项目面向企业健康管理及员工体检服务场景，探索基于大语言模型（LLM）的智能客服Agent产品，解决传统体检服务中高频咨询、业务规则复杂、人工处理效率低及跨机构服务标准不统一等问题。
原企业体检业务覆盖约10万名员工、70多个城市，涉及多家体检服务机构。员工在预约、改期、取消、退款、套餐升级、费用支付及报告查询等环节存在大量咨询需求。由于不同企业的福利政策、不同体检机构的预约及退款规则存在差异，客服人员需要频繁查阅资料、核对订单并协调机构处理，服务高度依赖人工经验。
业务高峰期客服咨询量较大，且部分咨询涉及订单状态、退款条件及企业权益等动态业务信息，传统FAQ无法有效覆盖复杂场景。
项目旨在利用LLM语义理解能力、RAG知识检索和Workflow业务编排，将高频知识咨询、规则查询、订单信息查询与人工处理流程进行整合，探索可控、可追溯、可扩展的智能客服服务模式，降低重复人工操作成本，提升员工服务体验。
项目围绕企业体检员工服务全流程，设计基于LLM、RAG、Workflow及工具调用机制的智能客服Agent，核心功能包括：
1. 智能意图识别：理解员工自然语言问题，识别预约咨询、套餐规则、改期取消、退款政策、订单查询、体检报告及人工服务等意图。
2. RAG知识问答：建立企业福利政策、体检机构服务规则、预约及退款政策、常见问题等知识库，通过知识检索增强回答准确性，减少模型编造业务规则的风险。
3. 多轮对话管理：结合用户上下文及历史对话，识别信息缺失情况，通过追问补齐必要参数，支持连续咨询。
4. 业务Workflow编排：根据意图类型分流至知识问答、规则判断、业务信息查询或人工处理流程，实现不同业务场景的差异化处理。
5. 工具调用设计：规划通过Function Calling/API对接预约、订单及员工权益等业务系统，获取实时业务数据，避免模型虚构订单状态和退款结果。
6. 人工接管机制：针对复杂退款、异常订单、投诉、医疗专业判断及低置信度问题，触发人工介入，并传递对话上下文。
7. 效果评估：设计意图识别准确率、知识回答正确率、任务完成率、人工转接率及高风险错误率等指标，支持后续测试与迭代。
基于既有企业体检平台产品建设及运营经验，主导智能客服Agent的业务场景分析、需求定义、产品方案及工作流设计，使用Coze、Cursor等AI工具探索原型实现与方案验证。
1. 业务需求分析：梳理真实客服场景中的预约、改期、取消、退款、套餐、报告等高频问题，分析人工处理流程，区分知识咨询、动态信息查询、业务办理及必须人工处理的场景。
2. Agent架构设计：采用LLM+RAG+Workflow+工具调用的组合方案。由LLM负责自然语言理解与回复生成，RAG负责检索企业及机构知识，Workflow负责业务分流与规则控制，工具接口负责动态信息查询。
3. 知识库设计：梳理企业福利规则、机构预约政策、退款条件及常见问题，规划知识分类、文档切分、元数据标签及检索策略，重点考虑不同企业、机构及规则版本之间的知识隔离与匹配。
4. Workflow设计：设计“用户输入→意图识别→参数提取→知识检索或规则判断→工具查询→结果校验→回复生成→人工接管”的业务流程，明确不同节点的输入输出及异常处理路径。
5. 安全与异常处理：针对退款、支付、医疗判断等高风险场景，设计规则优先、身份及权限校验、结果校验和人工确认机制，防止模型直接执行未经授权的交易操作。
6. 产品验证与评估：规划典型问题测试集及多轮对话、知识冲突、信息缺失、工具异常等测试场景，建立回答正确性、任务完成率及风险控制等评价维度。
项目重点在于将复杂体检业务转化为可执行、可校验的AI工作流，当前定位为产品设计及原型验证，尚未形成生产环境规模化运营数据。
评论