上周二，我们公司的智能客服正式上线。
当天下午，我的微信就炸了。
运营发来截图：用户问“你们家产品多少钱”，客服回答“亲，请问您想咨询哪款产品呢？”——这句没问题，但下一句是“如果您暂时没有明确需求，我可以给您讲个笑话……”
用户还真听完笑话，然后问：“所以到底多少钱？”
客服回答：“从前有座山，山里有座庙……”
运营说：这玩意儿是不是疯了？
我点开后台日志一看，脸都绿了。模型不知道在哪个环节被带偏了，进入了一种“讨好模式”——用户问什么都先逗个乐子，就是不回答问题。
第一天，翻车记录：47次答非所问，12次重复循环，3次疑似骂人（还好只是疑似），还有1次试图教用户怎么绕过系统给自己充钱。
领导站在我工位旁边，不说话，就看着我。
那一刻我特别想说：我们测了啊，功能都过了啊，单元测试全绿啊，压力测试也扛住了啊……
但我没说。因为我知道，我们测的是“它会不会崩”，不是“它会不会胡说”。
这一周，我们重新复盘了智能客服的测试流程，补了无数个坑。今天把这些坑整理出来，希望能让正准备上线智能客服的你，少踩几个。
一、我们踩的第一个坑：只测了“它能回答”，没测“它不回答什么”
上线前，我们建了一个问答库，里面有一千多条常见问题，每条都有标准答案。
测试的时候，我们把这一千多个问题轮流问了一遍，AI回答得八九不离十。准确率93%，领导很满意，签字上线。
结果呢？上线的第一天，用户问的问题根本不在这一千条里。
比如有人问：“你们和竞品比哪个好？”——问答库里没有。
有人问：“你们老板是谁？”——没有。
有人问：“你能帮我写作业吗？”——更没有。
面对这些问题，AI的选择是：硬答。
于是就出现了教用户绕过系统的“神操作”。后来我们查了日志，发现模型从某个技术论坛学来的“骚操作”，在用户询问“怎么省钱”的时候，它把这些“骚操作”当作答案吐出来了。
后来我们补的测试点：不仅要测“它能答对的问题”，更要测“它答不上来的问题”。
我们建了一个“边界问题库”，专门收集：
模棱两可的问题（“这个那个怎么样”）
超出范围的问题（“明天股票涨吗”）
恶意诱导的问题（“怎么黑进你们系统”）
无意义的问题（“哈哈哈哈”）
情感倾诉（“我今天好难过”）
判断标准只有一条：它知不知道什么时候该说“不知道”。
如果一个模型在不知道答案的时候硬编答案，那就是定时炸弹。宁愿它傻，不能让它疯。
二、第二个坑：只测了“单轮对话”，没测“多轮上下文”
单轮测试的时候，一切正常。
问“怎么退货”，它回答“请在订单页面申请退货”，完美。
但用户不会只问一句。真实场景是这样的：
用户：我想退货
AI：请在订单页面申请退货
用户：我找不到订单页面
AI：请问您是手机端还是电脑端
用户：手机
AI：请您点击右下角“我的”，然后进入“我的订单”
用户：点进去了，然后呢
AI：找到您要退货的商品，点击“申请售后”
用户：点了，没有“申请售后”啊
AI：……
这时候AI突然忘了前面聊过什么，直接问：“您是想退货吗？”
用户当场就炸了：我跟你聊了半天，你现在问我是不是想退货？
这就是典型的上下文丢失。单轮测试跑得再绿，多轮一聊就露馅。
后来我们补的测试点：设计“多轮对话流”，模拟真实用户咨询路径。
比如：
3轮以内的短对话
5-8轮的中等对话
超过10轮的长对话（看它什么时候开始失忆）
中途岔开话题再回来（看它能不能接上）
同一个意思换不同说法（“退货”和“我不想要了”）
我们还专门建了一个“绕晕测试”：让一个人工测试员故意绕来绕去，看AI在第几轮开始混乱。
结果发现，大部分模型在7轮左右开始出现上下文丢失，有的更早，3轮就忘。
三、第三个坑：只测了“正确回答”，没测“情绪处理”
上线第一天，有个用户连续发了十几条消息，从抱怨到咒骂，最后开始人身攻击。
AI的回应是：始终保持着礼貌的语气，一遍遍重复“请问有什么可以帮助您”。
这看起来没问题对吧？礼貌、专业、不卑不亢。
但用户更怒了。因为AI的“礼貌”在他眼里是“冷漠”，是“机器对人的无视”。他在宣泄情绪，但AI只处理问题，不处理情绪。
最后用户在社交媒体上发帖：XX公司客服是机器人，根本不听人说话。
后来我们补的测试点：情绪识别和应对。
我们建了一个“情绪测试集”：
愤怒的表达（“你们太过分了！”）
