抽取，传参，整个流程让模型解决。

所以他的使用成本门槛会低很多。

三、大模型Agent如何解决？

1. agent框架的基础逻辑

Agent的核心如下：

Planning 规划

• -子目标和分解:AIAgent 将大型任务分解为更小的、可管理的子目标，从而能够有效处理复杂的任务。
• -反思和完善:Agent可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并针对未来的步骤进行完善，从而提高最终结果的质量

Memory 记忆

• 短期记忆:所有的上下文学习(参见提示工程)都是利用模型的短期记忆来学习。
• 长期记忆:这为AIAgent提供了长期保留和调用无限信息的能力，通常是通过利用外部向量存储和快速检索来实现。

Tool / Toolkit

• Agent学习调用外部 AP! 来获取模型权重中缺失的额外信息，通常这些信息在预训练后很难更改，包括当前信息、代码执行能力、对专有信息源的访问等工具是代理可以调用的功能，本质上就是一个函数。

2. 将Agent框架逻辑应用到客服场景

应用逻辑和过程如下：

当用户输入询问时：

1、记忆能力

• 先通过模型的记忆能力，将用户画像、浏览记录、订单数据、历史会话记录等推送给大模型
• 拿到解决对应问题的参考sop流程

2、计划能力+推理

• 让模型基于用户的提问+解决的SOP，制定与用户的沟通计划
• 根据用户反馈调整沟通计划，推理出新的步骤

3、tools：

• 根据推理出来的计划、选择执行的内容
• 比如调用ERP、知识库等
• 最终得出结论、输出给用户

整个过程中，模型能够模拟人+参考sop流程，执行对应的任务，从而达到相应的结果

四、大模型的解决方案的价值

1. agent的价值

1、使用成本、维护成本极低。

使用：三步完成使用

• Step1：用纯文本定义有情感的机器人，用Chat文本来描述赋予机器人情感、明确处理任务SOP流程。
• Step2：补全产品与服务知识。构建企业专属知识库“产品手册、服务规则，退货规则“实现产品、服务信息与大模型的互通，加强模型的理解。
• Setp3：快速对接企业已有系统。选择要接入的系统，如有赞商城、自有CRM、ERP。让模型实时获取信息，精准响应问题。

OK！普通客服主管，花费1-2天，既可配置基于大模型的智能咨询服务机器人

维护内容少。

• 1、优化人思考sop流程
• 2、更新知识库文件

2、全渠道能接入、全面的解答：模型的关键在于理解、所以任何意图都能理清楚。同时授权授权即多个渠道，多种问题类型都能被全解答。

3、服务先知：会话开始前，将用户行为数据、标签提前给到大模型，开口即可知道你的用户想做什么！解答问题更加精准。

3、更灵活的策略：Agent 的推理、计划、思考…让模型根据SOP和用户输入，自己做决策、做计划，灵活应对用户问题，不再需要固定的死流程。

2. 方法效果应用

Ai客服退货

Ai代购

Ai会员卡的办理

五、大模型的Agent客户服务、用户体验带来了什么？

1、更低的成本：模型的能力强大，开发成本低、使用成本低

2、更智能的效果：用的推理代替了关键之的匹配，能解决的问题更广、效果更好。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​