知识库喂不出能干活的 AI 员工
前几个月，买了某东的空调清洗服务，一次最多三台，所以下了两单。其中一单的师傅上门一看，说 2 匹机他的工具洗不了，让走退款流程。然后就是持续数周跟智能客服的较量。你输入问题，机器人让你回复数字。你输入「转人工」，它说「当前人工坐席繁忙，请先描述您的问题」。几个来回下来，问题又回到了原点。
本来这事情过去了。前几天和朋友吃饭，问我现在在搞什么，我说给企业开发智能体。他马上来了一句，这个东西就是个垃圾，你看现在某东的客服都成什么样子了，没有一次能解决问题的。
是啊，智能客服搞了十几年，技术一年一换，从关键词匹配到意图识别，再到大模型，用户的印象却没什么变化。说实话，还是那句老话，「抱歉，这个问题我暂时还不会」。本来这个也容易解决，大家上来就先发一句「人工」。转成真人服务，问题马上处理好了。不过这一两年，能找到真人的几率是越来越低了。这个各大平台找人工客服的技巧，估计做个付费服务都有人愿意购买了。
说回来，我们自己就是干这个的。企业智能体为什么这么难落地？这个困境我们琢磨了两年，最近才算想明白一点。
一、知识库建满了，还是不好使
第一代智能客服的思路很朴素。把 FAQ 整理好，把产品手册、售后政策录进去，让机器人做匹配。匹配上了就回标准答案，匹配不上就道歉。
可用户不按 FAQ 的方式提问。
FAQ 里写，商品支持七天无理由退换。用户的问题是，给我妈买的，她用两天说不好使，能退吗。这个问题里有政策，有情绪，有隐藏的诉求，搞不好还埋着一个投诉。知识库能把政策条款给出来，可这句话说出去是什么语气，先道歉还是先查订单，要不要先安抚这个人，没人写过。
所以很多项目到头来都成了这样。知识库越建越大，话术越来越客气，投诉一如既往。
因为这些东西，本来就写不出来。
二、大模型解决了流利，没解决判断
大模型看起来救了智能客服。
文档解析，切块，向量化，接上 RAG，机器人能读懂整本手册，回答比关键词时代顺溜多了。第一眼体验确实好。
可用久了会发现，问题换了个地方冒出来。用户的提问稍微偏离文档一点，机器人就开始兜圈子。
用户说，我上次投诉过，你们答应回电，没人打过来。这个问题的正确答案不在知识库里。一个真人客服会先去翻上次的工单，确认谁答应的，过了多久，再决定是道歉、补偿，还是直接升级主管。这一串判断靠的是经验。文档里没有这一层。
这个坑我们也踩过。早期我们以为把资料喂给 RAG 就完事了，两年下来才明白，RAG 解决的是让 AI 找到资料，AI 能不能理解事、判断事，是另一码事。这里面的差距，我们当时也没看清。
三、知识和经验，是两回事
把这两个概念掰清楚。
知识写在文档里。产品参数，退换政策，操作流程，合规条款。它有形状，有版本，能检索，能更新。知识库项目做的就是这些。
经验不在文档里。哪个用户的话说明他要投诉了，哪种情况不能承诺补偿，什么时候该停止解释直接转人工。这些东西在老客服的脑子里，人一走就跟着走。
我之前的文章里说过。一个干了十年的老手比新人强的地方，是一整套东西。判断规则，历史上下文，处理问题的手感。口才是最不要紧的部分。
AI 员工也一样。模型大家都能用，GPT 也行，Claude 也行，开源模型也行。知识可以整理，可以采购。只有经验，得从自己的业务里长出来。
四、经验是事件
这是最容易被忽略的地方。
客服团队每天都在产生经验。这个用户被安抚下来了，那个工单升级了，那次补偿承诺被合规驳回了。这些都是真实的经验。
可这些经验在哪？一部分在会话记录里，一部分在工单备注里，最要紧的那部分在当事人脑子里。周会上说一嘴，过后就散了。
