智能客服机器人产品设计

完整的导购 FSM（有限状态机）设计 — 可直接交付给产品/架构/开发
2. 状态表（每个状态的定义、触发条件、允许动作、默认 CTA、工具调用）
3. 状态迁移示例（核心转移规则）
4. 每个状态的输出模板（结构化响应）
5. 会话与 Session Schema（建议）
6. 工具接口（Tools）与职责（必须实现的工具清单）
7. CTA 配置中心（策略化）
8. 关键埋点与 KPI（必须追踪）
9. 示例会话映射（把抽象具体化）
10. 实现细节与工程建议
用户不按理想情况
1. 用户不按理想路径的情况分类
2. FSM 应对策略
3. 示例：非理想路径的对话（FSM 如何处理）
4. 技术实现建议
5. 总结
多意图query设计

CTA
可行动 CTA（Actionable CTA, Call-To-Action）**指的是：
在回答用户问题后，同时给出一个明确、可点击、可执行的下一步动作，引导用户向购买或转化方向前进。

“基于 FSM 状态引导用户旅程（State-driven Journey）” 和 “直接根据用户意图 + CTA（Intent-driven + CTA）” 产品区别
https://www.cnblogs.com/aibi1/p/19343101

完整的导购 FSM（有限状态机）设计 — 可直接交付给产品/架构/开发

目标：把“问答式客服”升级为“可推进用户逐步完成购买”的导购机器人。
核心思路：FSM 控制流程（可测/可控/可 AB） → 每个状态由策略决定 CTA 和工具调用 → LLM 做自然语言表达。
主状态（7 个主状态）：
1. GREETING（问候/热点引导）
2. NEED_DISCOVERY（需求澄清 / 槽位收集）
3. PRODUCT_MATCH（商品检索 / 召回）
4. RECOMMENDATION（推荐展示 + 初次 CTA）
5. COMPARISON（对比/卖点强化）
6. OBJECTION_HANDLING（异议处理 / 促单）
7. CHECKOUT_ASSIST（下单引导 / 支付）
8. AFTER_SALE（售后/结束） — 可视为附加状态

2. 状态表（每个状态的定义、触发条件、允许动作、默认 CTA、工具调用）

（表格风格节选；工程实现可转为 JSON/YAML）

GREETING

目的：快速建立场景，确认用户是否需要帮助
触发：新会话或页面主动弹窗
允许动作：提示推荐入口 / 快速菜单（热门类目、今日优惠）
默认 CTA：ai_recommendation, view_hotlist
工具：user_profile, catalog_hotlist

NEED_DISCOVERY

目的：收集必要槽位（预算、用途、规格、品牌偏好、收货国家）
触发：用户表达购买意向或选择“我要买”类项
允许动作：追问缺失槽位、设置上下文参数
默认 CTA：view_recommendation（当槽位足够时）
工具：slot_filler, user_profile

PRODUCT_MATCH

目的：基于槽位召回候选商品（top-N）
触发：槽位收齐或用户明确要看商品
允许动作：商品召回、打标签（库存/是否免邮/是否促销）
默认 CTA：view_detail, compare_products, add_to_cart
工具：product_search_api, inventory_api, price_api

RECOMMENDATION

目的：展示推荐（卡片）并推进决策（首轮 CTA）
触发：用户查看推荐、或从 PRODUCT_MATCH 自动进入
允许动作：展示商品卡片、显示优惠、推荐配件
默认 CTA：buy_now, add_to_cart, view_reviews, size_recommendation
工具：recommendation_engine, coupon_service

COMPARISON

目的：对比候选 SKU 的关键差异（价格/功能/评价）
触发：用户请求“哪个更好/对比”或策略判定需要对比
允许动作：生成对比表、突出卖点、展示评分/退货率
默认 CTA：choose_product, view_reviews, view_media
工具：compare_service, reviews_api

OBJECTION_HANDLING

目的：处理“贵/怕慢/怕假货/尺码不对”等异议并推进促单策略
触发：用户表达犹豫或直接说“太贵/不确定”
允许动作：查询可用优惠券、推荐替代、更详细材质/来源信息、承诺售后
默认 CTA：claim_coupon, view_cheaper_option, free_shipping_combo
工具：coupon_service, promotion_engine, logistics_guarantee_api

