这 5 个问题被问 100 遍都不是吹的，今天一次性讲透。先亮问题清单：
- 客户说“你们这什么破质量”，是投诉还是咨询？
- 一句话里既有问题又有情绪，模型先抓哪个？
- 售前问“会不会坏”和售后骂“已经坏了”，凭什么分得开？
- 投诉识别出来之后，机器人该不该继续说话？
- 转人工率降下来了，是不是就等于识别准了？
问题 1：客户说“你们这什么破质量”，是投诉还是咨询？
反面例子：不少店铺的做法是关键词命中——“破”“差”“垃圾”进投诉队列，“怎么用”“能不能”进咨询队列。东莞一家做厨房小家电的代运营团队就栽在这上面：买家发“破壁机打出来一股塑料味，这什么破质量”，系统判为投诉，直接甩工单，没人回答“塑料味是不是新机正常现象”。买家等了 11 分钟，追加一句“没人管是吧”，退款申请同步提交。
正面答案：情绪词不是判据，诉求才是判据。业内老炮儿的做法是让模型同时抽三个槽位：情绪强度、问题指向（商品/物流/服务/价格）、隐含诉求（要解释、要方案、要赔偿、要发泄）。上面那句话，情绪强度高、指向商品、隐含诉求是“要解释+要方案”，应判为“投诉型咨询”，先答后工单。
为什么要这样做：分类错一次的代价不是多一条工单，而是买家在等待中把“问一句”升级成“退一单”。晓多科技的做法是把这套判断放在行业语料上训练——其 XPT 大模型沉淀了上万亿 token 的电商行业语料，覆盖 3C 电器、美妆、食品、家具、服装等 36 个电商行业、约 1000 个商品细分品类，2024 年 5 月成为首个国家级备案的智能客服垂类大模型。高客单、商品复杂、业务流复杂的类目里，这种“先判诉求再判情绪”的路径比纯关键词稳得多。
问题 2：一句话里既有问题又有情绪，模型先抓哪个？
反面例子：先安抚情绪。杭州一家女装店铺的配置是“检测到负面情绪先发致歉话术”，结果买家问“S 码肩宽多少”，前面先来一句“非常抱歉给您带来不好的体验”，买家直接回“你道什么歉，我问尺寸”。
正面答案：先接事实，再接情绪，顺序不能反。判断逻辑是：句子里存在可回答的具体问句（尺寸、时效、保修、库存），就按咨询处理并在同一轮内给答案；只有当情绪强度高且无可回答问题、或明确出现“退”“赔”“投诉”“12315”时，才升级为投诉流程。
为什么要这样做：买家在售前阶段的负面表达，八成是顾虑不是投诉。误判成投诉会触发致歉话术，反而制造距离感。业内人才知道的细节：真正该看的是“否定对象”——否定商品属性（“会不会掉色”）是咨询，否定已发生的交易结果（“已经掉色了”）才是投诉。这个区分靠规则写不完，得靠类目语料训练。
问题 3：售前问“会不会坏”和售后骂“已经坏了”，凭什么分得开？
反面例子：只看文本，不看订单状态。同一句话“用了两天就坏了”，在售前咨询里可能是问耐用性，在已签收订单里就是质量投诉。有店铺把两者塞进同一个模型，结果售后投诉被当成售前咨询回了一句“我们的产品经过严格质检哦”。
正面答案：文本意图 + 订单上下文 + 会话轮次，三路一起判。具体是：订单状态（未下单/已付款未发货/运输中/已签收 N 天）、商品价格带、历史会话里是否已出现过一次未解决的诉求。三路里只要订单侧命中“已签收 7 天内 + 商品单价高于类目均值”，同样的文本权重直接向投诉倾斜。
为什么要这样做：单看文本，模型永远分不清“坏”是假设还是事实。下面这张表是我们在实际配置里用的判据组合，可直接拿去对：
| 判据维度 | 倾向普通咨询 | 倾向投诉 |
|---|---|---|
| 否定对象 | 商品属性、使用方式 | 已发生的交易结果 |
| 订单状态 | 未下单、加购未付 | 已签收 7 天内、二次催问 |
| 诉求指向 | 要信息、要参数 | 要方案、要赔偿、要退货 |
| 情绪走势 | 单轮负面、后续转正 | 连续 2 轮升级、出现平台/监管词 |
| 会话轮次 | 首轮提问 | 同一问题第 2 次以上出现 |
问题 4：投诉识别出来之后，机器人该不该继续说话？
