如何构建“企业级”AI智能客服？飞书Aily全流程指南：从技术选型到落地调优

每一个“转人工”的请求，背后都是一个亟待解决的用户问题，和一份正在流失的客服成本。

与此同时，企业最有价值的知识，却沉睡在海量的飞书文档、产品手册和聊天记录里，难以被传统客服机器人有效利用。

要应对这些挑战，核心在于如何让AI能够理解并运用企业自身的知识。

飞书Aily提供了一套相应的解决方案。它能帮助企业将内外部的动态知识，转化为可靠的智能问答能力，并方便地集成到飞书机器人、服务台或各类客服系统中，有效改善“答非所问”的窘境，提升服务效率。

那么，这套解决方案具体是如何运作，又能解决哪些核心场景的问题呢？下面我们来一探究竟👇

01｜方案与场景介绍

简单来说，就是将过去低效、繁琐的人工客服模式，升级为自动化、智能化的AI辅助模式。

✅ Before 传统痛点

❌ 机器人拦截率低： 机器人“傻乎乎”，对用户问题的理解能力弱，用户没有靠机器人解决问题的预期。

❌ 知识维护繁重： 更新服务台的知识库需要多人投入，耗时耗力，且容易出现信息滞后现象。

❌ 操作体验复杂： 繁琐的界面与操作流程拖慢了员工检索知识及响应的速度，操作复杂，影响体验。

❌ 多语言支持瓶颈： 多语言问答仅支持中英，外语人工客服招聘难。

✅ After 优化价值

✔ 机器人拦截率有效提升： 高质量的问答回复效果，降低用户转人工诉求。

✔ 自动化知识维护： 直接连接飞书文档、知识库，即可自动完成问答知识更新，确保信息即时更新。

✔ 可自定义调优，AI 不再“傻乎乎”： 面对不同的问答场景需求，可自定义所需模型并对问题进行针对性调优，为不同场景提供“切实有效”的 AI 智能问答能力。

✔ 多种模型支持多语种： 释放不同模型的多语言能力，一个机器人搞定多种语言交互。

✅ 典型应用场景

• 服务台/值班号： 利用 AI 的理解能力，快速升级内外部值班号、客服问题，提升满意度，间接支持员工生产力提升。

• 运营助手： AI 机器人能够 24 小时随时随地为用户解答产品知识，确保用户在任何时间都能获得及时帮助。

02｜核心揭秘：RAG 技术详解

aily 智能客服的背后，是先进的 RAG（检索增强生成）技术。

✅ 什么是 RAG？

RAG，即 Retrieval-Augmented Generation（检索增强生成），是一种结合了信息检索系统与生成式模型（LLM）功能的 AI 应用框架。RAG 通过从外部（例如文档、数据库）检索与用户问题有关的信息，并将这些信息作为上下文，与用户查询一起输入到语言模型中，以生成更准确、更符合应用情境的响应或回答。

✅ 为什么需要 RAG？

大语言模型（LLM）因其强大的能力备受青睐，但也面临知识时效性、幻觉问题等挑战。RAG 框架能有效应对这些挑战：

✅ RAG 的基本流程

在一个基本的 RAG 框架中，有三个核心步骤：

步骤一：检索 → 以用户的请求查询外部信息源，通过不同的检索和排序技术获取与用户请求最相关的信息。

步骤二：增强 → 将检索到的信息、用户的请求、提示词模板（prompt）等拼装成符合 LLM 格式的完整提示词。

步骤三：生成 → 将完整提示词传递给 LLM，根据用户请求生成响应。

例如，在一个 AI 产品客服场景中，当用户询问“如何修改账号信息”时，由于 LLM 预训练中不包含该产品特有的知识，系统会使用该问题在该产品的帮助手册中进行检索，通过匹配关键词（全文检索）和匹配语义相似度（向量检索）的方式找到最相关的知识片段。这些知识片段与答案生成的指令整合后，发送给 LLM，来生成该问题的答案。

03｜快速搭建智能客服应用

搭建应用前，需要明确两个问题：知识的来源、知识的类型，以及客服问答中预期的回答要求。

✅ 第一步：明确知识来源

• 问答机器人迁移： 如果在过往已经搭建过并且有在运营中的问答机器人，一般都已经收集和整理了大量常见问题的标准问答对（FAQ），可以作为初步的知识来源导入到 Aily 知识问答中。
• 知识文档导入： 同时，也可以将更多相关的帮助手册、说明文档作为知识导入，RAG 框架以及 LLM 对自然语言的理解和推理能力，能够更好地对长尾问题进行推理和回答，降低知识维护的成本。

