林万劲的AI思考
做服务链智能客服之后，我越来越确定：
AI 落地先修闭环，再谈聪明
企业 AI 服务的难点，往往不在某一句话怎么回答，而在于一整条服务链能不能接得住。
林万劲的AI思考 / 2026.09
最近一段时间，我重新回到服务链智能客服相关工作。
一开始，我更容易把问题理解成“模型答得准不准”“提示词写得够不够清楚”。但真正持续参与之后，我慢慢发现，企业里的 AI 项目，难点往往不在某一句话怎么回答，而在于一整条服务链能不能接得住。
核心判断
AI 客服不是一个单轮问答工具，而是一个需要理解过程的服务系统。
01
从单轮回答到服务链
客户提出问题，系统需要理解；理解之后，要判断属于什么事情；判断之后，还要决定是否查询、是否执行、是否转人工；执行完成之后，还要确认客户的问题是不是真的解决了。
任何一个环节没有接上，最终都可能表现成一句“AI 回答错了”。
可回头看，问题并不一定出在模型本身。有时候是上下文没有传完整，有时候是客户补充的信息没有被正确承接，有时候是上一轮已经失败了，但系统仍然把当前消息当成一个全新的问题。还有一些情况，客户已经表达了新的诉求，系统却仍然停留在之前的判断里。
真正的问题，常常藏在一段对话的前后关系里。
客户说“还是不行”，这句话本身没有多少信息，但放在一段完整对话里，它可能代表重试失败、设备状态没有恢复、前面的处理没有生效，也可能是在纠正系统刚才的判断。
如果只看当前一句话，很容易把它归到一个看起来相似的类别里。如果把前面的提问、客户补充、系统回复和实际执行结果放在一起，问题的含义往往会完全不同。
所以，后来在处理问题时，我不再只问“这句话像哪个分类”，而是会继续追问几个基本问题：客户在说什么对象？希望完成什么动作？事情处于什么阶段？前面已经发生了什么？客户有没有否定或纠正之前的结论？
02
让问题进入正确的处理节奏
服务链项目还有一个很现实的挑战：问题会不断从现场反馈回来。
有些问题需要马上止损，比如系统可能执行了不该执行的动作，或者客户已经无法得到有效承接。这样的情况必须优先处理。
但还有一些问题，虽然值得修复，却不适合每次都临时打断正在进行的功能建设和分析工作。否则，团队很容易陷入“哪里出现一个问题，就马上改哪里”的循环，问题看似一直在处理，系统却没有形成稳定的改进节奏。
方法
现场 先把客户接住，保证当下服务不中断。
升级 对可能造成持续影响的问题及时止损。
迭代 把普通问题统一收集、分诊，再进入共性修复。
这样做不是降低对问题的重视，而是把“客户当下需要帮助”“系统需要止损”“根因需要修复”这几件事分开处理。
现场服务要有回应，项目建设也要有节奏。两者如果全部压在同一个人身上，任何一边都很难真正做好。
03
从相似问法到业务语义
在分类问题上，我也经历了一个比较明显的调整。
过去很容易相信，只要积累足够多的问法，再用相似度把新问题匹配到已有类别，系统就会越来越准确。但实际复核之后会发现，相似的词并不代表相同的业务。
同样是“换车”，可能是车辆信息变更，也可能是设备迁移；同样是“没有信号”，可能是设备离线，也可能是定位数据没有刷新；同样是“帮我看一下”，背后可能是查询、报修、续费，也可能只是对前面结果的追问。
真正需要学习的，不只是常见问法，而是每个分类背后的业务含义、适用边界和容易混淆的相邻问题。
这也改变了我对“训练数据”的理解。
问题
好的案例，不只是增加一句标准问法，而是让系统理解分类边界，以及什么时候应该保留不确定性。
好的案例，不只是给系统增加一句标准问法，而是要让系统知道：为什么这个案例属于这里，为什么另一个看起来相似的案例不能放在这里，什么时候应该保留不确定性，什么时候必须请求更多信息。
这是一种更接近业务判断的学习。
04
把修改变成可回溯的闭环
服务链里的规则和提示词也会持续变化。新的案例会出现，旧的边界会被重新确认，某些规则在一个版本里有效，换到另一个版本就可能需要重新检查。
因此，不能只保留一份“当前提示词”，然后凭记忆继续往下做。更稳妥的方式，是把规则版本、原始案例、用户纠正、修订原因和回归结果放在一起。
每次出现问题，都要能够回到原始对话，确认当时发生了什么；每次完成修改，也要重新检查相邻场景，确认解决一个问题时没有带来新的误判。
这其实和软件工程很像。修改不是终点，验证才是闭环的一部分。
关键结论
AI 的价值不只是回答得像不像人，而是能不能让服务链变得更清楚、更稳定、更容易改进。
我现在更愿意把 AI 客服理解成一个长期协作的意图识别器。
它需要持续学习规则，也需要保留证据；需要参与问题分析，也要知道哪些地方仍然不确定；需要帮助人提高处理效率，但不能把所有业务判断都交给模型自行决定。
人负责目标、边界、责任和最终判断，AI 负责整理信息、还原过程、发现相似问题、提出修复建议，并帮助团队重复验证。
这样一来，AI 的价值就不只是“回答得像不像人”，而是能不能让服务链变得更清楚、更稳定、更容易改进。
做这段时间的服务链工作，我最大的感受是：企业 AI 的落地不是把一个模型接进来，然后等待它自己变聪明。
它更像是在真实业务里，一边服务客户，一边整理上下文，一边修正规则，一边建立反馈机制。
先把问题看完整，再决定改哪里；先把责任和流程理顺，再扩大自动化范围；先让每次修复都能留下证据，再谈系统能力的持续增长。
当这些基础工作逐渐形成闭环，模型能力才真正有机会转化成稳定的服务能力。
这可能是企业 AI 最需要的耐心，也是最值得投入的部分。
林万劲的AI思考
不是抢先知道更多，而是更早看清真正重要的变化
