每天都有大量业务问题发生在 QQ 群里。
客户问：
这票什么时候截单？
这个费用为什么比上次高？
报关资料还缺什么？
柜子什么时候能提？
目的港有没有产生额外费用？
很多时候，公司里的老客服、业务骨干已经给出了非常专业的回答。
但问题是：
回答完，这些经验也就留在聊天记录里了。
第二天，换一个客户问同样的问题。
员工还是要重新回答一次。
换一个新人接手这个客户。
同样的问题可能又要重新问老员工。
久而久之，企业每天都在产生大量有价值的业务知识，却没有真正把它们留下来。
所以，在完成 QQ 群会话存档和QQ 群绩效考核之后，立刻智能体继续向前走了一步：
从真实客户沟通中学习，把好的回答逐渐沉淀成企业知识。
这就是 QQ 群知识学习。
不是把所有聊天记录都塞进知识库
QQ群每天产生的聊天内容非常多。
如果简单粗暴地把所有消息都放进知识库，很快就会出现新的问题。
有些回答只是临时处理。
有些回答并不完整。
有些内容只针对某个客户。
还有些员工回答本身可能就是错误的。
所以，知识学习的第一原则不是：
“有聊天记录就学习。”
而是：
“先判断这是不是一个值得学习的回答。”
这也是为什么 QQ 群知识学习会依赖前面提到的绩效评分。
系统会优先从已经完成绩效分析的客户议题中，寻找质量较高的回答作为知识候选。
换句话说：
绩效考核先判断回答得好不好，知识学习再决定这个回答值不值得留下来。
85 分进入人工审核，95 分可以自动入库
为了避免把低质量回答直接沉淀成企业知识，立刻智能体可以根据绩效分数设置不同的知识学习策略。
例如：
达到 85 分的优质回答
可以进入知识候选池，由人工进一步审核。
管理员或者知识负责人可以看看：
这个回答是否准确？
是否具有普适性？
是否需要调整表述？
是不是只适合某个特定客户？
确认没有问题之后，再正式沉淀到知识库。
而对于质量更高的回答，例如：
达到 95 分
企业还可以选择开启自动入库。
也就是说，对于已经被系统判断为高质量、并满足相应条件的回答，可以进一步减少人工审核步骤，让知识自动沉淀。
不过，这项能力默认建议保持关闭。
因为企业知识一旦被后续 AI 使用，影响的就不再只是当前这一轮聊天。
它可能影响以后更多客户的答案。
因此更稳妥的方式通常是：
先人工审核，再逐步放开自动学习。
等企业自己的评分规则、知识管理规则和客服服务口径都已经比较稳定之后，再考虑提高自动化程度。
一段群聊里有好几个问题，也可以分别学习
真实的 QQ 群聊天并不会像标准问答数据一样整整齐齐。
客户不会总是：
问一个问题。
等回答。
再问下一个问题。
更常见的情况可能是：
客户 A 在问船期。
客户 B 插进来问费用。
同一个客户又突然补一句报关问题。
客服一边回答船期，一边又在解释账单。
另外一个员工再补充拖车安排。
结果一段聊天里面同时混着多个话题。
如果把整段内容当成一个知识学习，很容易把几个问题和答案混在一起。
所以，立刻智能体增加了多线程知识拆分能力。
系统可以结合聊天上下文，尽可能识别一段议题中实际包含的不同话题。
例如原本一个大的聊天议题，可以进一步拆成：
“船期查询”
“截单时间”
“费用确认”
“拖车安排”
然后分别提炼。
每一个话题都可以独立形成自己的：
问题 → 回答 → 知识候选
而不是把所有聊天内容强行拼成一条知识。
目前单个议题最多可以进一步拆分为 8 个话题。
这样更适合 QQ 群这种多人、多问题同时发生的真实沟通场景。
QQ 群知识学习，有一个非常重要的特殊规则
这里有一个问题特别值得注意。
在 QQ 群里，立刻智能体机器人本身就可能承担大量回答工作。
而机器人的回答通常又来自现有知识库。
那么就会出现一个潜在风险：
