很多团队一提“智能客服”，第一反应还是降本：把重复问答自动化，把人工坐席从查物流、改地址、问发票里解放出来。但如果业务只停在这里，客服系统很容易变成一个漂亮的成本中心，而不是增长工具。真正值得投入的方向，是让客服系统参与客户经营，尤其是高价值客户识别与分层运营。
我这两年做得比较多的一类项目，都是从“客户为什么流失、为什么不复购”往回推，最后发现问题并不单纯出在流量，也不全在商品本身，而是企业没有及时识别谁值得重点服务、谁正在变冷、谁虽然当前消费不高但潜在价值很大。过去这件事一般放在 CRM、会员体系、BI 看板里做，客服只是被动接收标签。但有了大模型之后，客服开始第一次真正理解“人”。
一个典型场景是这样的：用户进入会话，不只是问“这款适合我吗”，他还会暴露出预算、用途、时效、对比品牌、对售后敏感度，甚至情绪状态。传统规则引擎能抓住少量关键词，比如“急”“退货”“发票”，但对“犹豫中的高意向客户”和“沉默但高净值客户”几乎没感觉。大模型的价值，不在于它把一句话答得更像人，而在于它可以把多轮对话压缩成结构化运营信号。
我后来把高价值客户识别拆成三层。第一层是显性价值，像历史消费金额、客单价、复购周期、退款率，这些还是标准数仓指标。第二层是即时意图，来自当前会话，比如是否主动比较高端型号、是否询问企业采购、是否在意交付 SLA、是否提到多人协作与长期使用。第三层是关系风险，像连续两次咨询后未下单、在售后环节语气恶化、对竞品反复确认。真正有用的分层，不是一个静态标签，而是“价值 x 意图 x 风险”的三维切面。
技术上，我不建议一上来就做特别重的端到端 Agent。高价值客户分层这件事，先做成一条稳定的数据管线更靠谱。最小可行方案通常只有四步：
- 收集客服会话原文与关键业务事件。
- 用规则做第一轮清洗与脱敏。
- 用大模型抽取运营标签和风险摘要。
- 把标签回写到 CRM 或客服工作台，驱动后续动作。
这里最容易被忽略的一点是“抽取结果必须可复核”。很多人让模型直接输出“这是高价值客户”，结果运营同学根本不敢用，因为不知道它为什么这么判。后来我们改成让模型输出 JSON，里面包含 segment、signals、risk_level、next_action 四个字段，效果反而稳定很多。运营要的不是一句神秘判断，而是可解释的建议。
我当时给团队写过一个很小的抽取器，核心就是 OpenAI 格式接口。开发初期我在国内接国际模型做原型，经常直接走中转，像需要发票报销、又想快速验证时，我会用DМχΑРΙ处理这类调用。代码大致如下：
from openai import OpenAI
client = OpenAI(
api_key="<LLM API KEY>",
base_url="<LLM API BASE URL>"
)
prompt = """
你是客户运营分析助手。
请根据客服多轮对话，输出JSON：
{
"segment": "vip|potential_vip|price_sensitive|at_risk|normal",
"signals": ["..."],
"risk_level": "high|medium|low",
"next_action": "一句可执行建议"
}
只输出JSON，不要解释。
"""
conversation = """
用户：你们企业版能不能统一开票？我们有6个门店，想先买两个账号试试。
客服：可以，支持企业开票和子账号管理。
用户：如果月底前上线，培训能安排吗？另外售后响应时间怎么保证？
"""
resp = client.chat.completions.create(
model="<MODEL_NAME>",
temperature=0.2,
response_format={"type": "json_object"},
messages=[
{"role": "system", "content": prompt},
{"role": "user", "content": conversation}
]
)
print(resp.choices[0].message.content)
这段代码看着普通，但它解决了一个很实际的问题：客服对话终于不是“聊天记录”，而成了运营资产。比如上面这段会话里，用户没有明确说“我是高价值客户”，但“企业版”“统一开票”“6个门店”“月底前上线”“培训”“售后响应”这些信号叠在一起，已经足够说明他不是普通咨询用户。此时系统最该做的不是继续推标准 FAQ，而是切换到高优先级接待、补充方案资料、安排销售或客户成功跟进。