记录留下来了，判断没有。你知道那个工单升级过，可当时为什么升级，用户哪句话让坐席判断自己兜不住了，都没写下来。三个月后这位坐席离职，这段经验彻底消失。
我们之前写过一篇开发踩坑的文章，道理一模一样。一个实测确认过的事实，只活在那晚的会话记录里，下一轮改动，不管是人还是 AI，都读不到那份记录。
经验没固化，就会蒸发。而且蒸发不是一次性的。它天天都在蒸发。
五、AI 员工和机器人，就差这层经验
风向变了。企业不再满足于一个会答话的机器人，开始要 AI 员工。
差别一句话就能说清。机器人回答问题，AI 员工干活。回答问题有知识就够了，干活得靠判断，靠知道后果，还得靠错了能认。
我们曾经把「Agent 能不能干好一件事」拆成四种能力，规划，反省，记忆，执行。拿这个框架看，问题会清楚很多。
反省寄生在记忆上。一个不记得发生过什么、哪里对了哪里错了的 AI，不可能改进。它被投诉一百次，第一百零一次还犯同样的错。智能客服卡了这么多年，就卡在这里。
记忆分两层。事实性记忆，比如公司退换政策是什么，知识库加 RAG 能解决。程序性记忆，比如这类用户该怎么处理，先做什么后做什么，只能靠经验喂出来。
很多企业现在把力气花在前一层。这一步没错，没有知识，什么都谈不上。只是光有知识还不够。后一层基本是空白，而后一层才决定 AI 员工能不能真的干活。
六、经验怎么沉淀
怎么沉淀，我们摸索了两年，至少有四步。
抽取。每一通会话，每一次升级，每一次复盘，多问一句，当时为什么这么判断。这一步最麻烦，也最值钱。
结构化。把这些东西变成机器能用的形状。什么场景，什么判断，什么结果，对不对。聊天记录原样堆在那里不行。
校正。新的案例天天在冲击旧判断。政策会变，产品会变，用户也会变。经验和现实打架的时候，得有人确认听谁的。没人确认，经验库会慢慢变成一个撒谎的库。
过期。知识有版本，经验也有保质期。两年前管用的话术，今天可能就是坑。没有过期机制的经验系统，比没有经验系统更危险。它会让过期的判断装出资深的样子。
整套流程画出来是这样。
会话 / 工单 / 复盘
↓
抽取判断
↓
场景 → 判断 → 结果 → 对错
↓
新案例校正
↓
AI 员工消费
你看，这和建知识库完全是两件事。建知识库是买入内容，沉淀经验是长出能力。
七、说实话，这事比建知识库难得多
难的部分也说一说。
经验不全是对的。老手也会看走眼，有些「经验」从产生那天起就是过时的。全都沉淀进去，攒出来的是一堆偏见。所以校验省不掉，这一步要一线投入真实的时间。
再一个容易踩的是边界。哪个部门能用，哪个场景不能用，哪段经验涉及用户隐私，都要有权限和范围。知识库的权限管理，很多企业还没摸熟，经验管理在这之上还要再加一层。
经验还难评估。知识库的效果可以拿召回率、回答正确率来量。经验的效果藏在投诉率、二次进线率、转化率这些长期指标里，半年一年才看得出来。想三个月见效，多半要失望。
这些难处，我反而觉得是好事。能看到难处的方向，才是能工程化的方向。
八、回到开头
智能客服困了十几年，困在我们只给机器人喂知识。背政策，机器人可以。判断，从来没人教过它。
AI 员工开了个新口子。这个口子正好对着缺的那一块。
知识可以采购，可以爬取，愿意花钱，供应商也能给你堆一批出来。经验不行。经验长在自己的业务里，长在一通通会话和一次次复盘里，攒下来就是自己的。
模型会趋同。知识能补齐。企业之间拉开的差距，都在经验那一层。
我们也在这条路上做一些开源实践，想让 AI 动手之前，先从攒下来的经验里拿到上下文。靠训练记忆不行，靠当次聊天记录也不行。如果你对经验沉淀、AI 知识管理感兴趣，欢迎来 GitHub 看看，顺手点个 star 就更好了。
