美洽AI机器人怎么设置未知问题回复？

在美洽里，把“未知问题”的处理做好，靠的是三个动作：先把机器人兜底话术设置好并开启“转人工/工单”选项，接着把未识别问题自动记录到知识库或导出到Webhook做二次检索，最后定期用这些真实问题训练问答与意图模型并调整置信度阈值。

先搞清楚“未知问题”到底是什么

简单说，所谓未知问题，就是机器人对用户输入没有匹配到合适问答或意图，或者识别置信度低到需要人来处理的情况。把这段流程想成一个漏斗：用户输入→意图识别→匹配回答。漏斗漏出来的，就是我们要处理的“未知”。

为什么要特别设置未知问题回复？

• 用户体验保障：没有默认回复，用户会感觉卡住或被忽略。
• 业务连续性：重要问题能及时转人工或生成工单，避免投诉与流失。
• 持续优化的素材：未识别问题是最有价值的训练数据来源。

美洽中常见的处理手段（先看总览）

一步步教你在美洽把未知回复设置好（思路优先）

我把流程拆成四步：准备、配置、回收与优化。每一步里都有可选项，按资源和业务优先级来配。

1）准备：明确目标和可用资源

• 定义什么情况下算“未知”：语意置信度低于某阈值（例如0.6），或触发“无匹配”规则。
• 确认可用人工支持：是否允许直接人工接入、是否要发工单、SLA多久处理。
• 决定是否用外部知识：是否有API或文档可以接入Webhook形式检索。

2）在美洽里配置兜底和路由（操作思路）

• 设置默认兜底话术：进入机器人/自动化设置，找到“未识别/无匹配”文本，写上友好话术并提供下一步选项（如“转人工”“查看常见问题”）。
• 开启相似问/引导：允许机器人在未完全匹配时推荐相似问题/标签，减少转人工率。
• 转人工与工单策略：配置阈值或关键词直接触发人工会话或创建工单，并设置优先级和分配组。
• Webhook/二次检索：把未识别的问题通过Webhook发给你的搜索接口或知识图谱，返回候选答案后再交给用户。
• 数据埋点：确保未识别问题被记录（文本、用户信息、时间、渠道），以便后续分析。

3）设计兜底话术：人性化且有用

兜底话术不要太机械，给出明确下一步：

• 示例1（轻量级）：“抱歉我没听懂，您可以简短描述下问题，或选择下面的常见问题。”
• 示例2（带转人工）：“不好意思，我这边暂时没找到相关答案，是否需要我帮您转人工处理？（是/否）”
• 示例3（带自助）：“我没能理解，您可以尝试这些关键词：退款、发票、订单查询。”

4）记录与训练：把问题变成知识

把未识别的每条问题当作原材料。常见做法：

• 自动把问题和上下文保存到“未识别问题列表”。
• 按高频排序，人工审核后把高频问题加入知识库作为新问答或拓展意图。
• 标注同义句、补充样本，重新训练意图模型或更新问答匹配。

具体配置细节（更技术一点但不是必须写代码）

下面把一些常见的配置点展开说明，帮助你在控制台做选择时更有底。

置信度阈值（Confidence Threshold）

置信度决定机器人是否直接答复还是进入“未知流程”。建议做A/B测试以找到合适阈值：

• 高阈值（0.7-0.9）：更谨慎，减少错答，但增加转人工率。
• 低阈值（0.4-0.6）：机器人更容易回复，风险是错答带来客户不满。

多轮对话引导

当机器人不确定时，可以通过一两句追问来缩小范围：

• 例如：用户问“退货”，机器人追问“是申请退货还是查看退货进度？”
• 多轮能大幅提升匹配率，但对话流程需设计好，避免过度打扰。

Webhook与外部知识库整合

如果你有搜索引擎或企业知识库，配置Webhook能在“未识别”情况下做实时检索。流程通常是：

• 机器人把用户原话发给Webhook（POST，带会话ID/用户ID/渠道等）。
• 外部接口返回若干候选答案与置信度，机器人在收到后按规则决定显示或转人工。

这种方式能把“未知”降低很多，但需要后端支持与稳定接口。

实际模板和示例（实操派）

给出几个实际可直接复制的模板和运维建议。

兜底话术模板

• “抱歉，没能理解您的意思。您可以：1. 简短描述问题；2. 点击下方常见问题；3. 需要人工请回复‘人工’。”
• “我这边暂时没有找到答案，是否要我为您创建一张工单并联系人工客服？”

示例Webhook交互（伪代码/伪JSON）

这个示例只是说明数据流向，不直接执行：

Request (POST):
{
  "sessionId": "abc123",
  "userId": "user_45",
  "channel": "web",
  "query": "发票怎么开"
}
Response:
{
"candidates": [
{"answer": "请登录会员中心—发票开具", "score": 0.82},
{"answer": "需要纸质发票请联系客服", "score": 0.45}
]
}

度量与优化：关键指标和周期

要把未知问题的处理做成闭环，以下指标不能忘了：

• 未识别率（Unknown Rate）：未识别对话量 / 总对话量。
• 转人工率：因未识别导致的人工接入占比。
• 未识别问题被命中后的解决率：记录未识别问题后，经过加入知识库，重新上线的命中提升率。
• 平均响应时间与工单处理时间（SLA）。

建议设两周为一个小周期：每两周导出未识别问题，人工筛选并补充到知识库，再上线一个版本，观察指标变化。

多渠道与场景差异

注意不同渠道（网页、微信、APP、电话转文字）表现不同：

• 短文本（微信）常常更口语化，需要更多同义扩展。
• 网页表单或订单页触发的问题多为结构化（订单号、状态），适合直接连API检索。
• 渠道差异也会影响置信度阈值和兜底话术的写法。

常见问题与解决建议（实战小贴士）

• 问题：兜底话术太多用户转人工，人工压力大。
  建议：先优化相似问推荐与多轮引导，降低不必要的人工转接。
• 问题：未识别问题堆积无人处理。
  建议：设置定期复盘流程，把高频问题当作优先级任务加以解决。
• 问题：Webhook返回延迟导致用户等待。
  建议：设置超时策略，超时则先用兜底话术并异步通知用户结果。

上线前检查清单（部署前一小时）

• 兜底话术已设置并通过语句校验（无错别字、包含下一步选项）。
• 转人工与工单规则已生效，相关客服组有人值守。
• 未识别问题记录与导出功能开启。
• Webhook接口已做压力与超时测试，返回格式稳定。
• 监控项（未识别率、转人工率）已接入仪表盘并设置告警。

把“未知”变成优势的长期策略

把未识别问题当作用户研究的黄金样本：按场景聚类、标注、扩充样本，逐步把高频问题覆盖进去。很多团队会把这个当作每月的产品与客服协作任务。经过三到六个月的迭代，你会明显看到机器人答复覆盖率上升、人工工单下降。

上面这些步骤其实并不复杂，只要把“用户不会被卡住”“未知问题被收集利用”“出现人工通道”这三点做好，效果立竿见影。接下来你可以先在一个流量较小的渠道试点，观察指标，再逐步放大；顺手把未识别的问题分类标签化，后面就容易下手了—我这边还想着要不要再写个模板库，懒得一次写太多，但这些够你开始动手了。