这次把一个做职业教育知识店铺的客户系统做了一次实打实的升级：在创客匠人店铺里接入了扣子智能体。说白了就是把原本靠客服人工盯着的咨询、售前、售后、督学这些环节，拆了一部分交给智能体来承接。这个组合今天聊的人不算多，但实际跑通之后，效果比预期稳。这篇文章不写概念，只写我们是怎么选的、怎么接的、踩了哪些坑，以及上线后真正值得盯的数据指标。
如果你也在用创客匠人做课程交付，或者类似的知识付费SaaS，正纠结要不要上智能体，这篇文章可以省你至少两周的调研时间。
1. 升级前的业务痛点与方案选型
1.1 人工客服的不可持续，不是人力不足，而是响应速度崩了
客户团队有四个人专门做售前咨询和售后处理，表面上看人不少，但业务一跑起来就会发现，人是永远不够用的。有直播引流的时候，开播半小时就能涌入两三百条咨询，问的无非是“这门课适合零基础吗”“有没有优惠”“怎么回放”“能开发票吗”这类重复问题；直播一结束，团队又要去处理订单核对、兑换码发放、学员进群这些事，根本没精力逐条回复。
真正被消耗的其实不是咨询量本身，而是响应速度。我们做过一次抽样统计，咨询后超过15分钟才收到人工回复的占比接近四成。在课程客单价不算低的情况下，这种延迟直接影响下单转化。用户问完价格如果没有立刻收到回应，转头就去对比别家课程了，这是知识付费场景里最现实的流失。
晚上十点之后的咨询更没人管。学员白天上班、晚上才有时间看课程，遇到卡顿、看不了、找不到资料这些问题，只能留言等第二天。有些急性子就直接申请退款了。我当时的判断是：这个场景特别适合用智能体来承接，因为它要的不是多高深的AI，而是“稳定、快速、不跑偏”地把常见问题答掉。
1.2 为什么是扣子智能体，而不是自研客服机器人
方案评审的时候，我们先排除了自研这条路。知识付费团队里没有算法工程师，也不打算为了一个客服机器人去养一个AI团队。底层大模型要接，对话框架要写，多渠道入口要打通，日志监控要自己搞，这套东西做下来，最快也要两三个月，而且维护成本是长期的。
扣子智能体解决的是“最后一公里”的问题。它已经帮你把模型、编排、知识库、发布渠道都串好了。我们可以在里面直接搭一个客服智能体，绑定知识库文档，设置触发逻辑，再通过链接或菜单配置到创客匠人的店铺页面里。这个路径不需要写太多代码，运营同学也能参与维护。
选型的时候我们也对比过其他几家智能体平台，最后选扣子并不是因为它功能最全，而是因为它上手快、免费试用的额度足够跑完验证，而且发布方式灵活。对于知识付费这种以内容交付为核心的业务，稳定性和维护成本的重要性远高于模型的“聪明程度”。我们不需要一个能写诗能写代码的AI，只需要一个认认真真按照业务规则回答问题的客服实习生。
| 对比维度 | 自研客服机器人 | 通用智能体平台（以扣子为例） | 创客匠人原生工具 |
|---|---|---|---|
| 开发成本 | 高，需开发+算法 | 低，可视化编排 | 无，功能固定 |
| 大模型能力 | 需自接或租用API | 平台内置多模型 | 有限 |
| 知识库维护 | 自建检索链路 | 平台自带知识库 | 基本不支持动态更新 |
| 渠道接入 | 需开发客服入口 | 链接/API/微信生态均可 | 店铺内嵌入 |
| 迭代速度 | 以天为单位 | 以小时为单位 | 依赖平台更新 |
| 数据归属 | 完全自有 | 平台内可导出 | 平台封闭 |
1.3 为什么坚持在创客匠人体系里接，而不是另起炉灶