✅ 第二步：明确客服问答期望

在搭建过程中，需要明确所期望的问答生成结果有哪些要求，

例如：

› “我需要服务台能够根据用户问题的语言回复，并显示引用了哪些文档，同时标明回答是 AI 生成”

› “智能客服最好能够用较为友好的语气回答，并且输出一些 emoji”

› “每次的输出必须长且详细”

✅ 第三步：知识问答 - 搭建步骤

当明确了知识来源和问答期望后，我们就可以开始在 Aily 上搭建应用了。

• 创建问答应用 首先进入 Aily 平台首页 aily.feishu.cn，点击「创建应用」，并选择「知识问答」模式创建应用。

• 添加知识来源 你可以在应用对话设置的首页，或在知识问答模块下管理知识来源。

• 添加飞书云文档： 你可以选择两种模式。直连，它能定期自动与云文档同步更新，但无法展示图片，且权限遵循文档本身；或是 导入，这是一种高级切片模式，支持检索文本、表格、图片等内容，但权限需在 Aily 中重新分配。操作时，在「添加数据」中选择「飞书云文档」，根据需要选择「仅接入当前文档」或「文档及子节点」，再选择模式。

• 添加本地文档： 也可以选择本地文档上传，系统会智能切片解析文档中的文本、图片、表格等内容，供回答生成时使用。

• 配置常用问答对 (FAQ)： 你可以将问答对保存在飞书云文档中导入，也可以逐条添加。操作时，在「标准问答库」中添加「相似问题」和标准答案。在管理页面右上角，可开启或关闭 「标准问答对拦截」 开关。开启后，会优先匹配并直接回答 FAQ；关闭或未匹配成功，FAQ 也会作为普通知识被召回。

• 配置问答规则

• 调整回答预期、长度、语言： 在「全局规则」中，可调整「结果生成指令」（约束语气、格式等），「配置模型」（选择合适的 LLM），以及「语言和长度」（明确输出语言和详略）。

• 添加 AI 生成提示： 如果需要，可以开启此项，并用 Markdown 格式编辑每次 AI 回复时附加的声明文本，如“本答案由AI生成”。

• 配置拒答话术： 当 AI 无法回答时，你可以在「对话」主页的「备用回复设置」中编辑兜底回复内容，此设置支持双语。

• 配置结构化数据问答 Aily 也支持进行基础的结构化数据问答。

• 导入结构化数据： 在「数据与知识」中导入在线或本地表格。对于 Doubao-32K 模型，使用「普通模式」能更好保证效果。（注：目前已不支持 MySQL、Clickhouse 等外部数据源添加。）

• 对数据表进行配置

-- 导入后，为数据表和各字段填写简洁清晰的描述，或使用 AI 智能生成描述，以帮助模型理解。

-- 或使用 AI 智能生成描述，以帮助模型理解。

• 补充数据分析规则： 在「规则中心」的「数据分析配置」模块下，可开启数据分析功能、是否生成数据洞察，以及补充 SQL 生成规则等。

好了，到这里我们就完成了一个智能客服应用的初始配置。

04｜智能客服应用的调优与运营

应用初步搭建完成后，需要根据业务场景和需求，进行评测和针对性地优化。整个过程可以分为三步：

→ 明确目标： 首先要明确上线的目标，例如拦截正确率达到85%以上。

→ 批量评测： 其次对问答进行批量评测，以分析问题。

→ 持续调优： 最后批量进行调优，达到目标后发布应用。

✅ 第一步：效果评测

• 评测的重要性

对于一个基于LLM的应用，「单条手动测试-发现问题-优化-进一步测试」的循环难以帮助开发者验证整体效果。考虑到知识的完整性、生成式AI的特性、模型的推理能力、指令遵循能力等多种因素，RAG框架+LLM的应用通常都会制定一个明确的上线目标（如拦截率或正确率），通过小批量数据进行批量评测和打分，从而评估整体效果。Aily的评测模块正是为此而生。

