# QQ 群里的好回答，怎样沉淀成下一次的标准答案？

来源: https://www.likelic.com/blog/qq-group-knowledge-learning.html

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。**