CHECKOUT_ASSIST

目的：確認 SKU、运费、税费，协助付款（尽可能减少摩擦）
触发：用户选择购买或下单意图明显（点击 buy）
允许动作：自动填充收货国家、提示支付问题、提供支付方式建议、下单跳转或一键结账
默认 CTA：checkout_now, complete_payment, save_for_later
工具：checkout_api, payment_gateway, address_validation

AFTER_SALE

目的：跟进物流、退货、再营销（复购）
触发：订单完成或用户咨询物流/退货
允许动作：查询物流、发起退货、推荐配件/替代品
默认 CTA：track_shipping, request_refund, view_complementary_products
工具：order_service, returns_api

3. 状态迁移示例（核心转移规则）

用触发事件与条件定义迁移（伪代码风格）：

START → GREETING （新会话）
GREETING → NEED_DISCOVERY （用户选择“我要买”或表达需求）
NEED_DISCOVERY → PRODUCT_MATCH （槽位齐或用户明确要看商品）
PRODUCT_MATCH → RECOMMENDATION （召回结果并展示）
RECOMMENDATION → COMPARISON （用户请求对比或策略判定差距高）
RECOMMENDATION → OBJECTION_HANDLING （用户犹豫/退缩）
OBJECTION_HANDLING → PROMOTION_PUSH（若coupon可用或凑单策略）
PROMOTION_PUSH → CHECKOUT_ASSIST（用户接受优惠/点购买）
CHECKOUT_ASSIST → AFTER_SALE（订单完成）
任意状态 → AFTER_SALE（用户询问物流/退款）
超时/用户长时间无响应 → END（并触发挽回策略）

注意：迁移规则应支持回环（例如用户在 CHECKOUT 发现不合适可回到 COMPARISON 或 RECOMMENDATION）。

4. 每个状态的输出模板（结构化响应）

为保证前后端对接，Agent 必须返回结构化 response（示例）：

{
  "session_id": "s_123",
  "state": "RECOMMENDATION",
  "answer_text": "我为你找到了三款符合 200 美元以内的平板。第一款性价比最高。",
  "cta_list": [
    {"type":"view_detail","label":"查看详情","product_id":"P123"},
    {"type":"compare_products","label":"对比这三款","product_ids":["P123","P456","P789"]},
    {"type":"add_to_cart","label":"加入购物车","product_id":"P123","sku":"P123-BLK"}
  ],
  "meta": {
    "user_slots":{"budget":200,"usage":"观影"},
    "tools_called":["product_search","price_api"]
  }
}

前端根据 cta_list 渲染按钮/卡片。同时 state 用于 server-side FSM 更新。

5. 会话与 Session Schema（建议）

Session 必须持久化（至少短期）以支持状态转移、AB 测试与漏斗分析。

示例 schema（简化）：

{
  "session_id": "s_123",
  "user_id": "u_456",
  "state": "RECOMMENDATION",
  "slots": {
    "budget": 200,
    "currency": "USD",
    "size_preference": "10-inch",
    "country": "US"
  },
  "history": [
    {"turn_id":1,"speaker":"user","text":"有推荐吗？"},
    {"turn_id":2,"speaker":"bot","text":"请问预算多少？"}
  ],
  "created_at":"2025-12-12T09:00:00+08:00",
  "last_updated":"2025-12-12T09:03:00+08:00"
}

注意：槽位（slots）需支持多值与来源标注（用户输入/推断/默认）。

6. 工具接口（Tools）与职责（必须实现的工具清单）

intent_classifier：快速意图 + 槽位抽取。
product_search_api：按槽位召回 top-N 商品。
compare_service：生成对比表（含价格/评分/退货率）。
coupon_service：查询并锁定优惠券/促销。
inventory_api：实时库存与预计发货日。
price_api：含税费估算（跨境需特别标注税费）
checkout_api：发起订单/一键结账。
order_service / returns_api：售后。

