从“按 1 选产品”到“看懂这句话”
最早的自动接待是规则型的：客户按 1 查价格、按 2 查库存，走固定菜单。它的优点是确定，缺点也明显——客户的问题只要稍微拐个弯，它就接不住。
知识库驱动的 AI 接待补上了这块：你把人设、产品资料与问答对喂进去，它按知识作答，而不是按菜单跳转。但两者不是替代关系：高频、确定的问题交给规则最快；开放、需要解释的问题交给 AI。
更稳的分工是“分层”：第一层规则负责即时确认——收到、稍后回复、常见指令；第二层 AI 负责解释与追问；第三层人工负责决策与承诺。三层各司其职，比任何单点方案都可靠。
- 规则适合：营业时间、地址、订单号查询这类有标准答案的问题；
- AI 适合：规格解释、方案对比、多轮追问这类需要“聊下去”的问题；
- 两者共同的前提：资料准确、边界清楚、有明确的人工出口；
- 共同的目标：让客户在最短时间内得到准确回应，而不是去分辨“是人还是机器”。
客户在问什么：五类常见意图
做 WhatsApp 智能意向识别，先看海外买家的消息——大多数可以归入五类意图。识别它们的信号并不复杂，难的是每一类的应答方式不同：
左右滑动查看完整表格
| 意图 | 常见信号 | 怎么答 |
|---|---|---|
| 问规格 | 参数、认证、型号对比 | AI 按知识库作答，附资料链接 |
| 问价格 | 价格区间、折扣、付款方式 | 只给区间，细节与承诺转人工 |
| 催样品 | 寄样时间、物流、费用 | 查记录后回复进度，异常转人工 |
| 催订单 | 发货、单号、交期 | 按查询结果回复，避免过度承诺 |
| 售后问题 | 退换、投诉、质量问题 | 立即转人工，AI 只负责接住 |
| 合作咨询 | 经销、代理、OEM 意向 | AI 先记录关键信息，再转给对应负责人 |
把这张表交给 AI 的方式，就是在人设里写清楚：哪些问题直接答、哪些问题只给范围、哪些必须转人。规则写得越具体，回答就越稳定，客户的等待也越短。
识别意图还有一个实用的办法：看客户接下来的动作。愿意给出数量与目标市场，说明进入了采购流程；只反复问价、不给任何信息，多半还在比价阶段。状态不同，回复的重点也该不同——前者快给方案，后者先给依据。这也是 AI 语义识别客服与关键词规则的差别：前者看语境，后者只看命中。
AI语义识别客服如何读懂海外买家索样、砍价、比价与催交期真实意图？同一句“价格还有空间吗”可能是在比较供应商，也可能已经接近下单。把前文提到的数量、用途和时间一起纳入理解，再用一个简短问题确认缺失条件，回复才能接近客户真正想推进的事情。
议价场景：只给区间，把承诺留给人
议价是最容易出错的环节——外贸客户议价分析做得好不好，就看这里：AI 一旦给了具体折扣或交期承诺，收不回来的是真金白银和信用。稳妥的做法有三条：
结合型号、数量、预算和此前沟通，确认真正需要解决的问题。
- 不清楚产品差异补充具体产品依据
解释已核实的参数、配置和差异，避免泛泛强调性价比。
- 希望调整价格或条件由销售核对商务条件
确认数量和报价版本，折扣与交期交给有权限的人决定。
- 对已有服务不满交给负责人处理
保留原话与问题背景，按争议处理安排人工接待。
意图判断是协助理解问题，不能代替客户确认，也不能据此自动承诺折扣。
还有一个常见误区：把“议价”当成话术问题。客户压价时最需要的其实是“比较的依据”——配置差异、交期保障、售后范围。把这三样写进知识库并附上对比资料，比任何“反击话术”都有效。
- 先给区间
按人设只回复价格区间与起订量，并说明“具体方案由负责人确认”。
- 再给价值
把讨论从价格引到价值：交期稳定性、售后、定制能力——这些写进知识库。
- 超出就转人
客户的目标价低于授权范围、或要求特殊账期时，自动标记并转给对应销售。
- 报价走单据
正式报价用报价单发送：行项目、税费与有效期一清二楚，客户可在线接受或拒绝。
外贸客户议价分析：结合AI情绪与意图识别为业务员提供高转化回复草稿。草稿先承接客户的关注点，再给有依据的选项，例如不同数量对应的条件或可以继续确认的交付安排。业务员检查金额与承诺后发送，既保留对话的温度，也让议价继续围绕真实方案展开。
让 AI 帮人工接得更好
