3步把聊天记录变成AI客服知识库

真正跑得起来的客服知识库，不是把几百页手册丢给模型，而是把客服每天敲出来的对话整理成问答对。下面这条三步路径，一个人花半天就能搭出最小可用版本。

先别急着导数据：挑出「值得回答」的问题

客服知识库最常见的死法是「什么都想答」。开场先做一次问题分类：

• 高频事实类（退货政策、开票流程、发货时效）：适合进知识库，通常占咨询量的大头。

• 需要查个人账户的（我的订单到哪了、我的余额多少）：交给接口查询，不要让模型自己编。

• 情绪安抚与例外协商：人工兜底，别硬塞给 AI。

把近三个月的会话记录导出来，按「同一个问题被问了 3 次以上」筛选，通常只剩 60~150 条。这就是你的第一批种子数据，足够撑起一个能用的版本。

第一步：清洗成「一问一答」，而不是聊天记录

原始记录里全是「在的」「亲稍等」「您好李女士」这类噪音。这一步要人工过一遍，把每条压成结构化的一问一答：

问题：订单显示已签收但我没收到，怎么办？

答案：1）先确认收货地址附近是否有代收点或门卫；2）超过 24 小时仍未找到，走补发流程，需用户提供签收截图。

三条硬规则：

1. 答案里的政策数字必须能追溯到原文，别凭印象改。

1. 手机号、订单号、身份证一律替换成占位符。

1. 一条问答只解决一件事，复合问题拆开写。

第二步：切分与建索引，工具怎么选

单条问答控制在 300 字以内，太长的用二级标题切开。切分时把标题一起带上，检索命中率会明显好于裸切正文。

工具上，Dify、FastGPT、RAGFlow 都支持上传文档后自动建向量索引，个人和小团队用社区版就够。嵌入模型选中文表现稳定的（bge-m3 一类），别为了省钱用英文语料为主的模型。

一个常被忽略的设置：把「仅根据检索到的内容回答，没有依据就说不知道」写进系统提示词。少了这句，模型会用常识补全，编出来的政策比不回答更伤用户信任。

第三步：用真实问题回归测试，别自己问自己

搭完别自己试两句就上线。从历史记录里抽 30 条真实提问逐条测：

• 答对：记录，进入下一轮。

• 答漏：说明切分或同义词没覆盖，回去补关键词。

• 答错：原文有歧义，改知识条目，而不是改提示词。

命中率到 80% 再放给用户，剩下 20% 全部转人工，并记下「AI 没答上来的问题」。这份清单就是你下个版本的选题表。

三个容易白干的坑

• 只导 PDF 手册，不导真实对话。 手册写的是标准答案，用户问的是人话，两者中间隔着一次翻译。

• 建完不维护。 政策一变，旧答案就成了负资产，比没有知识库更危险。

• 没有兜底按钮。 界面上必须有显眼的「转人工」，用户找不到人比答错更致命。

维护节奏比搭建更重要

搭建半天，维护才是长期成本。建议按这个节奏走：每周补 5 条漏答问题，每月复查一次政策类条目，每季度重跑一遍回归测试集。做到这三件事，一个百条规模的知识库，能稳定接住六七成的常规咨询，把人力留给真正需要判断的例外情况。