这个客户之前用创客匠人已经跑了两年的课程业务，订单、学员、课程、积分、分销关系全在里面。如果为了上AI单独搭一套新系统，会员体系对不上，订单数据对不上，学员需要换一个平台操作，这个迁移成本没人愿意承担。
所以我们的思路是：在创客匠人店铺页面上加一个“智能助手”入口，用户在店铺里打开智能体对话窗口，咨询完问题后，智能体直接给出课程链接、优惠说明、购买路径，最后引导回创客匠人的原生意闭环。整个过程里，智能体是“前端接待员”，创客匠人仍然是“业务主系统”。
这也是我认为类似SaaS系统接入智能体最稳的姿势：不要试图用智能体替代核心业务系统，而是让它成为一个更聪明的前置入口。用户感知到的变化是“这家店有个人随时能回答问题”，但后台的订单、会员、分销逻辑一点都没动。
2. 整体业务架构与权限边界
2.1 智能体要承接的六个业务场景
接入之前，首先要做的是把业务场景拆清楚。我们把智能体在店铺里的工作分成六类：
- 售前咨询：回答课程内容、适合人群、学习方式、时长安排等基础问题。
- 营销活动咨询：解释当前优惠、拼团、限时折扣、优惠券使用规则。
- 售后基础应答：处理课程打不开、视频卡顿、资料下载、账号绑定等问题。
- 交付入群引导：在用户下单后，通过对话给出进群方式、班主任联系方式、开课时间。
- 销售辅助：当用户表达购买意向但犹豫时，把用户的关键诉求记录下来，生成一个简短的画像摘要，后续让真人销售跟进。
- 需求反馈收集：收集用户对课程的反馈与意见，尤其是智能体自己答不上来的问题，每周导出分析。
这六个场景对应着不同的业务流程，也对应着不同的数据权限。我们发现，很多团队一开始把智能体想成“全知全能的客服”，这其实是最大的坑。智能体适合做的是标准化程度高、答案相对固定的工作，像“退款申请”这种操作类诉求，它只能做解释和引导，不能替系统完成。
2.2 数据权限与隐私边界怎么划
这一步在接入方案里很容易被跳过，但恰恰是最重要的。当时我们划分了三个等级：
第一级，智能体可以访问的知识库数据。包括课程介绍、常见问答、服务承诺、使用教程、退换政策说明（只读版本）、活动规则。这些数据我们整理后上传到扣子知识库，作为智能体的“工作手册”。
第二级，智能体可以读取但需要脱敏的信息。比如用户在下单后，我们可以通过订单状态回调知道这个学员已经买了某个课程，智能体在对话里可以直接称呼“您已购学员”，但不会展示手机号、真实姓名、订单金额这些明细。具体做法是在中间层做脱敏，只把必要的状态传给智能体。
第三级，涉及支付、退款、账号申诉等敏感操作，智能体一律不自行处理。它的职责是解释流程，然后触发转人工。我们把“退钱”“投诉”“人工电话”等词录入强制转人工的触发条件，一旦命中直接结束对话流程，不让智能体继续发挥。
这个边界如果不提前划好，后面上线一定会出问题。我们见过一些同行把学员手机号直接传给智能体做个性化服务，结果对话日志一泄露就是批量事故。做知识付费的，学员信任是核心资产，数据权限宁可严不可松。
2.3 两条主链路的设计思路
链路A是咨询转化链路。用户从创客匠人店铺首页点击“智能助手”，进入扣子智能体对话窗口。智能体根据用户提问，通过知识库检索给出答案，再在合适的时候把对应课程的链接、活动页链接推送给用户，引导回店铺完成下单。链路B是订单触达链路。用户在创客匠人完成支付后，系统通过API在扣子里触发一条主动消息，向用户确认订单、提醒加群、发放学习指引资料。