每个工具需返回规范数据结构以供 FSM 使用（例如：product_search_api 返回 [{product_id, price, stock, ship_to_countries, est_delivery_days, score}]）。

7. CTA 配置中心（策略化）

可把 CTA 写成可配置的规则表（产品/运营可下发）：

字段示例：{state, intent, product_category, cta_type, priority, display_condition, expiry}

示例规则：

如果 state=OBJECTION_HANDLING 且用户说“太贵”，优先显示 claim_coupon 和 view_cheaper_option。
如果用户 country 不支持免邮，则不显示 free_shipping_combo。

8. 关键埋点与 KPI（必须追踪）

必须实现以下埋点（建议事件名）：

cta_exposed（含 state, cta_type, product_id）
cta_clicked（含 time_to_click）
add_to_cart / buy_now_click
checkout_started / checkout_completed
state_enter / state_exit（用于漏斗分解）
tool_called（工具性能与成功率）

主要 KPI：咨询→下单转化率、各 state 转化率、CTA CTR、会话长度、平均订单价值（AOV）、自动化解决率（无人工介入的 %）。

9. 示例会话映射（把抽象具体化）

会话示例（含 state 流程）：

U: “我想买一台 200 美元以内的平板”
- intent: purchase_intent → FSM: GREETING → NEED_DISCOVERY（槽位：budget=200, usage=观影）
Bot（RECOMMENDATION）: “给你三款性价比高的，第一款 …” + CTA(view_detail, add_to_cart)
U: “第一款会经常断网吗？”
- FSM: COMPARISON/SELLING_POINT → 调用 reviews_api → Bot 回答并 CTA(buy_now)
U: “有优惠吗？我还是觉得贵”
- FSM: OBJECTION_HANDLING → 调用 coupon_service → Bot 提供 5% 优惠 + CTA(claim_coupon, checkout_now)
U: 点击 checkout → FSM: CHECKOUT_ASSIST → 填地址/显示税费/完成支付

10. 实现细节与工程建议

State Machine 实现方式：推荐先用规则/手写 FSM（可读、可控），后期可把策略替换为可学习模块或 RL（慎用）。
LLM 角色划分：LLM 做「生成文本」与「补充意图识别」，但不能直接决定 state 转移。
超时/恢复策略：若用户 5 分钟无响应，自动发起挽回（优惠/提醒），并在日志标出“超时跳出”。
回滚能力：若 checkout 失败，应能回到 OBJECTION_HANDLING 或 COMPARISON。
多渠道一致性：FSM 状态要与 app/web/微信小程序等共享（session 同步）。
并发与幂等：工具调用（如 coupon lock）需设计幂等与超卖保护。
可配置化：把 CTA 规则、优惠策略抽象成可配置表给产品/运营调整。

用户不按理想情况

你问的非常关键，这正是 FSM 导购机器人的真正价值所在：在现实场景中，用户行为往往 不按理想路径走，如果没有策略，机器人容易“乱了阵脚”，导致流失或转化低。下面我详细分析，并给出解决方案。

1. 用户不按理想路径的情况分类

类型	例子	风险
绕过需求澄清	用户直接说：“给我推荐便宜的平板。”	机器人没有收集预算/用途槽位，推荐可能不精准
跳状态	用户直接问：“哪个最好？”	机器人可能还没进入 PRODUCT_MATCH 或 RECOMMENDATION，直接回答可能不完整
重复问题	用户重复问价格、物流、品牌	如果没有记录状态，机器人可能重复同样回答，体验差
偏离主题	用户问售后或退货流程	如果机器人仍停留在推荐状态，可能继续推商品而忽略售后需求
犹豫反复	用户来回切换想法：“我想小米…不，我想便宜点…”	机器人如果无回环策略，会无法推进下单或推错优惠
长时间无响应	用户半小时后回复	FSM 状态未过期，可能过时或优惠失效，用户体验下降

