智能客服 Agent 从零构建

智能客服的市场需求与技术挑战

智能客服是AI商业化最成功的赛道之一。据Gartner预测，到2027年，超过70%的客户服务交互将由AI处理。智能客服不仅能7×24小时响应、瞬间处理大量并发请求，还能保持稳定一致的服务质量。然而，构建一个真正好用的智能客服Agent并不简单——它需要同时处理自然语言理解（用户到底在问什么）、知识检索（从海量产品文档中找到答案）、情感感知（用户是着急还是愤怒）、任务执行（帮用户退款/查询订单/重置密码）和智能转接（判断何时需要人工介入）。

本文将构建一个功能完整的智能客服Agent，涵盖从意图识别到工单创建的全链路。代码采用模块化设计，你可以根据自己的业务需求灵活替换和扩展各个组件。

核心架构设计

我们的智能客服Agent采用五层架构：接入层（统一的API接口，支持Web聊天、微信、钉钉等多渠道接入）、理解层（使用DeepSeek进行意图识别、实体提取和情感分析）、决策层（根据意图和置信度决定是自动回答、查询知识库、创建工单还是转人工）、执行层（调用相应的工具——知识检索、订单查询、工单系统API等）、记忆层（维护对话状态和用户画像，支持上下文连贯的多轮对话）。

from openai import OpenAI
import json, time

client = OpenAI(api_key="your-deepseek-api-key", base_url="https://api.deepseek.com")

class CustomerServiceAgent:
    def __init__(self):
        self.intents = ["order_query","refund_request","product_info","complaint","greeting","other"]
        self.sentiment_levels = ["positive","neutral","angry","urgent"]
        self.conversations = {}
        self.ticket_system = FakeTicketSystem()  # 模拟工单系统

    def understand(self, user_message, session_id):
        """理解层：意图识别+实体提取+情感分析"""
        prompt = f"""分析以下客户消息，提取结构化信息。
客户消息：{user_message}

以JSON输出：
{{
  "intent": "{"/".join(self.intents)}",
  "entities": {{"order_id":"","product":"","amount":""}},
  "sentiment": "{"/".join(self.sentiment_levels)}",
  "urgency": 1-10,
  "summary": "15字以内摘要",
  "confidence": 0.0-1.0
}}"""
        response = client.chat.completions.create(
            model="deepseek-chat",
            messages=[{"role":"user","content":prompt}],
            temperature=0.1
        )
        return json.loads(response.choices[0].message.content)

    def decide_action(self, analysis):
        """决策层：根据分析结果决定下一步"""
        if analysis["confidence"] < 0.6:
            return {"action":"clarify", "message":"抱歉，我没太理解您的问题，能再说详细一点吗？"}
        if analysis["sentiment"] in ["angry","urgent"] and analysis["urgency"] >= 8:
            return {"action":"transfer_human", "reason":"用户情绪激动且紧急度高"}
        if analysis["intent"] == "refund_request":
            return {"action":"create_ticket", "category":"退款", "priority":"high"}
        if analysis["intent"] == "order_query":
            return {"action":"query_knowledge_base", "query":analysis["summary"]}
        return {"action":"auto_reply", "intent":analysis["intent"]}

    def execute(self, action, analysis, session_id):
        """执行层：执行具体动作"""
        if action["action"] == "auto_reply":
            prompt = f"""你是一个专业友好的客服人员。请回复以下客户问题。
客户问题：{analysis["summary"]}
意图：{analysis["intent"]}
回复要求：热情、专业、简洁（100字以内）"""
            response = client.chat.completions.create(
                model="deepseek-chat",
                messages=[{"role":"user","content":prompt}],
                temperature=0.7
            )
            return response.choices[0].message.content
        elif action["action"] == "create_ticket":
            ticket_id = self.ticket_system.create_ticket(
                category=action["category"],
                priority=action["priority"],
                content=analysis
            )
            return f"已为您创建工单（编号：{ticket_id}），我们的专员将在30分钟内与您联系。"
        elif action["action"] == "transfer_human":
            return "您的问题已转接给人工客服，请稍候..."
        return "我无法处理此请求，已转接人工客服。"

