售后知识库：把老师傅的经验留下来

售后知识库的素材从哪来？

多数企业先想到产品手册，但手册只讲「正常怎么用」，不讲「坏了怎么修」。真正有用的是这三类：

素材	能回答什么	整理难度
历史工单	故障现象、排查过程、最终原因、更换备件	中，需结构化
产品手册与维修手册	结构原理、拆装步骤、参数标准	中，需解析
老师傅的经验	听声音判断、看痕迹判断、疑难杂症	高，需访谈
备件目录与替代关系	哪个件能替哪个件	低，转表即可

工单是价值最高的一类，因为它是「真实发生过的故障」，比任何整理的案例都贴近现场。可惜多数企业的工单只记了「已处理」三个字，这就要回到工单填写规范上补。

工单记录怎么变成可检索的知识？

关键是把自由文本拆成四个字段。一段真实的工单描述长这样：「客户反馈开机后异响，检查发现皮带松动，调整后正常」。拆开是：

• 现象：开机后异响（不带原因，只描述客户能感知到的）
• 排查：检查皮带张紧度
• 原因：皮带松动
• 处理：调整张紧度至标准值，试机正常

拆完还要做两件事：一是聚类，把「异响 / 噪音大 / 有杂音」归成同一类现象；二是挂型号，标明适用哪些机型。这两步做完，检索才能命中。

实操上不必人工拆几千条。先用模型批量抽取，再抽 100 条人工校对，校准到 85% 以上准确率就够用。剩下不完美的部分，靠答案里的原文引用让人自己判断。

分步排查怎么让AI一步步问？

售后问答最忌讳一次给五个可能原因。老师傅的做法是「先问一句，再定下一步」，这个逻辑可以用对话流程实现：

1. 先收现象。问清「什么设备、什么状态下、出现什么表现」，三个要素缺一个就先问。
2. 给最可能的 2 个方向。不要给 5 个。按历史工单的命中频次排序，高频的放前面。
3. 每个方向给一个可执行的检查动作。「听皮带处有无周期性摩擦声」是可执行的，「检查传动系统」不是。
4. 根据回答收窄。用户说「有」，进入下一层；说「没有」，换方向。三层之内要能定位到原因或转人工。

这套流程要写成状态机，不要让模型自由发挥。模型负责理解用户的口语描述，走哪条分支由规则决定。这样答错了也能复盘：是哪一层的判断出了问题。

答不上来的时候怎么办？

售后场景里，「答不上来」的处理方式比「答对」更能决定系统能不能活下来。三条规则：

• 明确说查不到。不要编一个像模像样的排查步骤。售后编错的代价是客户多拆一次机器。
• 给人工出口。一键转技术群或工单，把前面几轮的对话摘要带过去，别让客户重说一遍。
• 把问题记下来。转人工的问题自动进「待补清单」，每周由技术负责人看一次，值得补的补进库。

我们给客户定的线是：转人工率控制在 25% 以内算健康。低于 15% 说明覆盖很全，高于 35% 说明场景选错了或资料不够。

怎么和现有客服系统接？

售后企业通常已经有客服系统或工单系统，知识库不该另起一个入口。三种接法：

• 嵌入客服工作台。客服在对话时侧边栏自动推荐答案，点一下插入。改动最小，客服接受度最高。
• 对外机器人。客户在公众号或小程序里自助问，答不了转人工。省人力，但要控好答错率。
• 工程师 App。现场工程师用手机查故障与备件，支持拍照描述。适合设备类企业。

顺序建议：先做内部（客服工作台），再做外部（客户自助）。内部用的人少、容错高，跑顺了再对外。反过来做，一次答错就可能丢客户。

效果怎么衡量？

售后知识库的 ROI 算得清，四个数字：

指标	怎么测	参考线
首次解决率	一次对话内解决的问题占比	比上线前提升 10 个百分点
平均处理时长	从接单到关闭的分钟数	下降 20% 以上
转人工率	转人工的问题占比	15%–25% 之间
重复问题占比	同一现象重复提问的比例	反映知识覆盖是否到位

这四个数字都能从现有工单系统导出，不需要额外埋点。上线前先导一份基线，上线 30 天后再导一份，对比即可。拿不出基线的项目，后面没法证明有用。

资料解析与切分的方式见产品手册与技术文档知识库；答不准的具体调优见知识库检索不准怎么优化。交付范围与周期写在企业AI知识库服务页。

揽明AI 团队深耕 B2B 企业服务 19 年，累计服务企业 5000+，办公地在苏州高新区，苏州本地可上门。预约一次 30 分钟诊断，导 100 条历史工单给我们，我们先判断这批记录够不够撑起一个问答库。