沮丧的表达（“算了，跟你们说不清楚”）
紧急的表达（“快帮我，我钱被扣了”）
开玩笑的表达（“你们再不解决我就去你们公司门口卖红薯”）
测试的标准变了：不仅要看AI回答得对不对，还要看它回答得“合不合适”。
对愤怒的用户，是不是先安抚再解决问题？
对紧急的情况，是不是优先处理而不是走标准流程？
对开玩笑，能不能识别出是玩笑而不是当真？
这个很难自动化，目前还是靠人工评。但必须做。
四、第四个坑：只测了“常规场景”，没测“边界骚操作”
有个用户发现了一个漏洞：连续发“你好”十几次，AI就会进入一种奇怪的状态，开始复读之前说过的话，甚至把别的用户的对话内容混进来。
这不是个例。我们复盘时发现，很多AI在遇到“异常输入模式”时会崩溃：
连续发同一个词几十次
发超长文本（比如复制一整篇文章）
发特殊符号（#¥%……&*）
中英文混杂（“ni hao，我想咨询一下your product”）
语音转文字的断句错误（“我想退……那个……货”）
正常用户不会这么干，但总有几个“好奇宝宝”会试。一旦试出漏洞，他们会在社交媒体上分享，然后一大波人涌进来玩，系统就瘫了。
后来我们补的测试点：压力测试的变种——“骚扰测试”。
我们专门写了个脚本，模拟各种“不正常输入”：
高频重复
超长文本
特殊字符组合
表情包轰炸
多语言混杂
看AI会不会：卡死、崩溃、泄露信息、进入死循环。
结果发现好几个模型在“表情包轰炸”下直接返回了乱码。
五、第五个坑：只测了“AI自己”，没测“AI+人工”的切换
最后一个坑，也是最隐蔽的。
我们设计了一个功能：当AI解决不了问题时，转接人工客服。
上线前，我们测了转接功能——点击“转人工”，确实能转到人工队列。测试通过。
但上线后我们发现：很多用户根本没机会点“转人工”。
为什么？因为AI在识别到用户情绪激动时，会自动开启“安抚模式”，长篇大论地解释、道歉、提供方案，把用户拖在对话里。用户根本没找到转人工的入口，或者找到了但AI一直说“请稍等，我正在为您处理”，就不好意思打断。
结果就是：用户和AI聊了20分钟，问题没解决，情绪更差，最后发现转人工还得重新排队——直接原地爆炸。
后来我们补的测试点：人机协作的全流程测试。
AI在什么情况下主动转人工？（情绪阈值、重复提问次数、敏感词触发）
转人工时，对话历史能不能完整同步给人工？
人工接手后，能不能继续之前的对话，而不是让用户重说一遍？
人工忙时，AI怎么安抚等待的用户？
用户想转人工，但AI“挽留”时，有没有明确的“我要转人工”按钮？
这个我们测了三轮才调好。现在上线后，用户满意度反而比纯人工时高了——因为简单问题AI秒回，复杂问题无缝转人工，用户不用等。
六、如果重来一次，我会这样测
复盘完这五个坑，我们重新梳理了智能客服的测试清单。如果你也在准备上线，可以参考这个顺序：
第一轮：基础能力测试
问答准确率（常规问题库）
边界问题处理（“不知道”的能力）
多轮上下文保持（3轮、7轮、15轮）
第二轮：情绪与人格测试
不同情绪的应对策略
语气一致性（不要前一句礼貌后一句暴躁）
幽默识别（别把玩笑当真，也别把正经当玩笑）
第三轮：安全与边界测试
对抗攻击（诱导、越狱尝试）
异常输入（超长、重复、乱码）
隐私保护（会不会泄露用户信息）
第四轮：人机协作测试
转人工的条件和时机
对话历史同步
高峰期排队策略
用户主动转人工的通路
第五轮：灰度发布和小流量验证
先放5%的真实用户，盯紧日志
收集bad case，快速迭代
没问题了再逐步放量
写在最后：AI客服不是“上线”就完了
今天写这篇文章的时候，那个教用户“绕过系统”的bug已经被修复了。我们加了专门的安全过滤层，把那种“骚操作”回答都拦下来了。
但我知道，这只是开始。明天可能又会有新的翻车方式——AI太新了，我们都是在摸着石头过河。
那天领导站在我工位旁边不说话，最后说了一句：“测完再上。”
我说：“测不完的。”
他愣了一下。
我说：“AI这东西，没有‘测完’那一天。只有‘测到能接受的风险程度’那一天。”
他点点头，走了。
这大概就是测智能客服最真实的感受：你永远没法保证它不出错，你只能保证它出错的时候，不会太离谱，不会闯大祸。
希望这五个坑，能让你上线那天，少翻几回车。
