从聊天入口到知识闭环：AI 客服工作流如何落地

把大模型接进聊天窗口，只解决了客服系统的交互入口问题。真正进入生产环境后，站点间知识串用、回答口径漂移、个人数据访问和错误答案复用都会成为风险。要让 AI 客服稳定运行，需要把知识隔离、Prompt 治理、意图路由与反馈回流组织成一条可观测、可审计的工作流。

摘要：OpenAI 设计负责人说"聊天框不会是终极界面"，YC 总裁说把成功工作沉淀为 Markdown 技能文件能让流程可重复。这两句话放到客服场景里，指向同一件事：客服从问答框，走向有知识边界、有治理的工作流。本文依据福昕智能 AI 客服的技术设计文档，拆它的知识库隔离、Prompt 三层治理、四类意图编排，以及 Widget 前台入口与差评回流闭环。

---

一、聊天框不是终点

聊天框是入口，不是能力本身。把客服做成"一个框 + 一个模型"，会很快撞到边界：答非所问、口径漂移、个人数据乱用。要往前走，得给对话加上知识边界和治理。

从问答框到带治理的工作流

设计文档把客服定义为一套平台：多租户站点接入、可治理知识库、可控 Prompt、多模型路由、Data Hub 个人数据接入、Widget SDK、运营活动推荐、管理端闭环。聊天框只是入口那一截，后面是一整套治理在支撑。

知识库 + Prompt 就是客服场景的技能文件

YC 说的"把成功工作沉淀为 Markdown 技能文件"，在客服里对应的就是知识库 + Prompt 治理。知识库决定"客服知道什么"，Prompt 决定"客服怎么说话、守什么边界"。两者按站点沉淀、可版本、可审计，正好是把经验变成可复用资产的方式。

二、知识库按站点隔离的 RAG

知识库不是一股脑塞进一个向量库，而是按站点隔离。

分类方案与 Collection 命名

知识库分类采用"系统预置分类方案 + 租户默认 + 站点覆盖"。预置方案如 ecommerce_cs（商品、订单、售后、优惠、会员权益）、internal_policy（制度、流程、材料清单）。向量 collection 按站点生成，命名格式固定：

{站点 collection 命名}
格式：  {siteId}__cs-{category}
示例：  site_zhixuan__cs-product
        site_zhixuan__cs-faq
        site_zhixuan__cs-marketing

隔离规则很硬：AI CS 主会话只读取当前站点的 collection；空 collection 不再 fallback 到全局 cs-product；AI Service 对 ai-cs caller 只允许读站点 collection 格式；ai-cs-admin 可管理站点知识库，但不能访问内部 NL2SQL schema；普通 ai-assistant 不能读 AI CS 站点 collection。

文档到向量的处理流程

知识从上传到可用，是一条异步链路，状态可观测：

flowchart LR
    A[管理员上传文档 / 新增 FAQ] --> B[Workbench 写 knowledge_docs 元数据]
    B --> C[POST /v1/knowledge/documents]
    C --> D[AI Service 创建异步任务]
    D --> E[文档解析 / 分块 / 清洗]
    E --> F[写入向量 collection]
    F --> G[状态 processing / done / failed]

Workbench 负责写元数据并触发任务，AI Service 做解析、分块、清洗并写入 Chroma，状态回传 processing / done / failed，管理端能看到向量化进度。

三、Prompt 三层治理

Prompt 不是写在代码里的一行 system prompt，而是三层治理。

系统预置 / 模板库 / 生效快照

层级	说明	是否直接线上生效
系统预置库	随代码交付的默认模板，管理端只读展示	无快照时作为兜底
Prompt 模板库	Workbench 管理，用于复用、审计、版本	不直接生效
生效快照	写入租户或站点的 promptTemplate* 字段	直接影响运行时

模板覆盖对话口径、人设、安全边界、业务规则。编排界面同时服务技术治理和产品运营：技术侧关注变量、准入和安全底座，产品侧关注场景、话术风格和站点覆盖。

主 RAG 模板的解析优先级

运行时拼主 RAG System Prompt，按固定优先级取快照，且主 RAG 模板必须保留 {context}，否则运行时不使用该模板：

主 RAG Prompt 解析优先级：
1. 站点开启 Prompt 覆盖且模板含 {context} ？ -> 用站点 promptTemplate 快照
2. 否则租户默认模板含 {context} ？          -> 用租户 promptTemplate 快照
3. 否则按 promptScene 用系统内置模板
（平台安全规则由运行时拼接，站点/租户模板不能删除平台安全基座）