• 启动评测

→ 收集评测集： 根据目标场景收集问题，这些问题可以从知识库人工设计，也可以从已有的问答机器人等其他系统收集常见问题。

→ 创建评测集： 在「评测」模块中，通过上传一个Excel文件导入问题。文件中只需要一个数据列「Query」。

→ 开启评测： 在评测集详情页点击「开启评测」，选择「知识问答」和「开发环境」。系统会在后台执行任务，执行完成后会发送系统提示，你也可以直接在「评测日志」中查看。

• 导出分析

评测任务完成后，点击「评测日志」，导出本次评测结果。建议将结果导入到多维表格中，按需进行人工评估和打分，统计问题类型。

✅ 第二步：使用调优台进行优化

• 调优台的作用

大模型的输出具有不确定性。为此，Aily平台提供了一套运行可视化与多阶段可调优的工具，帮助应用管理者更精准地调整和优化AI的行为。在「结果调优」工具中，用户可以观察到AI的执行步骤，检查各个步骤的结果是否符合预期，并在不符合预期时应用调优手段进行干预。

• 调优台步骤详解 从评测结果中找到不满意的例子，在对话中输入该问题，然后点击回答下方的「结果调优」即可进入。

→ 意图识别和召回： 此处展示「术语」和「问题改写」的结果。术语是作为额外补充的上下文，供LLM学习如何回答特定概念；问题改写则是在多轮对话中，为AI补充用户问题中省略的名词或指代。

→ 数据检索和处理（非结构化）： 此处展示本轮对话的查询方式、知识检索参数（如召回片段数，调高可增加完整性，调低可要求更相关）、以及具体召回的文档和知识片段详情。注：召回阈值目前已不支持配置，由模型自动判断。

→ 数据查询和处理（结构化）： 当命中「数据分析」时，此处展示检索到的数据表和生成的SQL语句。注：Doubao 32K目前仅支持单表且一组SQL可完成的查询。

→ 生成结果与保存用例： 查看AI最终输出的完整结果，并可将优化后的案例保存为调优用例。

• 按需调优实战

→ 问题：知识存在，但未被召回？

• 参数调整： 在「数据检索和处理」中「去调整全局参数」，增加「召回的数量」。例如Aily平台提供的Doubao-32K模型，可以满足配置到最大切片数量20个。

查看当前的召回数量

在调优台进行修改

调高切片数量增加完整性

重新运行后得到结果

• 直连文档召回测试： 该方法仅在用户对云文档有导入权限时可用。将被怀疑未召回的文档用“导入”模式添加，看能否召回，以判断是否为直连或权限问题。

选择应召回但未召回的文档

选择导入模式添加文档

在对应的文档内进行检索

查看是否能够正确召回

• 添加常用问答对： 如果确认知识已添加但仍未出现，则补充为FAQ，同时也可以补充一些相似问题。

在调试界面中选择提取标准答案

补充FAQ和常见问题

重新提问，召回的FAQ作为正确知识片段

→ 问题：知识已召回，但回答错误或拒答？

• 检查知识片段： 查看被召回的错误片段是否包含了错误的知识。

• 补充术语： 为公司黑话、专有名词添加解释，指导AI正确回答。补充「术语」和补充「知识」不同：术语主要用于指导AI如何回答特定名词或实体（如规避或详述），而知识是事实描述本身。

在调优台中选择补充术语

添加术语并开启

查看术语召回和回答的效果

• 调整指令： 根据需要，在结果生成指令中补充更详细的规则，例如：“希望事实类问题能尽量选用一个知识片段，而流程性问题可以综合分析；希望回答时能够保留原有的图片和链接；希望能够对用户的负面情绪进行安抚”等等。

→ 最后，如果答案仍然不对？ 此时可以通过「提取标准答案」，并修正标准答案来解决，还可以通过「智能生成相关问题」扩展更多相似问来提升匹配。但理论上，不推荐一开始就用标准问答对解决所有问题，因为它解决问题相对单点，而调整知识或指令可能对更大范围产生影响，且标准问答对的维护有额外成本。推荐只维护一些关键的、高频的问题。

