# 群聊里的好回答，怎样变成下一次的标准答案

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

货代客服每天都在企业微信群里回答大量问题
--------------------

有些回答其实已经很好了：

> 这种情况需要先确认船司是否接受改单，再根据截单时间判断是否会产生额外费用。

但问题是，这句话如果只留在聊天记录里，下次另一个客户再问：

**还得重新回答一遍。**

立刻智能体旗舰版的 **「知识学习」**，就是把这些已经在一线验证过的优质问答，进一步整理成可以反复使用的知识。

简单理解：

**一线回答 → 绩效评分 → 优质内容筛选 → 蒸馏成知识 → 写入知识库。**

先从“回答得好的对话”里挑知识
---------------

知识学习并不是把群聊全部自动塞进知识库。

它依赖企微绩效产生的考核结果，从已经评估过的议题里筛选优质候选。

页面主要分为四块：

1.  规则设置
2.  优质候选
3.  知识缺口
4.  学习记录

优质候选、知识缺口和学习记录默认查看近 7 天，也可以按考核群过滤。

这样企业可以先看：

**哪些回答值得沉淀，哪些问题还没解决好。**

85 分进入复核，95 分可以自动入库
-------------------

知识学习提供两个比较关键的阈值。

默认情况下：

**质量分 ≥ 85 分**

可以进入人工审核候选。

而：

**质量分 ≥ 95 分**

在企业主动开启“自动通过”之后，可以直接完成知识入库。

需要注意的是：

**自动通过默认关闭。**

这意味着系统更鼓励先由人工看一遍，再决定是否把一线回答变成企业标准知识。

对于费用、政策、操作规则这类内容，这种方式会更稳妥。

群聊多人插话，也可以拆成多个知识点
-----------------

真实的企微群并不是标准的一问一答。

经常会出现：

一个客户问两个问题，

客服连续解释，

中间还有其他同事插话。

如果整段对话只生成一条知识，很容易太长、太杂。

因此知识学习可以开启：

**多线程知识拆分。**

开启后，系统会先按话题拆分，再分别蒸馏知识。

单个议题最多可以拆成 **8 个话题**。

例如原来一段群聊同时讨论：

**改单费用、截单时间、补料要求**

最终可以分别整理成三个独立知识点。

如果企业的对话本身比较简单，也可以关闭这个功能，保持“一议题一条知识”。

客户甩一张截图，也能进入学习范围
----------------

货代群里很多问题不是纯文字。

例如客户先发：

> \[报关单截图\]

再问：

> 这里为什么退单？

在相关采集场景下，图片消息可以识别成文字并进入转写。

因此，这种“看截图答问题”的服务过程，也有机会进入后续的知识学习流程。

这样企业沉淀的就不只是标准文本问答，也包括一线真实业务中常见的图文咨询。

好知识不是永久不变的
----------

知识学习还有一个很有意思的机制：

**知识 TTL。**

企业可以设置知识多久没有更新后自动归档停用。

原因很简单。

货代行业很多规则都会变化：

船司要求会变，

操作流程会改，

政策也可能更新。

一条几年没人用、没人维护的知识，不一定还应该继续回答客户。

但如果某条知识持续被 AI 回答实际引用，

系统会自动为它续期。

规则可以理解成：

**命中日期 + TTL。**

同一条知识每天最多自动续期一次。

于是经常被实际使用的知识会自然保留下来，

长期没人引用的内容则更容易进入归档。

不只学习“好答案”，也会找“知识缺口”
-------------------

知识学习还有另一半价值：

**发现企业不知道什么。**

例如群聊中频繁出现：

1.  转人工
2.  客户投诉
3.  负面反馈
4.  回复超时

这些并不会直接被当成标准答案写进知识库。

系统更适合把它们作为：

**知识缺口。**

例如发现客户反复询问某项费用，但 AI 和客服都没有稳定回答，

那就说明企业可能需要补一条：

**费用说明知识。**

所以知识缺口解决的不是：

“这句话要不要入库？”

而是：

**我们是不是缺了一类知识？**

学错了，还可以回滚
---------

知识学习并不是单向操作。

学习记录中可以查看已经进行过的知识学习结果，并支持回滚。

如果后续发现：

某条知识不应该入库，

口径已经变化，

或者蒸馏结果不够准确，

可以回到学习记录进行处理。

即便开启了自动化，企业仍然保留后续修正空间。

它真正形成的是一个知识闭环
-------------

如果把企微绩效、知识学习和知识库放在一起看，流程其实很清楚：

**客户在群里提问**

↓

**客服或 AI 回答**

↓

**企微绩效判断服务质量**

↓

**高分回答进入知识学习候选**

↓

**人工复核或自动通过**

↓

**写入知识库**

↓

**下一次 AI 可以直接使用**

与此同时，

投诉、转人工、超时等问题又会变成：

**知识缺口**

提醒企业继续补知识。

于是知识库不再只是上线前人工整理一次。

而是可以随着真实客户服务不断更新。

使用前提
----

知识学习目前属于：

**旗舰版能力。**

同时依赖：

**企微机器人 + 企微绩效考核数据。**

如果没有考核群产生的绩效数据，就没有高分议题可以继续蒸馏。

知识入库后，也仍然建议企业定期抽查，确保最终对客口径正确。

最后
--

过去企业知识库常见的建设方式是：

**坐在办公室里想客户可能会问什么。**

而知识学习提供了另一种思路：

**直接从客户真正问过、员工真正答过的问题里学习。**

回答得好的，沉淀成下一次的标准答案。

回答不好的，变成知识缺口继续补。

这样知识库才会从一份静态资料，

逐渐变成一套随着真实服务持续成长的企业知识。

### 相关链接

1.  [知识学习](https://agent.likelic.com/help?a=wework-knowledge)
2.  [企微绩效](https://agent.likelic.com/help?a=wework-qa)
3.  [知识库管理](https://agent.likelic.com/help?a=knowledge-base)
4.  [套餐与升级](https://agent.likelic.com/help?a=plans)