这里要说明一下，链路B不是简单地在对话框里发消息，它需要一条“业务系统到扣子”的触发通道。我们的做法是写了一个轻量级的中间服务，用于监听创客匠人侧的回调事件，再将事件转发到扣子的工作流入口。如果你不想写代码，也有替代方案：由客服在后台手动给学员发送一条带智能体链接的欢迎消息，虽然笨一点，但同样能跑通。
两条链路分开的原因是权限和触发时机完全不同。链路A是用户主动发起，智能体处于“被动应答”状态；链路B是系统主动推送，如果推送太频繁容易引起用户反感，所以链路B只触发一次，话术也必须克制。
3. 接入过程中的核心实操细节
3.1 账号、入口与权限配置
接入的第一步是把两边账号和环境准备好。扣子这边需要注册并创建一个智能体项目，选好底层模型，建议先用默认模型跑通流程，后期再根据回答质量调模型版本。创客匠人这边需要在店铺装修后台找到“自定义菜单”或“网页组件”配置入口，把智能体的对话链接放进去。
这里有个细节：不要把智能体链接放在太深的层级，最好做成店铺首页的悬浮按钮或者顶栏菜单。我们第一次接的时候把入口放在“联系我们”子菜单里面，结果浏览量非常低，后来才意识到用户根本不会去点一个叫“联系我们”的按钮来咨询课程。改成首页悬浮图标“问助教”之后，咨询量翻了好几倍。
权限配置方面，需要给智能体限定回复范围。在扣子智能体的系统人设里，加一段明确的边界说明：只回答与课程、店铺服务相关的问题，不闲聊，不回答政治、医疗、投资等无关话题。加上这个约束之后，跑偏的概率降低了很多。
3.2 知识库的搭建与切割，这一步决定了智能体的智商上限
很多人以为智能体的回答质量取决于模型选得多好，实际上在我们这个场景里，知识库的质量远比模型重要。模型再聪明，没有准确的资料，它也只能一本正经地胡说八道。
我们把知识库按业务模块拆成了五个文档：
- 课程百科：每门课的适合人群、学习目标、课时安排、讲师背景、学习形式。
- 售前话术库：常见咨询问题与标准答案，整理成“问题-答案”对照格式。
- 售后手册：视频无法播放、账号换绑、资料下载、密码重置等问题的处理说明。
- 活动政策：当前正在进行的优惠活动，注明起止时间、适用课程、优惠码使用方式。
- 兜底话术：当智能体无法确认答案时，统一使用的转人工话术模板。
知识库整理完之后，我们做了一次字段级清洗。比如一门课的价格，要把“原价”“活动价”“会员折扣价”“老学员复购价”分别写成不同条目，并且注明适用范围。否则大模型检索到一段含混的话术，就会把不同场景的价格混在一起报给用户。
还有一个经验：知识库文档不要一整个Word丢进去，要把内容切成若干个小块，每个块要有清晰的主题。扣子的检索方式是语义检索加引用，文档块越聚焦，检索命中率越高，回答越准。我们最初把整个课程介绍合在一个文档里上传，智能体经常答非所问，切分之后准确率明显上来了。
3.3 智能体人设与关键Prompt设计
人设Prompt是业务规则的“翻译器”。我们实际使用的一段核心Prompt是这样的：
你是这家教育机构的智能助教，负责处理与课程、活动、学习服务相关的咨询。只依据知识库中的资料回答，不编造价格、活动和政策。如果知识库中没有相关信息，直接告知需要联系人工客服，并引导留下联系方式。遇到用户表达不满、要求退款、投诉或情绪激烈时，停止解释，立刻转接人工。回复使用简洁、口语化的中文，不要长篇大论。
这段Prompt看起来简单，但每一个分句都对应一个测试用例。“只依据知识库中的资料回答”解决的是幻觉问题，“不编造价格、活动和政策”是把最容易出事的三个领域单独拎出来强调，“遇到用户表达不满立刻转人工”是兜底机制。