2. FSM 应对策略

FSM 的核心优势就是可控状态 + 回环策略 + 异常处理。常用方法：

2.1 回环（Loop Back）

用户跳过某个状态 → 自动回到缺失状态
- 例：用户直接问“哪个最好”，但未提供用途/预算 → 回到 NEED_DISCOVERY 提问槽位
用户犹豫 → 回到 OBJECTION_HANDLING 或 RECOMMENDATION

2.2 超时处理

用户长时间未响应 → 自动发起提示/优惠
超时后状态可自动转移或失效（例如优惠券过期）

2.3 异常分支（Fallback）

用户偏离主题 → FSM 进入 Fallback 状态，机器人可以：
1. 回答问题（如售后）
2. 提示返回购买流程
3. 标记需要人工介入

2.4 多意图识别

用户一句话可能触发多个意图，例如：
- “我想小米，但太贵了，有优惠吗？” → RECOMMENDATION + OBJECTION_HANDLING
FSM 允许并行或嵌套状态，确保所有意图被处理

3. 示例：非理想路径的对话（FSM 如何处理）

用户：
“帮我推荐便宜的平板。”

FSM 处理流程：

用户直接跳过需求澄清
- FSM 检查槽位：budget 未填，usage 未填
- 自动进入 NEED_DISCOVERY：
  
  “可以告诉我预算范围和主要用途吗？例如 150–200 美元，用来看剧还是办公？”
用户回复：
“大概 200，主要看剧。”
FSM 更新槽位 → 自动进入 PRODUCT_MATCH → RECOMMENDATION
- 展示商品，带 CTA 推动下单
用户又问：“哪个品牌最好？”（跳转到 COMPARISON）
- FSM 允许状态回环 → COMPARISON → RECOMMENDATION
- 用户仍然可以领取优惠 → 进入 OBJECTION_HANDLING → CHECKOUT

特点：

即便用户不按理想路径走，FSM 依然可以：
- 检查缺失槽位
- 自动回到缺失状态
- 保持购买链路连续性

4. 技术实现建议

状态校验
- 每次收到用户消息前，检查当前槽位是否完整
- 如果不完整 → 自动回到缺失状态
- 示例：if slots.budget is None → state = NEED_DISCOVERY
并行/嵌套状态
- RECOMMENDATION + OBJECTION_HANDLING 可以并行
- 用 sub_state 或栈记录嵌套状态，用户随意跳也可回归
超时/重置机制
- 用户超过 X 分钟未响应 → FSM 状态自动过期
- 提示用户重新开始或提供优惠
Fallback 状态
- 用于偏离主题、无法识别意图、超过预期路径
- 可选择回答 + 提醒购买流程 + 可人工接管
多意图融合
- LLM 输出多个意图 → FSM 根据优先级/业务策略触发多个状态
- 示例：用户说：“我想买小米平板，但太贵了，有优惠吗？”
  - FSM 同时进入 RECOMMENDATION（小米） + OBJECTION_HANDLING（太贵） → PROMOTION_PUSH（优惠券）

5. 总结

普通机器人在用户不按理想路径走时：
- 回答可能乱、漏槽位
- 无法推进购买
- 用户体验差、转化低
FSM 导购机器人优势：
1. 自动检测槽位缺失 → 回到需求收集
2. 支持回环/嵌套 → 用户跳状态仍可推进
3. 异常处理与 Fallback → 用户偏离主题也不会中断流程
4. 可以保持促单链路完整 → 提升成交率

多意图query设计

明白，你的场景是 跨境电商导购机器人，技术架构是 Hybrid Orchestrator + FSM + CTA（Call-To-Action）。用户可能一次性触发多个意图，例如购买商品和查询优惠。下面我给你一个系统化处理方案：

1. 用户输入分析

用户说：

“我想买小米平板，但太贵了，有优惠吗？”

意图识别（LLM/NLU）：
1. 商品搜索 / 导购意图：想买“小米平板”
2. 优惠查询意图：关心价格、折扣、优惠
实体抽取：
- 品牌/产品：小米平板
- 条件：价格敏感