✅ 第三步：持续运营

• 发布应用上线 完成调优并达成预期效果后，点击「发布应用」，完成渠道配置。注意，要为用户配置相应知识的访问权限（尤其是本地导入的文档）。

点击「发布应用」

选择渠道等配置项

针对飞书机器人的群聊配置

注意，要为用户配置相应知识的访问权限（尤其是本地导入的文档）。

• 维护评测集 定期评测，并通过运行日志收集更多线上真实的用户问答，补充到评测集中。

• 维护知识 直连的飞书云文档会自动定时更新。本地或导入的文档知识需定期维护。

• 自动生成 FAQ 定期使用 Aily 的聚类功能，在「标准问答库」中「智能生成问答对」，将高频问题快速转化为新的标准问答。

在「知识问答」-「标准问答库」中选择「智能生成问答对」

根据系统提供的模板导入想要聚类的问答对

等待生成后，检查生成结果，选择需要导入的问答对

确认添加问答对

小结｜不止于问答，更是智能服务闭环

总的来说，这篇文章详细拆解了利用Aily搭建、调优及运营一个高质量智能客服的全过程，其核心价值体现在以下几个方面：

✅ 精准回答的核心：RAG架构 其根本是先进的RAG（检索增强生成）架构，它让AI能够真正学习并运用企业的专属知识库（如飞书文档、表格），摆脱了通用模型的知识局限与“幻觉”问题，确保每一个回答都有据可循，精准可靠。

✅ 系统化的调优闭环 文章展示了从“搭建”到“上线”并非一步之遥，关键在于一套科学的优化流程。Aily不仅提供了便捷的应用搭建，更提供了一套从批量评测到精细化“调优台”的完整工具链，让优化过程不再是“玄学”，而是有据可依的工程实践。

✅ 低成本的持续运营 通过自动化知识同步（连接飞书云文档）和智能FAQ生成等功能，极大地降低了知识库的长期维护成本。这使得智能客服能够真正地“活”起来，随着企业知识的更新而持续迭代、不断进化。

最终，它交付的不仅是一个聊天工具，而是一套让企业能自主掌控、效果可衡量、并能持续优化的智能服务能力。

📌 从阅读到实践，我们与你同行

今天的分享暂告一段落。

我们深知，将一个系统化的方法应用到具体工作中并非易事。希望你能大胆尝试，持续迭代，亲手打造出解决你真实痛点的业务系统。

这条路你不是一个人在走。实践中若有困惑或心得，欢迎在评论区分享，我们更诚邀您根据自己需求通过以下方式加入幻象AI智能体共学社区系列社群，与更多优秀的实践者一同成长。

社群里每天都有无数新想法，但99%都止步于畅聊。 如何成为那1%的行动派，让好想法真正落地？

公众号置顶文章，说透了我们“从想法到现实”的完整路径和方案。点击了解详情 👉《关于我们的共学社区和398元永久会员，想和你聊些实在的》

🎉 周年庆福利：会员权益即将升级！

值此团队成立一周年之际，为回馈广大会员的支持与厚爱，我们计划将于 今年8月 对会员权益进行重要升级。具体更新如下

✍️ 社群小公约

为了保障高质量的交流环境，群内禁止未经许可的广告，尤其禁止无官方认证的AI课程、考证等信息。违规发布者将被移出群聊，感谢大家的理解与配合。

期待你的加入！在群里，我们不止分享方法，更希望链接每一位有趣的思考者。

写在最后

几十年来，企业的知识被固化在无数的文档、表格和系统中。它们是最宝贵的资产，却也常常是最沉默的资产，难以被实时、准确地调用。

Aily智能客服的实践，其意义不止于搭建一个“机器人”。它实际上是给了企业一种“唤醒”这些沉睡资产的能力。通过RAG架构，将静态的知识文档，转化为动态的、可对话的服务能力。

更重要的是，它重塑了人与知识的协作范式。从搭建、评测到持续调优的每一步，都体现了业务专家与AI的深度协同。我们不再仅仅是知识的“生产者”，更是AI能力的“训练师”和“运营者”。一个好的客服应用，正是在这种持续的反馈和优化中，与业务一同成长、变得越来越好。

这不仅是效率的提升，更是一种核心能力的再造。当知识能够被如此轻松地激活和应用时，企业服务的边界也将被重新定义。

如果这篇内容对你有启发，欢迎点个【赞】、【在看】或【转发】支持一下；也可以加个星标 ⭐，第一时间收到更多实战案例。

最后，我们为你梳理了今日值得关注的AI动态和社区动态，希望给你带来新的启发。

感谢你的阅读，我们下次再见 👋