在扣子平台上，除了系统人设，我们还在技能配置里做了一个“意图识别”节点。把用户的问题先分类：询问课程内容、询问价格、询问售后、表达投诉、闲聊。分类结果决定后续走哪一条对话流程。这个设计很关键，因为它让智能体的回答不再是“逐句生成”，而是先判断场景、再匹配答案，稳定性会好很多。
3.4 多轮对话与上下文字段
最初跑测试时，我们发现多轮对话经常丢上下文。用户第一句问“零基础能学这个数据分析课吗”，智能体回答完之后，用户第二句问“那我需要准备电脑吗”，智能体完全不记得前文说的是哪门课，开始泛泛而谈。
解决方法是给对话加参数。我们在智能体配置里维护一个“当前课程”变量，当用户提到具体课程名称时，将这门课的信息写入变量，后面几轮回答都围绕这个变量来展开。如果用户中间切换了课程，变量也随之更新。这个做法相当于给智能体加了一个“短期记忆”，虽然不是真正的记忆，但在这个场景里足够用了。
多轮对话的第二个问题是追问引导。我们把每门课的介绍拆成了若干个“必要信息点”，智能体在回答一个核心问题后，会主动补一句：“如果您还想了解这门课的学习周期或者讲师背景，可以继续问我。”这样用户不用重新组织问题，对话也不容易断。
3.5 发布前的灰度测试与内部验证
我们没有一上线就把智能体推到所有用户前，而是先分了三轮灰度。
第一轮是内部测试。团队五六个人分别扮演不同类型的用户，包括零基础小白、老学员、想退款的黑粉、半夜来问问题的人。每个人至少提二十个问题，把回答逐条截图存档。这一轮主要看功能跑不跑得通，有没有明显的胡说八道。
第二轮是真实用户小流量。在店铺里设置一个限时入口，只有扫特定渠道码进来的用户才能看到智能助手按钮，其他人仍然是纯人工客服。这轮跑了大概五天，收集到一百多条真实会话记录，错误率和转人工率都比预想中低一些。
第三轮才是全量上线。这时候我们发现一个惊喜：大量原本会流失的“非工作时间咨询”被接住了，第二天客服上班时只需要看留言记录，不需要再从头回答。灰度测试最大的价值在于，让团队建立了对智能体的信任。如果没有这个过程直接全量，客服一看到满屏的“AI回复记录”很容易产生抵触，后面推进就会很被动。
3.6 转人工机制的细节设置
我们预设了两类转人工情况。第一类是用户明确表达负面情绪，命中“退款、投诉、举报、假冒、骗子、人工、电话、领导”等关键词，直接进入转人工流程。第二类是智能体连续两轮都没有在知识库中检索到有效答案，立即转人工，不允许“再想想怎么回答”。
转人工的呈现方式也很重要。我们一开始只是让智能体说“请稍等，为您转接专属顾问”，结果用户挂了窗口就再也找不到人工。后来改成了三段式话术：
“这个问题需要我们的顾问一对一帮您确认。您可以拨打客服电话400-XXXXXXX，或在对话中留下联系方式，工作时间内会有专人联系您。我先把基本情况发给顾问，您也可以随时回到这里继续咨询。”
这段话术同时传递了三种信息：提供了联系方式、说明了后续动作、给了用户安全感。上线后咨询留言的有效率明显提高，客服接手时已经有了用户的基本诉求，不用再从头问一遍。
4. 常见问题与排查技巧实录
4.1 智能体答非所问，甚至开始编价格
这是最常见的问题，也是最容易造成实际损失的问题。我们测试时遇到一次非常严重的情况：用户问某一门高阶训练营的价格，知识库文档里确实有，但智能体把它和另一个低价体验课的价格拼接在一起，生成一个完全错乱的答案。
排查步骤可以按这个顺序走：
- 打开扣子的调试记录，查看这次回答实际引用了哪几个知识库片段。