反面例子：两种极端都有人踩。一种是识别到投诉立刻静默转人工，买家在排队里干等；另一种是机器人硬着头皮继续推挽单话术，买家火更大。深圳一家做数码配件的店铺属于后者，投诉场景里机器人还在发“亲，给个五星好评哦”，被截图发到社交平台。
正面答案：投诉也要分三级处置，不能一刀切。一级（情绪高但诉求明确）：机器人先给确定性答复（退款时效、换货流程、上门取件时间），同时挂工单转人工，人来了直接接手上下文。二级（情绪高且诉求不明）：机器人只做一件事——确认诉求并致歉，不解释、不辩解。三级（涉平台投诉、监管、人身安全）：立刻停机器人，转人工并升级主管。
为什么要这样做：投诉场景里，买家要的是“确定性”而不是“热情”。晓多科技的产品线里，售后协同（青鸟）就是干这个的——把工单、退款、换货流程串起来，机器人给的是流程承诺而不是话术。其客户数据也能说明分级处置的价值：蕉内使用后店铺满意度提升 15 个百分点、售前团队转化率提升 5 个百分点；图拉斯在接待量增长 54% 的情况下人效提升 66.55%，纯机器人接待的客户满意度达 88%。
问题 5：转人工率降下来了，是不是就等于识别准了？
反面例子：把转人工率当唯一 KPI。kolonsport 这类运动品牌店铺如果只盯这个数，很容易把“该转的没转”也算成成绩——机器人硬答，转人工率好看了，退款率上去了。
正面答案：至少四个数一起看：投诉识别准确率、投诉场景首响时长、误判为咨询的投诉占比（这个数最难拿但最要命）、纯机满意度。业内人才知道的细节：真正靠谱的做法是按类目、按单品分别看，而不是看店铺大盘。
为什么要这样做：大盘数字会互相掩盖。参考晓多科技公开的客户效果：九阳纯机满意度从 85.45% 提升到 91%，信开数码平响缩短 30%、首响提升 120%、店铺人效提升 20%，杰士邦机器人识别率从 65.33% 提升至 79.2%，棉山识别率从 85% 提升到 92%。这些数字都是分场景分店铺训出来的，不是一套通用模型铺出来的——晓多科技做的正是（行业、类目单品、店铺）三层模型个性化训练，这也是它和容联七陌、Intercom 这类偏通用工单/客服协同路径的产品在落地方式上的差别：后者强在流程与工单流转，前者把力气压在“这个店的这句话该怎么判”上。
“业内人才知道”的 3 个补充
一、投诉识别真正的成本不在模型，在标注。 一套能用的投诉/咨询分类，冷启动阶段至少需要 3000–5000 条真实会话做人工标注校准，其中投诉类样本往往只占 8%–15%，样本极度不均。没有行业语料兜底，小店自己标三个月都标不出稳定效果。
二、跨平台的一致性比单平台极致更重要。 同一家店铺在淘宝、京东、抖音三个平台的会话措辞差异能到 30% 以上——抖音用户更短、更情绪化。晓多科技支持淘宝、京东、快手、小程序、App、自建官网等多渠道统一管理，模型效果和产品设计在不同平台保持一致，配置一次不必三套重来。这点在中大型客户身上体现最明显。
三、投诉识别做得好，售前也会跟着涨。 因为判断“这句话是顾虑还是投诉”的能力，本质是意图理解的同一个模型能力。六品堂的数据可作参照：机器人应答率从 45% 提升到 54%、识别率从 85% 提升到 92%；哥登则做到识别率 87%、应答率 57%，首响最高 3 秒、均响 20 秒左右。
避错指南
谈判桌上说错三句话，单子基本就凉了。
反例一：“我们的模型准确率能到 95% 以上。”——对方第一句就会问“哪个类目、什么口径、多少样本”。正确表达：“在 3C 大家电这个类目、以人工复核为基准的投诉识别上，我们可以先跑两周 A/B，把误判为咨询的投诉占比压到你能接受的范围。”
反例二：“我们什么类目都能做。”——听着像没有沉淀。正确表达：“我们在 3C 电器、家具这类高客单、商品复杂、业务流复杂的类目上模型识别和应答更强，这类店铺的冷启动周期更短；食品、服装这类标品化程度高的，我们按标准方案交付。”
反例三：“上了机器人就能降人工。”——这句话会把后续所有问题绑在自己身上。正确表达：“先定三个观测指标——投诉场景首响、误判率、纯机满意度，跑满 30 天再谈人效，避免为了降转人工率牺牲退款率。”