    def chat(self, user_message, session_id):
        if session_id not in self.conversations:
            self.conversations[session_id] = {"history":[], "state":{}}
        conv = self.conversations[session_id]
        conv["history"].append({"role":"user","content":user_message})

        print(f"[理解] 分析用户消息...")
        analysis = self.understand(user_message, session_id)
        print(f"  意图: {analysis['intent']}, 情感: {analysis['sentiment']}, 置信度: {analysis['confidence']}")

        print(f"[决策] 决定行动...")
        action = self.decide_action(analysis)
        print(f"  行动: {action['action']}")

        print(f"[执行] 执行动作...")
        reply = self.execute(action, analysis, session_id)
        conv["history"].append({"role":"assistant","content":reply})
        return reply

class FakeTicketSystem:
    def __init__(self): self.ticket_counter = 0
    def create_ticket(self, category, priority, content):
        self.ticket_counter += 1
        return f"TK-{self.ticket_counter:05d}"

# 使用
agent = CustomerServiceAgent()
print(agent.chat("你好，我上周买的手机还没发货，订单号是20260715001，什么时候能到？", "session_001"))
print(agent.chat("太慢了！我要退款！", "session_001"))

人机协作机制

智能客服最重要的设计不是AI能做多少，而是何时将对话无缝转接给人工。我们的Agent在以下情况自动触发转人工：情感评分≥8（用户极度不满或着急）、置信度低于0.6（Agent不确定用户意图）、用户明确要求人工服务、连续3轮无法解决问题、涉及敏感操作（大额退款、账户注销等）。转接时，Agent会将对话摘要、用户画像和当前状态一并传递给人工客服，实现"热转接"——人工客服不需要从头了解情况。

持续学习与优化

智能客服的质量提升是一个持续的过程。每次对话结束后收集用户满意度评分（1-5星）；对低分对话进行人工复盘，识别失败原因；将典型case加入训练数据，优化意图识别和回复策略；定期分析高频未解决问题，补充知识库或优化业务流程。建议每周进行一次Agent效果回顾会议，将反馈转化为具体的优化任务。

多渠道接入与统一管理

现代企业的客服渠道已经非常多元化——Web在线客服、微信公众号、企业微信、APP内客服、电话客服等。智能客服Agent需要具备多渠道接入能力，同时在各渠道之间共享用户画像和对话上下文，实现"用户不论从哪个渠道进来，都能接续之前的对话"。技术上，我们通过一个统一的会话管理中间层来实现——所有渠道的消息先经过格式标准化，再路由到同一个Agent实例，Agent的回复再根据渠道特性做格式适配（微信不支持Markdown需要转纯文本，Web端支持富文本展示）。知识库管理：智能客服的回答质量很大程度上取决于知识库的质量。知识库需要持续维护——产品信息变更时及时更新、高频问题补充更详细的解答、低频但重要的问题（如退款政策）确保信息准确性。建议建立知识库的"版本管理"机制——每次更新都有记录，出问题时可以回滚到上一版本。同时，通过分析客服对话日志，自动识别"知识库的缺口"——用户反复问但知识库中没有的问题，就是需要补充的内容。

情感计算的高级应用

除了基础的正面/负面情感识别，进阶的客服Agent还应该能够：识别用户的"潜在流失信号"（如用户说"我再也不用了""你们的竞品XX比你们好多了"）、识别"升级诉求"（用户要求找经理/主管，意味着对当前服务不满意）、以及识别"社交工程攻击"（用户试图通过伪装身份获取他人信息）。这些高级情感识别能力可以让Agent在处理中更早地触发升级机制，避免问题恶化。

未来展望：随着大模型多模态能力的增强，智能客服将从纯文本交互升级为多模态交互——用户可以直接拍照上传损坏的商品图片、录一段语音描述问题、甚至通过视频通话让客服"看到"现场情况。Agent将能够综合这些多模态信息，给出更精准的判断和处理方案。同时，数字人客服（结合3D虚拟形象和自然语言交互）也将成为高端客服场景的标配。智能客服的下一个五年，将从"能对话"走向"能看见、能听见、能理解、能共情"。