AI 的价值不止“自动回复”，还包括“辅助回复”。在会话里，它可以基于最近的消息为你起草建议回复，人工编辑后发出；常用短句则沉淀为快捷回复，一键插入。
- 查记录：用自然语言让助手查客户历史——“Priya 上次报价是多少”；
- 做汇总：生成客户简报，交接前读一遍就够；
- 辅助操作：创建商机、生成报价、登记收款——每一步执行前都会请求确认；
- 留痕：所有改动写入操作日志，谁在什么时候做了什么，随时可查。
这里有一条设计原则值得理解：助手可以理解意图、准备动作，但“改变数据”的每一步都需要人工确认。它更像一位查得快、记得准的助理，而不是替你签字的代理人。把识别结果沉淀为智能 CRM 标签，是让下一次接待更快的方式——前提同样是先确认再写入。
助手的作用范围仅限当前工作区，切换工作区时能力随之切换。这意味着即便助手理解错了指令，你也能在确认环节拦住它，并在操作日志里找到原因——用工具的前提，是它始终“在围栏里”。
智能CRM标签与AI SDR线索评分：自动将高意向买家排在跟进最前列。将已经确认的需求整理成标签，再结合 SDR 评分安排跟进顺序。高意向买家应当有明确的负责人和下一步任务，信息仍不完整的线索则继续补充；优先级只有落到日常工作中才会产生实际价值。
复盘：哪些答得好，哪些必须人
- 转人工比例：转人工集中的话题，就是知识库下一步要补的内容；
- 规则触发统计：被问得最多的关键词，应该出现在知识库的前排；
- 兜底次数：兜底话术被使用的频率，反映知识覆盖的缺口；
- 对话抽查：每周读十条实际对话，检查 AI 有没有越界承诺；
- 案例沉淀：把处理得好的对话存成范例，新人培训时直接拿来用。
抽查时重点看三种情形：AI 是否给过具体承诺、是否把该转人工的对话留住、转人工之后客户是否在重复描述问题。三种问题分别指向人设、触发条件与会话上下文的改进。把这些记录汇总起来，就是最朴素的 WhatsApp 聊天分析。
把复盘结论写回人设与知识库，助手的进步就变成了团队的积累——下一个新人接手时，他面对的是一个越来越完整的接待体系——这也是“团队能力”真正沉淀的地方。
WhatsApp聊天分析：从海量对话中提炼客户高频异议反哺产品知识库。每周挑出反复出现的疑问，例如交期、认证或售后范围，核对现有资料是否解释清楚。把验证过的答案补入知识库，再观察下一轮对话是否少了相同追问，让聊天记录逐渐帮助团队改进产品表达。
场景走一遍：一条砍价对话的处理
看看一句“太贵了”会被怎样一步步接住（细节为合成示例）：
- 客户发问
“你们这个价格太高了，隔壁家便宜两成。”
- AI 接住
按知识库回复价格区间与配置差异，说明低价方案的存在条件，不承诺额外折扣。
- 识别转人
客户继续压价并提到具体目标价，触发“超出授权范围”的转人工条件。
- 人工接手
销售在统一收件箱看到完整对话与客户标签，直接接上：先确认需求，再讨论方案。
- 正式报价
双方谈拢后发送报价单；客户在线接受，流程继续走向样品与订单。
- 复盘归档
把这次议价的处理写进知识库案例，下次遇到同类问题不用再临场判断。
整个过程里，AI 没有“猜情绪”，也没有“讨价还价”：它做的是把信息给全、把边界守住、把对话稳稳地交到人的手里。
常见问题
问：AI 真能“感觉”到客户在生气吗？
答：与其说“感觉”，不如说“识别信号”：抱怨词、重复追问、否定表达，都可以作为转人工的触发条件。重点不是判断情绪，而是让可能升级的对话尽快见到人，比试图分辨情绪更有效。
问：客户发现是机器人会更生气吗？
答：生气通常来自“答非所问”，而不是机器人本身。开场说明“智能助手先接待、随时可转人工”，再加上及时的转接，客户体验反而更好——他们真正在意的是问题有没有被解决；答得准、转得快，客户的态度往往比想象中宽容。
问：AI 接待和人工客服会不会互相抢话？
答：不会，前提是规则清楚：人工一旦在会话里回复，自动应答就让位；客户安静一段时间后，系统再重新参与判断。人是第一位的，机器只在没人接住的时候先上前——这也是它存在的意义。
问：把报价规则全写进 AI 会怎样？
答：风险很大。报价规则经常调整，而且往往涉及客户分层与授权范围；写死在知识库里，既容易过期，也容易在错误的场景被引用。让 AI 讲“区间与价值”，让单据讲“正式价格”，边界最清楚，团队也不会在价格上各说各话。