知识库里原来有一条知识。
↓
机器人根据这条知识回答客户。
↓
系统发现这个回答质量很高。
↓
又把机器人的回答学习回知识库。
↓
以后机器人再基于这条新知识继续回答。
如果不做限制，就可能形成：
AI 回答 → AI 学习 → 再回答 → 再学习
这种循环。
时间一长，同一条知识可能被反复改写、重复沉淀，甚至逐渐偏离最初的业务口径。
所以 QQ 群知识学习会做一层特殊控制：
只有被考核员工实际介入过的议题，才进入知识学习范围。
也就是说，如果整段客户沟通完全是：
客户提问。
机器人自动回答。
员工没有参与。
那么即使机器人的回答很好，也不会简单地再次蒸馏回知识库。
只有当真实员工参与了这轮服务，例如进行了：
补充。
纠正。
解释。
完善。
或者直接提供了新的业务答案。
这段议题才具有进一步学习的价值。
这样做的核心目的就是：
让 AI 学的是人的新经验，而不是反复学习自己原来已经会的内容。
这一点也是 QQ 群知识学习和普通聊天记录转知识之间非常重要的区别。
客户发的是图片，也可以成为知识来源
真实业务交流里，还有大量问题并不是通过纯文字提出的。
比如客户发来：
一张账单截图。
一张提单截图。
一张船期表。
一个报关资料页面。
然后只补一句：
这个怎么填？
如果只读取文字消息，就很难知道客户到底在问什么。
所以在 QQ 群会话存档过程中，图片内容也可以通过识别转换成文字信息。
当这些内容进入知识学习流程之后，系统可以结合：
图片识别结果 + 客户文字 + 员工回答
还原这次实际咨询。
例如：
客户发了一张账单截图。
图片识别出：
Documentation Fee USD 75
客户问：
这个费用是什么？
客服解释：
这是文件费，通常由目的港代理收取，具体以目的港账单为准。
这样一轮真实的图文咨询，就有机会进一步被整理成：
“Documentation Fee 是什么费用？”
以及对应的标准回答。
所以知识学习并不一定只来自纯文字问答。
一些常见的：
截图咨询、单据咨询、账单咨询
同样可以逐渐沉淀下来。
学进知识库以后，也不是永久不变
知识最大的风险之一，就是：
以前是对的，以后不一定还对。
比如：
船公司规则发生变化。
报关要求发生调整。
业务流程改变。
某项费用标准变化。
产品功能已经升级。
如果知识永远留在知识库里，就可能出现：
三年前的答案，今天 AI 还在继续使用。
所以，立刻智能体在知识管理里引入了 TTL，也就是知识有效期的概念。
企业可以为知识设置一定的生命周期。
如果某条知识长期没有被使用、引用或者验证，它可以在到期后自动进入归档状态。
反过来，如果一条知识一直在被真实业务持续使用，而且不断被引用，它的有效期也可以继续延长。
可以简单理解成：
长期没人用的知识，逐渐退出。
持续有价值的知识，继续保留。
这样知识库就不只是不断往里面增加内容。
它也会随着真实业务使用情况持续进行新陈代谢。
不只是发现“好知识”，还要发现“缺知识”
知识学习还有另外一个很重要的方向：
不是每一次聊天里都有好答案。
有时候客户问了一个问题。
机器人不知道。
转人工。
有时候员工回答之后，客户仍然明显不满意。
有时候甚至产生投诉。
还有一些问题长时间没有得到有效处理。
这些聊天看起来“不适合学习”。
但从企业管理角度来看，它们反而非常有价值。
因为这些情况都在告诉企业：
这里可能存在知识缺口。
例如某一类问题频繁出现：
机器人总是转人工。
员工回答口径也不统一。
客户经常追问。
甚至产生投诉。
那企业真正应该关注的可能不是：
“这一次为什么没答好？”
而是：
“我们的知识库里，是不是根本缺了这一类知识？”
因此，对于一些典型情况，例如：