- 比对引用内容，确认是“没有检索到”还是“检索到了但生成偏差”。
- 如果是检索不到，优化知识库切块方式，增加同义词和别名。
- 如果是生成偏差，检查Prompt里有没有允许推测的表述，或者把温度参数调低。
- 最后在知识库对应条目里增加一道“标准答案必须原样输出”的约束。
我们后来在Prompt里加了一条规定：“凡是涉及价格、时间、电话号码等具体数字，必须以知识库中的原始表述为准，禁止自行计算或拼接。”之后这个问题的发生率降到很低。
4.2 多轮对话丢失上一轮信息，用户要重复解释
这个问题前面提到了，核心原因是智能体没有很好的“短时记忆”。除了设置变量之外，我们还在智能体的开场白上做了文章。当智能体检测到用户进入对话时，开场白就说：“您可以告诉我您想了解的课程名称，我会帮您快速查询信息。”这样用户在对话初期就会主动把关键实体信息说出来，后面即使上下文有轻微丢失，也不至于完全偏离主题。
另外，我们要求智能体在做课程介绍时，必须自带课程名称前缀。比如回答“这门课适合零基础吗”，必须以“关于《XX实战训练营》：这门课对零基础学员是友好的”开头。这样即使中间插了几轮无关对话，用户回看时也能知道这是在说哪门课。
4.3 直播引流后集中咨询，接口超时和并发受限
最严峻的考验是直播后的半小时。几百人同时问问题，智能体响应明显变慢，有些请求直接超时。排查后发现两个原因：一是知识库文档颗粒度太细，导致单次检索耗时较长；二是部分工作流节点配置了复杂的内部校验，拉长了响应链路。
优化动作有四个：
- 精简知识库：保留最常见的一百多条高频问答，把低频问题放进二级文档，检索时先扫高频库。
- 简化工作流：把不影响核心回答的统计节点放到异步执行，不阻塞主回答链路。
- 调整并发策略：创建两个智能体实例，一个承担高频常见问题，一个承担深度课程介绍，按概率分流。
- 超时兜底：在智能体响应超时时，自动发送“当前咨询人数较多，您也可以留下问题，顾问稍后回复”话术，避免用户得不到任何反馈。
第四个兜底尤其重要。在高峰时段，用户最在意的其实不是立刻回答，而是“有没有人理我”。只要有反馈，流失率就能压住。
4.4 用户话术太口语化，智能体识别不了
真实用户不会像测试用例那样好好说话。我们遇到过“你们家课怎么这么贵”“学完能干嘛”“有没有便宜的”这类口语问题。智能体经常识别不到这是关于价格的咨询，答非所问。
解决办法是给意图识别节点补充同义词和典型表达。把“贵、价格、多少钱、优惠、打折、便宜、性价比”全部归纳到“价格咨询”意图下；把“零基础、小白、没学过、能不能学”归纳到“适合人群”意图下。扣子允许在意图节点维护示例问法，我们每个意图至少维护了二十个示例，越接近真实说话方式，识别越准。
补充一句，整理这些示例问法的素材库直接从客服历史聊天记录里挖，不要凭空编。我们导出了三个月聊天记录，把真实用户的高频表达整理成了一张表，再反向填充到意图配置里，比团队成员脑补的高效得多。
4.5 上线后转人工率很低，反而不是好事
上线一周后我们发现转人工率低得离谱，只有不到8%。乍一看觉得是智能体回答得很全，但仔细一看数据发现不对：一些高客单价的课程咨询，智能体也试图去“说服”用户，结果用户没得到人工顾问的深入沟通，下单率反而比之前纯人工时代低了。
这个现象说明智能体的边界太宽了。我们调整了策略：把价格低于几百元、决策链路短的课程咨询，交给智能体直接完成转化；把高客单价的课程咨询，在智能体完成基础介绍后，主动收集用户手机号，约定由顾问在24小时内电话沟通。调整之后整体转化率恢复了，而且高客单课程的获客质量也更高。
