cs-chatbot-design

聊天机器人设计

框架

IRON LAW: Intent First, Response Second

A chatbot must UNDERSTAND what the user wants (intent) before crafting
a response. Building response templates without intent classification
produces a keyword-matching FAQ, not a chatbot.

Flow: User message → Intent classification → Slot extraction → Response

核心 NLU 流程

阶段	功能	示例
意图分类	识别用户想做什么	“你们几点关门？” → 意图：check_hours
实体/槽位提取	从消息中提取关键信息	“周五订一张 4 人桌” → 槽位：{party_size: 4, date: Friday}
对话管理	决定下一步操作（询问缺失信息、确认、执行）	缺少槽位 time → 询问“您想订几点？”
回复生成	生成回复	“我已经为您订好了周五晚上 7 点的 4 人桌。到时见！”

意图设计

• 从 10-15 个核心意图开始，覆盖 80% 的用户查询
• 每个意图需要 10-20 条训练示例（使用不同的措辞）
• 添加一个 fallback 意图，用于处理无法识别的输入
• 将相关意图分组：将 order_status、order_cancel、order_modify 归入“订单管理”

对话流程模式

模式	适用场景	示例
单轮	简单问答，无需上下文	“你们的营业时间是？” → 立即回复
多轮（槽位填充）	需要收集多项信息	“订一张桌” → 询问人数 → 询问日期 → 询问时间 → 确认
分支	根据用户的回答选择不同路径	“您有账户吗？” → 有：登录流程 / 没有：注册流程
确认	执行操作之前	“我将取消订单 #12345。确认吗？”
转接	机器人无法处理请求	“我来帮您联系人工客服”

回复设计原则

1. 先确认需求：“明白了，您想查询订单状态。”
2. 简洁明了：回答问题后就此打住，不要添加不必要的信息。
3. 提供后续步骤：“还有什么我可以帮您的吗？”或建议相关操作。
4. 使用快捷回复/按钮：减少输入，引导对话。
5. 设定个性：定义一致的语气（友好、专业、随意），并始终保持一致。

指标

指标	定义	目标
意图准确率	正确分类的意图占比	> 85%
自助解决率	无需转接人工即可解决的占比	> 60-70%
CSAT	客户满意度评分	> 4.0/5
回退率	触发回退/未知意图的占比	< 15%
解决时间	平均解决时长	< 2 分钟

输出格式

# Chatbot Design: {Use Case}

## Intent Catalog
| Intent | Description | Example Utterances | Priority |
|--------|-----------|-------------------|---------|
| {intent} | {what it means} | "{example 1}", "{example 2}" | H/M/L |

## Dialogue Flows
### {Flow Name}
1. User: {trigger utterance}
2. Bot: {response + slot question if needed}
3. User: {provides info}
4. Bot: {confirmation or action}

## Fallback Strategy
- After 1 miss: rephrase + suggest options
- After 2 misses: offer human handoff

## Metrics Targets
| Metric | Target |
|--------|--------|
| Intent accuracy | > {X%} |
| Containment | > {X%} |

注意事项

• 用户不会按你的流程来：人们会以意想不到的方式输入、在对话中途改变话题，也会提供不完整的信息。设计时要考虑各种混乱情况，而不只是理想流程。
• 回退意图是最重要的意图：好的回退回复（“我不太确定是否理解了。您指的是 X、Y 还是 Z？”）胜过错误的猜测。
• 基于 LLM 的机器人仍需要防护措施：用 GPT/Claude 生成回复？添加意图分类作为第一层，用于路由和限制，防止产生幻觉和偏离话题的回复。
• 用真实用户测试，而非团队成员：你的团队了解机器人的工作方式，也知道如何“正确”表达。真实用户并非如此。上线前至少与 10 位真实用户进行测试。
• 对话日志非常宝贵：每周查看对话日志。失败的对话能揭示缺失的意图、令人困惑的流程和训练数据缺口。

参考资料

• 有关 NLU 训练数据最佳实践，请参阅 references/nlu-training.md
• 有关 LINE/Messenger 平台集成，请参阅 ecom-conversational skill