2. Hybrid Orchestrator 分解流程

Hybrid Orchestrator 的任务是：

多意图拆分：

从 LLM 输出中识别出多个意图和对应实体

输出意图列表，如：

[
  { "intent": "SEARCH_PRODUCT", "entity": "小米平板" },
  { "intent": "CHECK_PROMOTION", "entity": "小米平板" }
]

意图排序 / 业务策略：
- 根据策略或优先级决定处理顺序
  - 购买意图通常优先
  - 优惠意图可并行或串行处理
- 输出 FSM 状态队列：
  - [SEARCH_PRODUCT → CHECK_PROMOTION]
CTA 触发：
- 每个状态可绑定 CTA，指导用户下一步操作，例如：
  - 查看详情
  - 领取优惠券
  - 加入购物车

3. FSM 状态设计

状态	触发条件	输入	输出 / 动作	CTA	下一状态
`SEARCH_PRODUCT`	用户有购买意图	品牌/产品	调用商品搜索 API 返回列表	`查看详情`	`CHECK_PROMOTION`
`CHECK_PROMOTION`	用户有优惠查询意图	商品列表	调用优惠 API 获取可用优惠	`领取优惠券` / `加入购物车`	END

特点：

串行或并行触发 FSM 状态，保证每个意图都被处理
每个状态输出附带 CTA，提升用户交互转化率
支持动态插入状态（用户修改需求时）

4. 对话示例（FSM + CTA）

用户说：“我想买小米平板，但太贵了，有优惠吗？”

流程：

Hybrid Orchestrator：
- 拆分意图 → SEARCH_PRODUCT 和 CHECK_PROMOTION
- 排序 → 先搜索商品，再查询优惠
FSM 状态执行：
- SEARCH_PRODUCT → 返回小米平板商品列表，CTA：查看详情
- CHECK_PROMOTION → 返回可用优惠信息，CTA：领取优惠券 / 加入购物车
最终组合输出给用户：

小米平板列表：
1. 小米平板 11寸 价格: ¥3000 [查看详情]
2. 小米平板 12.5寸 价格: ¥3500 [查看详情]

可用优惠：
- 满3000减200 [领取优惠券]
- 新用户立减100 [加入购物车]

5. 异常路径处理

用户只关心优惠：
- FSM 可以跳过商品搜索，直接触发优惠状态
用户修改需求：
- FSM 支持状态回退或动态插入新状态
意图冲突：
- Orchestrator 按优先级或策略处理，保证业务逻辑可控

6. 技术实现建议

多意图识别：
- 使用 LLM 输出意图 + 实体列表
- 可以附带置信度分数，帮助排序
Hybrid Orchestrator：
- 输入意图列表 → 生成 FSM 状态队列
- 支持串行/并行、优先级排序
FSM：
- 每个状态执行单一动作（搜索、优惠查询、下单）
- 输出附带 CTA
响应整合：
- Orchestrator 收集各状态输出，统一生成用户响应，确保 CTA 可交互

用户输入: “我想买小米平板，但太贵了，有优惠吗？”
│
▼
┌───────────────────┐
│ LLM 多意图识别 │
│ - SEARCH_PRODUCT │
│ - CHECK_PROMOTION│
└───────────────────┘
│
▼
┌────────────────────────────────┐
│ Hybrid Orchestrator │
│ - 拆分意图 → FSM状态队列 │
│ - 意图优先级排序/串行/并行 │
└────────────────────────────────┘
│
┌────────┴─────────┐
▼ ▼
┌─────────────┐ ┌──────────────┐
│SEARCH_PRODUCT│ │CHECK_PROMOTION│
│ - 调用商品API │ │ - 调用优惠API │
│ - 返回商品列表│ │ - 返回优惠信息│
│ - CTA: 查看详情 │ │ - CTA: 领取优惠/加入购物车 │
└─────────────┘ └──────────────┘
│ │
└────────┬─────────┘
▼
┌─────────────────┐
│ 输出整合响应给用户│
│ - 商品列表 + CTA │
│ - 优惠信息 + CTA │
└─────────────────┘

posted @ 2025-12-12 22:17 向着朝阳阅读(5) 评论(0) 收藏举报

刷新页面返回顶部

aibi1