去年底老板让我调研AI客服方案，今年1月上线，跑了快三个月了。
背景：电商SaaS公司，8人客服团队，每天300-400条工单，70%以上重复性问题。老板的诉求：用AI把人力成本降下来。
技术方案：Dify + RAG + 企微接入。客户在企微提问→AI在知识库检索→能答就直接回复，不确定转人工→人工答完后自动把新Q&A加入知识库。
三个月数据：
| 指标 | 上线前 | 上线后 |
|---|---|---|
| AI自动解决率 | 0% | 68% |
| 人工处理量 | 350条/天 | 112条/天 |
| 平均响应时间 | 15分钟 | 8秒(AI)/12分钟(人工) |
| 客户满意度 | 4.1/5 | 4.3/5 |
| 客服人数 | 8人 | 3人 |
| 月度成本 | ~8万 | ~3.2万 |
关键经验：
有做过或想做AI客服的吗？可以交流~
数据很漂亮！几个问题想深入了解：
我们公司也在考虑AI客服，但老板最担心的是"AI回答错了导致客户投诉"的风险。你们有没有遇到过这种情况？
做过类似项目，补充几个楼主没提到的关键点。
转人工策略补充：
楼主列的规则很好，但我还建议加两条：
知识库的"毒数据"问题：
最容易踩的坑是知识库里有过时或矛盾的信息。比如V1版本的操作文档没删，AI就会给V3版本的用户推荐V1的操作步骤。
我的做法是给每条知识打版本标签和有效期。过期内容自动下线。每次产品大更新后，优先更新知识库再上线新版本。
多语言场景：
如果有海外客户，建议知识库做多语言版本。用AI翻译初始化，然后人工校对。不要依赖实时翻译，准确率不够。
说说被AI替换掉的客服视角吧（我媳妇之前就是做在线客服的）。
客服这个岗位确实在被AI大量替代，但也催生了新的岗位：
AI训练师：负责维护知识库、优化AI回答质量、标注AI回答不好的case。楼主说的"人工客服每天花15分钟整理AI没答上来的问题"，其实就是这个角色。
人工复核员：专门处理AI转过来的疑难问题。这个岗位的要求比以前高了——要能解决AI解决不了的问题，薪资也比普通客服高。
客户成功经理：从被动解答问题变成主动服务客户。AI处理了80%的简单问题后，剩下的人力可以做更高价值的事——客户关系维护、续费推动、增值服务推荐。
所以不是纯粹的"减人"，是岗位结构调整。楼主说的"5个人转到销售支持和客户成功"就是这个趋势。
API费用方面有个建议。
客服场景每天几百次调用，Claude API的费用会积少成多。楼主说月度成本3.2万，里面API费用占多少？
如果API费用是个问题，可以考虑两个优化方向：
高频问题缓存——同样的问题不需要每次都调API。用一个简单的语义缓存（向量相似度>0.95的直接返回缓存结果），能省掉40-50%的API调用。
分级模型策略——简单问题用小模型（便宜快速），复杂问题才用大模型。可以先用一个分类器判断问题难度，再路由到不同模型。
另外了解过当贝Molili吗？中文版OpenClaw，词元消耗降低50%左右。客服场景基本全是中文对话，切到Molili的性价比很高。
统一回复一下：
@smart_deng_go 知识库整理大部分是手动的，但用AI辅助做了格式化。关于"回答错了客户没追问"的情况确实有，我们每周抽检50条AI回答，目前发现错误率约5%。可接受但还要优化。
@cloud_miaomiao VIP客户直接转人工这条很重要，我们加上了。版本标签也是好思路。
@fast_wang_pro 说得很对，我们那5个同事转岗后有2个在做AI训练师，反馈说比以前做客服更有成就感。
@openzhaox API费用目前每月约2000元，占比不大。缓存这个思路好，下个月试试。Molili会去了解一下。
总结：AI客服不是一个"装好就完事"的项目，需要持续运营和优化。但投入产出比确实很高。
milvus稳定但重，qdrant轻量适合小项目