后面我们形成了一个标准：整个咨询流程的转人工率维持在15%到25%是健康的，太低说明智能体包揽了不该包揽的事，太高说明智能体的处理能力不足，没有分担掉人工压力。
5. 升级后的运营优化与后续扩展方向
5.1 从智能体回复到销售线索管理
智能体上线后，我们意识到它不只是一个客服，还是一个超低成本的销售线索采集器。以前人工客服接待用户后，经常忘记记录用户意向；现在智能体每次对话结束，都会按照配置好的字段输出一份会话摘要，包括用户咨询的课程、是否表达购买意向、犹豫点是什么、用户联系方式是否已授权提供。
这些摘要汇总到表格里之后，销售可以用一个投喂脚本每天做一次自动化筛选，把高意向用户挑出来优先跟进。我们跑了两周之后，销售顾问工作时长没有增加，但有效跟进线索量提升了接近一半，原因是智能体会把线索按意向等级排序，销售不再需要从聊天记录里自己挑客户。
这里有一个合规细节，收集用户联系方式必须取得授权，话术里要写明“为了给您提供更准确的课程建议，需要申请获取您的联系方式”。用户在智能体对话窗口里主动输入手机号或者点击授权按钮，我们才会保存。
5.2 用会话分析反哺课程迭代
智能体没有答上来的问题，是最值得分析的数据资产。我们每周导出一份“未命中问题”清单，整理成一个独立的待办列表。一部分问题说明知识库需要补充，另一部分说明课程详情页信息不清晰，用户看完主页面还要再问。
印象最深的一次，是连续三周有用户反复询问“这个课结课后有没有实习机会”，而课程详情页完全没有提到结课后的就业支持服务。我们把这个信息反馈给教研团队后，他们重新整理了课程介绍，把“结课实践项目”部分前置展示。之后这个问题在知识库里的命中率上来了，客服那边相关咨询也少了，需求被更好地承接住了。
这条路径非常推荐做知识付费的团队尝试：把智能体当做一个持续运行的“用户需求传感器”，它不花钱、不知疲倦，每天帮你听用户到底在意什么。
5.3 后续扩展：工作流编排与多智能体拆分
第一阶段的感知验证跑通后，我们已经在规划第二批能力。方向有两个。
第一个方向是扣子的工作流编排。把整个咨询流程做成更清晰的状态机：用户一进来先做意图归属，分配到不同分支；价格敏感型用户走优惠说明流程，犹豫型用户走真实案例分享流程，售后问题走排查分支。这样智能体不再是一个平面对话机器人，而是一套可追踪的运营流程执行器。
第二个方向是多智能体拆分。目前是一个智能体处理所有事情，后续我们计划拆成售前智能体、售后智能体、督学智能体三个角色，在中间层做一个统一的路由分发。售前智能体专注课程介绍和转化引导，售后智能体专注播放问题和账号问题，督学智能体负责开课提醒和作业催交。拆开之后最大的好处是知识库隔离，售后知识不用混在售前话术里，检索命中率还能再上一个台阶。
我之前实际跑下来最大的感受是，接入智能体真正考验的不是技术能力，而是业务梳理能力。如果团队原本的客服话术就是乱的，智能体上线只会把混乱放大。先把服务SOP、课程FAQ、售后政策整理清楚，再谈AI接入，顺序不能反。
最后再分享一个小技巧：上线后最值得长期盯的指标不是所谓的“回答准确率”，而是转人工率和用户主动留下联系方式的比例。转人工率长期低于10%，就要小心智能体是不是替用户做了太多决定；留下联系方式的比例提升，则说明用户对智能体的信任度在建立，这是比单次对话满意度更值钱的数据。这套东西做到位，才算真正把智能体变成了业务增长的一部分，而不是一个摆设。