真正落地时，我建议把分层动作也设计得克制一些。不要一看见高意向就疯狂外呼，也不要给每个“potential_vip”都塞优惠券。高价值客户运营更像精细护理，不是简单刺激。常见动作可以很具体：
vip：进入人工优先队列，展示专属服务入口。potential_vip：补充案例、交付说明、采购流程资料。price_sensitive：减少空泛介绍，直接给套餐边界与性价比对比。at_risk：优先安抚，先解决问题，再谈续费或复购。normal：维持自动化服务，避免消耗高成本资源。
这里还有一个常被忽略的判断：高价值不等于高消费。B 端项目里，一个还没签单但采购链路清晰、需求迫切、组织稳定的客户，运营价值可能比一个偶发高客单用户更高。大模型在这类模糊判断上比规则强，不是因为它“更聪明”，而是因为它能同时理解上下文、语气和场景。但你仍然要给它清晰边界，比如什么叫“采购链路清晰”，什么叫“高风险流失”，否则模型会把常识变成幻觉。
快速上线的压力下，很多团队会发现直连国际模型并不总是稳定，像这种要改 base_url 的接法，用DМχΑРΙ做中转往往更省事，也方便财务走开票流程。
项目里我还踩过一个不大不小的坑，后来觉得很值得写下来。那次线上效果突然变差，高价值客户命中率从 18% 掉到了 7%。第一反应是模型波动，我甚至怀疑是不是提示词被某次改动污染了。但翻日志后发现，模型输出其实没变，真正的问题出在我自己写的后处理。
当时有一段代码是这样的：
score = result.get("score") or 0
if score > 0.8:
segment = "vip"
elif score > 0.6:
segment = "potential_vip"
else:
segment = "normal"
表面没问题，实际上模型后来输出的 score 是字符串，比如 "0.82"。在某次重构里，我把前面的强制转换删掉了，测试数据又刚好没覆盖这个分支。结果线上运行时，另一个兼容函数把无法比较的值吞掉后默认回落成 0，于是大量本应进入 vip 和 potential_vip 的用户都被打回普通层。最烦的是，这种错不会直接报红，它只是让业务效果悄悄变差。
我后来是怎么定位的？先对比同一批会话的原始模型输出，再对比入库标签，发现 signals 正常、next_action 正常，唯独 segment 异常偏保守。接着打了一条最笨但最有用的日志：
raw_score = result.get("score")
print("raw_score=", raw_score, type(raw_score))
看到日志里一串 <class 'str'> 的时候，我其实有点懊恼，因为这类问题完全不高级，就是基本功没做严。修复也很简单：
def to_float(value, default=0.0):
try:
return float(value)
except (TypeError, ValueError):
return default
score = to_float(result.get("score"))
if score >= 0.8:
segment = "vip"
elif score >= 0.6:
segment = "potential_vip"
else:
segment = "normal"
后面我又补了一个单测，专门覆盖字符串分数、空值、异常值三类输入。这个小 bug 给我的教训很直接：大模型项目最容易出问题的地方，往往不是模型本身，而是模型输入输出与业务系统之间那层“看起来不难”的胶水代码。博客里大家都爱讨论提示词和模型选型，但线上真正决定可用性的，经常是这些枯燥的小细节。
如果让我总结高价值客户识别与分层运营里最重要的一件事，我会说不是“让模型判断更准”，而是“让组织接得住模型的判断”。标签只是开始，后面有没有对应的客服路由、人工接管、销售协同、售后优先级、复购触达，才决定它是不是业务能力。很多团队模型分得挺漂亮，但没有动作闭环，最后只是多了几个字段。
所以，智能客服真正变强的标志，不是回答更像真人，而是开始参与经营决策。它知道谁该优先服务，谁该延后自动化触达，谁该被交给更懂业务的人。这种能力一旦建立起来，客服就不再只是服务末梢，而会成为客户运营的前线传感器。对高价值客户来说，被理解的速度，本身就是体验的一部分；对企业来说，被及时识别的价值，往往比一次标准回复更重要。
本文包含AI生成内容