可用变量包括 {context}、{aiPersonaName}、{serviceScope}、{aiPersonaIntro}、{aiDialogStyle}、{siteName}；personal_query 另有专属模板字段 personalQueryPromptTemplate*，必须含 {personal_context}。

四、四类意图走到不同编排

同样的聊天框，背后是四类意图在分流。

knowledge / personal_query / complain / chat

scrm-ai-cs 通过 AI Service 判断意图，四类各走各的编排：knowledge 走 RAG 与常规模型，personal_query 走本地模型与 Data Hub 个人数据，complain 走敏感模型与脱敏，chat 走常规模型。路由编排把"意图 → 模型档位 + Prompt"固定下来，而不是每次临时拼。

personal_query 的专属 Prompt 与数据链路

personal_query 回答"我的订单、会员、积分、退款"，需要真实结构化数据，不靠知识库。它用独立模板字段，必须包含 {personal_context}：

personal_query Prompt 可用变量：
  {personal_context}   结构化个人数据上下文（来自 Data Hub 标准 CustomerSummary）
  {query}              用户原始问题
  {aiPersonaName} {serviceScope} {aiPersonaIntro} {aiDialogStyle} {siteName}

数据链路是：Widget 带 accessToken 建会话 → scrm-ai-cs 调 Data Hub identity/resolve 解析 userId → 调 customer/summary 取标准客户摘要 → 连同 {personal_context} 交给 AI Service 的 personal_query，由本地模型生成回答。Widget 只透传 accessToken，不直接连业务系统；AI CS 也不直连租户业务库，统一走 Data Hub。

五、Widget 前台入口与知识闭环

治理最终要在前台被用户摸到，也要能从反馈里回流。

会话恢复 / 身份透传 / 主动触达

scrm-ai-cs-widget 是前台入口，能力不止收发消息：会话 ID 存在 localStorage（key 为 scrm_sid_{siteId}）实现会话恢复；默认读 cookie accessToken，也支持 data-identity-type="localStorage" 从 localStorage 取；SSE 支持 delta / done / error / sources / recommend。它还暴露全局 API 支撑主动触达与浏览打点：

window.ScrmWidget.open('我想了解会员权益');   // 主动打开客服窗口并带入问题
window.ScrmWidget.close();
window.ScrmWidget.isOpen();
window.ScrmWidget.trackPageView({           // 补充页面浏览上下文，用于主动触达与推荐
  page: '/product/123',
  title: '年度会员',
  category: 'membership'
});

浏览上下文、活动关键词和营销知识库共同决定主动触达与 recommend 事件的质量。

差评沉淀 FAQ 的闭环

闭环的最后一环在管理端：差评审核页汇总 bad 反馈或低分内容，审核通过后能把差评问题一键创建为 FAQ，进入知识库治理闭环。一次答错不被丢掉，而是变成下次的已知答案。配合运营活动页面，营销素材进 cs-marketing collection，既支撑对话内推荐，也支撑 Widget 主动触达。

六、配置与排查

知识库和 Prompt 配置是可观测、可回退的，出问题有迹可循。

知识 / Prompt 配置排查表

现象	先查这里
搜不到刚上传的文档	向量化状态是否 done；collection 是否当前站点 {siteId}__cs-*
回答脱离站点知识	AI CS 主会话是否只读当前站点 collection；空 collection 是否误 fallback
Prompt 改动不生效	是否写入生效快照 promptTemplate*；主 RAG 模板是否保留 {context}
personal_query 答非所问	Data Hub identity/resolve / customer/summary 是否通；模板是否含 {personal_context}
差评没进知识库	差评审核页是否审核并一键创建 FAQ；collection 是否重新向量化

一张对照表：知识库与 Prompt 的治理关系

维度	知识库	Prompt
解决什么	客服知道什么（RAG 检索）	客服怎么说话、守什么边界
隔离单位	{siteId}__cs-{category} collection	租户 / 站点 promptTemplate* 快照
管理方式	Workbench 上传、向量化、上下线	系统预置 + 模板库 + 生效快照
闭环入口	文档/FAQ → 向量 → 检索	差评一键沉淀 FAQ 回流

---

结语

聊天框是客服的起点，不是它的全部。把知识库隔离、Prompt 治理、意图编排和差评回流串起来，客服才从"一个会聊天的框"变成"一套可治理、可复用、能自我修正的工作流"。要评估自家的客服怎么走知识闭环，可联系福昕技术对接人按站点梳理知识分类、Prompt 快照与差评回流方案。

---

标签：AI 客服知识库、Prompt 治理、RAG、意图编排、知识闭环、Widget SDK、福昕智能 AI 客服