这些聪明的企业，为什么都在用大模型重构客服体系？

这里就要涉及技术路线的选择问题，目前市面上利用大模型建设智能客服的主流思路有两种，第一种是RAG思路，简单来说就是将领域知识构建到向量数据库中，当用户和问题系统交互时前置检索到领域知识，然后提供给大模型使用；第二种是Fine-Tuning思路，即通过对大模型本体的更新，将知识更新进去，需要对模型调优、重新部署，甚至需要GPU重新训练模型。

当然，这两种路线都有各自的优势，张双颖告诉《新眸》，“企业在实际应用时，这两种路径都可以选择，但无论选择哪种路径，智能客服首先要解决的是幻觉问题。”以Quick Service为例，它在实际应用中的解答准确率高达93%，这是一个怎样的概念呢，几乎媲美一位对公司各项业务和产品技术都了如指掌的资深真人客服。

最关键的，这还是建立在综合很多离散型非结构化数据基础上的指标，而这，恰恰是其他玩家不具备、却是瓴羊的核心壁垒。

众所周知，脱胎于阿里数据中台团队的瓴羊，本身在数据服务方面就有着很深的积累，旗下围绕数据要素构建的产品矩阵，在各个领域的中大型企业都有着不错的口碑，按照这个逻辑，从底层的数据平台到上层的应用落地，Quick Service在瓴羊内部的萌芽也是顺理成章。

但就像硬币总有正反面，尽管大模型改造千行百业几乎已经成为共识，也有不少新的陷阱产生，最典型的，随着百模大战告一段落，越来越多的人把目光放在应用落地，拿着锤子找钉子成为业内常态，很多企业一开始就把大模型作为“良药”，倒推可以解决哪些业务问题，这样的做法不仅会浪费资源，还可能导致空中建楼阁。

大模型时代下的智能客服也不例外。

就当下来说，智能客服并不是什么新鲜事，要想获得客户认可，最终还是要回到价值本身，尤其对于场景复杂度较高的智能客服来说，与客户携手共创往往是最佳选择。

张双颖坦言，“尽管我们在数据服务方面有着很深的护城河，但Quick Service的打磨过程也投入了大量的时间和人力，当然这和具体客户的场景复杂度息息相关。”针对一些规模较大的客户，从立项到产品正式上线，一般需要花上1-3月时间。

有意思的是，在Quick Service实际落地的过程中，张双颖还观察到一个很有意思的转变。

以服务上汽为例，随着销量与门店量激增，对客服中心的智能化能力、响应速度乃至获客能力都提出了更高要求。对此，瓴羊的解法是“三全”，所谓“三全”，一是打造“全场景”，从售前线索产生、试乘试驾，到售后招揽咨询、赠换购各环节为客户提供完备的咨询服务；二是覆盖“全触点”，通过APP、官网、小程序的统一接入与IM的升级，整合零散获客渠道；三是实现全智能，升级售前/售后机器人、人工客服智能化能力，提升工作效率。

这带来的效果立竿见影。据张双颖透露，基于全渠道、全场景接入的全链路智能服务系统，Quick Service有效提升了知识的生产和服务效率，一方面，对门店营销、车机使用等高频问题的回答更加游刃有余；另一方面，在售前，机器人还能帮助品牌完成老客的回电保养、潜客的信息搜集等任务，完成向利润中心的价值转移。

换句话说，有了大模型加持的Quick Service，已经跳出了传统客服的范畴，不仅在理解和交互能力上得到大幅提升，甚至还能为企业带来业务增长。某种程度上来说，从被动服务转变为主动服务，从成本中心转变成利润中心，放在过去，这对于一个客服机器人来说是很难想象的，而如今却成为现实。

回到一开始讨论的话题，如果说对标海外做国产大模型已经成为过去式，那么面对产业数字化浪潮，摆在所有人眼前的关键命题，就是如何让一项新技术真正走出实验室，走进千行百业，就这方面来说，Quick Service的诞生与迭代及其背后的瓴羊，其实给行业带来了新的思路和方向。返回搜狐，查看更多