转人工。
投诉。
明显负面反馈。
长时间未解决。
系统可以进一步将其识别为潜在的知识缺口。
这样知识库建设就不再完全依赖管理员自己想：
我们还应该录什么知识？
而是可以从每天真实发生的客户问题里反过来发现：
客户正在问什么，而我们的 AI 还不会什么。
这其实比单纯不断增加知识更加重要。
学错了，也可以回滚
自动学习能力越强，企业越需要保留纠错空间。
即使一个回答绩效分很高，也不能保证它永远适合作为企业标准答案。
例如：
员工当时处理的是特殊客户政策。
某个回答有特定上下文。
后续发现知识表述不够准确。
或者业务规则后来发生了变化。
所以立刻智能体会保留相应的知识学习记录。
企业可以追溯：
这条知识是什么时候产生的。
来自哪一次实际会话。
经过了什么学习过程。
最终形成了什么内容。
如果后续发现有问题，也可以进行修正，必要时进行回滚。
这样知识学习就不是一个：
“AI 学进去以后就再也管不了”
的黑盒。
而是一套：
有来源、有记录、可检查、可修正
的知识沉淀过程。
QQ 群知识学习，需要什么条件？
QQ 群知识学习并不是一个独立运行的功能。
它前面实际上已经依赖了两层基础能力。
第一层是：
QQ 机器人与会话存档。
系统首先需要知道客户和员工之间发生了什么。
第二层是：
QQ 群绩效考核。
系统需要先判断：
哪些回答质量比较高。
哪些议题值得进一步学习。
在此基础上，知识学习才能继续完成：
筛选 → 拆分 → 提炼 → 审核 → 入库
QQ 群知识学习属于立刻智能体旗舰版相关能力，具体开放范围以实际套餐配置为准。
对于刚开始使用这项功能的企业，建议先保持人工审核机制。
定期抽查系统产生的知识候选。
确认：
业务口径是否正确。
表达是否符合企业要求。
是否存在只适用于个别客户的内容。
等运行一段时间之后，再逐步提高自动化程度。
会话存档、绩效考核和知识学习，其实是一条完整链路
看到这里，就可以把前面三篇文章串起来了。
第一步：
会话存档解决的是：发生了什么？
先把 QQ 群里每天产生的客户沟通完整留下来。
第二步：
绩效考核解决的是：这次服务做得怎么样？
从响应速度、服务态度、准确性、完整性和合规等角度分析服务过程。
第三步：
知识学习解决的是：这次沟通里，有没有值得以后继续使用的经验？
把优秀员工在真实业务中给出的好答案进一步提炼出来。
于是，一段原本只存在于 QQ 群里的聊天：
客户提问 → 员工回答
开始变成：
客户提问 → 会话存档 → 绩效分析 → 优质回答筛选 → 知识审核 → 企业知识库
下一次，再有另外一个客户问相同或者类似的问题。
立刻智能体就有机会直接使用已经沉淀下来的企业知识进行回答。
企业真正需要的，不只是一个“越来越大的知识库”
过去建设知识库，通常依赖人工整理。
管理员要先想：
客户可能会问什么？
再找员工整理答案。
然后一条条录进去。
这种方式当然仍然有价值。
但它永远存在一个问题：
你认为客户会问的问题，不一定就是客户真正每天在问的问题。
QQ群知识学习提供了另外一种知识建设方式。
不是坐在办公室里猜客户会问什么。
而是直接回到每天正在发生的真实客户沟通里：
看看客户到底问了什么。
看看优秀员工怎么回答。
看看哪些问题总是答不好。
看看哪些知识一直没人使用。
然后让知识库随着真实业务一起变化。
好的回答留下来。
过时的知识逐渐退出。
缺失的知识被发现。
错误的知识可以回滚。
这时候，企业知识库才开始从一个静态的“资料仓库”，逐渐变成一套能够随着业务持续更新的知识体系。
而这也是立刻智能体 QQ 群能力继续向前的一步：
让每天发生在客户群里的好经验，不只解决这一次问题，也能够帮助下一次回答得更好。