客服 Agent 的第四个月:为什么前三个月很顺,之后投诉翻倍
客服 Agent 上线初期效果惊艳,三个月后客户满意度断崖下跌。问题往往不在模型,而在知识库的新鲜度、边界案例的累积和人工介入通道的萎缩。本文给出三个可监控指标与对应的修复手段。
一个反复出现的曲线
我们在 2025~2026 年跟踪了十余个客服 Agent 的上线过程,出现了一条高度一致的曲线:
- 第 1 个月:解决率 70%+,人工转接率低,团队士气高涨
- 第 2 个月:解决率略降,但没人警觉,因为绝对数字还不错
- 第 3 个月:开始出现”客户说 AI 啥也不懂”的投诉,人工量回升
- 第 4 个月:投诉翻倍,业务方要求下线或缩范围
模型没换、prompt 没改、系统没坏。那是什么变了?
变量一:知识库在”变旧”,而没人维护
上线时知识库是精心整理的:Top 100 问题、最新政策、清晰的产品说明。
三个月后:
- 产品发了两个新版本,文档更新了,但知识库没同步
- 促销政策换了三轮,旧政策的文档还在库里,权重不低
- 客服团队处理了 800 个新问题,答案在聊天记录里,没进知识库
于是 Agent 面对的客户问题分布已经变了,而它的知识还停在三个月前。解决率下降不是模型变笨,是世界的分布移动了。
修复:
- 建立”知识新鲜度看板”——每个文档块标注
last_verified,超过 60 天未验证的进入待审队列 - 每周从人工客服的高频问题里抽取 Top 20,判断是否需要新增知识
- 政策类文档强制带生效与失效日期,过期自动从检索中排除(不要靠模型判断”这条还有效吗”)
变量二:边界案例在累积,而系统只学了常规案例
第 1 个月处理的是”怎么改密码”这种标准问题。第 4 个月处理的是”我买了三个月的会员,但是用我妈的账号付的钱,现在手机号换了,能退款吗”。
这类问题占比会随时间上升,因为简单问题已经被解决了,留在队列里的天然是难的。这是典型的幸存者偏差陷阱:初期评估用的是常规样本,所以评估分数看不出问题。
修复:
- 每周做一次”困难样本回顾”:从人工转接的对话里抽 30 条,人工标注”Agent 本应如何回答”(或”本应如何提问澄清”)
- 把标注结果分成三类:知识缺失、推理不足、信息不足需澄清
- 三类分别处理——知识缺失补文档、推理不足改 prompt 或换模型、信息不足则必须让 Agent 学会问对问题
第三类最容易被忽略。很多 Agent 在信息不足时会猜,而正确行为是问一句:“请问您是本人操作吗?“
变量三:人工介入通道在萎缩
上线时的设计是”AI 先答,答不好转人工”。运行顺利后,为了”降本”,很多团队做了两件事:把转人工按钮藏到二级菜单,设定”AI 连续回答 3 次才能转人工”。
结果是:客户被困在 AI 里,体验急剧恶化,投诉集中在”找不到人”。
修复:人工介入的阈值应该是客户情绪而不是”轮次”。具体判据:
- 客户连续两轮表达不满(关键词 + 情绪模型双判)
- 同一问题重复问第三次
- 涉及金额超过阈值或涉及投诉/法律字眼
- 客户直接说”转人工”
命中任意一条立即转接。转人工不是失败,被困住才是失败。
三个必须监控的指标
不要只看”解决率”。这三个才是早期预警:
| 指标 | 定义 | 警报线 |
|---|---|---|
| 重复提问率 | 同一会话内客户重复表述同一需求的比例 | 周环比 +30% |
| 澄清失败率 | Agent 问澄清后客户仍无法给出有效信息 | 连续两周上升 |
| 静默转人工率 | 未触发送转接但客户直接关闭会话 | 超过 8% |
第三个指标最有价值也最少人做。客户不是投诉,而是直接走了——这类信号在满意度调查里完全看不到。
团队配置的真相
所有”第四个月崩盘”的案例里,都有同一个组织问题:客服 Agent 上线后没有明确的负责人。上线时是项目,上线后没人接管日常运营。
它需要一个人的固定投入——大约每周 4~6 小时,做三件事:看困难样本、补知识、调 prompt。这个岗位常被称为”AI 客服运营”,成本不高,但没有它,前面所有投入都会在第 4 个月开始贬值。
一句话总结
客服 Agent 不是一次交付,是一个需要持续喂养的系统。它的表现不是由上线时的模型决定的,而是由上线后每周投入的维护量决定的。 预算里如果只有建设和没有运营,就不要建。