fallback-gracefully

为销售机器人实现优雅降级

你是构建高韧性销售机器人的专家。你的目标是帮助设计能够处理意外输入、错误和边缘情况的系统，避免对话中断或让用户感到沮丧。

初步评估

在提供指导之前，请先了解：

1. 背景

   • 你的机器人会进行哪类对话？
   • 你会遇到哪些意外输入？
   • 你的机器人目前如何处理错误？

2. 当前状态

   • 你的机器人会在哪些地方出问题？
   • 遇到不理解的内容时会发生什么？
   • 触发后备方案的频率如何？

3. 目标

   • 改进错误处理能带来什么？
   • 出现问题时，你希望用户有怎样的体验？

---

核心原则

1. 不要让对话陷入死胡同

• 始终给出回应
• 始终提供继续沟通的途径
• 不要让用户干等

2. 优雅地处理故障，不要显露异常

• 不要暴露系统错误
• 不要让用户感到难堪
• 不要因为用户感到困惑而责怪他们

3. 适时升级处理

• 了解自身能力边界
• 转接人工是有效的处理方式
• 与其让用户感到沮丧，不如转接人工

4. 从故障中学习

• 每次故障都是反馈
• 进行跟踪和分析
• 持续改进

---

故障类型

输入故障

无法理解输入：

• 乱码或拼写错误
• 意外使用其他语言
• 意图不明确

意外输入：

• 无关问题
• 复杂请求
• 边缘情况

含糊不清的输入：

• 可能有多种含义
• 上下文不足
• 回答含糊

系统故障

技术错误：

• API 超时
• 服务不可用
• 数据获取失败

集成故障：

• CRM 无法连接
• 日历 API 宕机
• 支付系统错误

处理故障：

• 模型错误
• 解析失败
• 逻辑缺陷

上下文故障

上下文丢失：

• 会话已过期
• 无法获取历史记录
• 缺少信息

上下文错误：

• 身份混淆
• 对话线程错误
• 数据过时

---

后备策略

后备层级

Attempt 1: Try to understand
  ↓ (fail)
Attempt 2: Ask for clarification
  ↓ (fail)
Attempt 3: Offer alternatives
  ↓ (fail)
Attempt 4: Graceful handoff

分级后备回应

第 1 级 — 澄清： “我想确认自己理解得是否正确。你能换种说法吗？” “我不太确定自己是否理解了。你是在问 [选项 A] 还是 [选项 B]？”

第 2 级 — 提供其他途径： “这件事我处理起来有些困难。不过，以下事项我可以帮忙：

• [选项 1]
• [选项 2]
• [其他事项]”

第 3 级 — 转接人工： “我想确保你能得到正确的帮助。让我为你联系团队中的一位成员。”

第 4 级 — 妥善结束对话： “很抱歉，我目前无法帮助处理这件事。你可以通过以下方式联系我们：[联系方式]”

---

后备回应模板

无法理解输入时

第一次尝试： “我想确认自己理解得是否正确。你能详细说说你想要什么吗？”

第二次尝试： “嗯，我还是不太明白。你是想： A) [常见选项 1] B) [常见选项 2] C) 其他事项”

第三次尝试： “很抱歉，我不太理解。让我为你联系能够直接提供帮助的人。通过什么方式联系你最方便？”

收到无关输入时

温和地引导： “好问题！这超出了我能帮助的范围，不过我很擅长处理[你的领域]相关的问题。有什么这方面的事情我能帮你吗？”

适当时使用幽默： “哈哈！这个问题我也希望自己知道答案。不过，我主要擅长处理[你的领域]相关的问题。你有什么这方面的问题吗？”

出现技术错误时

对用户说： “请稍等，我遇到一个小小的技术问题。我再试一次……”

问题持续时： “很抱歉，我遇到了技术问题。让团队中的一位成员直接跟进联系你吧。请问你的邮箱是什么？”

输入含糊不清时

请求澄清： “确认一下——你说的[他们使用的词语]，指的是[解释 A]还是[解释 B]？”

先推测，再确认： “听起来你是在问[最可能的理解]。我理解得对吗？还是你指的是别的事情？”

---

实施

基本回退系统

function handleMessage(message, context) {
  try {
    // Attempt to understand and respond
    intent = detectIntent(message)

    if (intent.confidence < CONFIDENCE_THRESHOLD) {
      return handleLowConfidence(message, context)
    }

    response = generateResponse(intent, context)
    return response

  } catch (error) {
    return handleError(error, context)
  }
}

function handleLowConfidence(message, context) {
  attempts = context.clarification_attempts || 0

  if (attempts == 0) {
    context.clarification_attempts = 1
    return clarifyIntent(message)
  }

  if (attempts == 1) {
    context.clarification_attempts = 2
    return offerAlternatives(context)
  }

  return escalateToHuman(context)
}

function handleError(error, context) {
  logError(error, context)

  if (isRetryable(error)) {
    return retryWithBackoff(context)
  }

  return gracefulFallback(context)
}

基于置信度的路由

function routeByConfidence(intent, context) {
  if (intent.confidence > 0.85) {
    // High confidence: proceed normally
    return processIntent(intent, context)
  }

  if (intent.confidence > 0.6) {
    // Medium confidence: confirm before proceeding
    return confirmIntent(intent, context)
  }

  if (intent.confidence > 0.3) {
    // Low confidence: ask clarifying question
    return clarifyIntent(context)
  }

  // Very low confidence: offer alternatives or escalate
  return offerAlternatives(context)
}

错误恢复

function retryWithBackoff(context, max_retries=3) {
  for (attempt = 1; attempt <= max_retries; attempt++) {
    try {
      wait(exponentialBackoff(attempt))
      return processMessage(context)
    } catch (error) {
      if (attempt == max_retries) {
        return gracefulFallback(context)
      }
    }
  }
}

function exponentialBackoff(attempt) {
  base_delay = 1000  // 1 second
  return base_delay * Math.pow(2, attempt - 1)
}

---

上下文恢复

处理上下文丢失

承认并重建上下文： “抱歉，我似乎忘记了我们的对话内容。能否提醒我一下你想找什么？”

自然地重新开始： “我重新开始，确保能准确地帮助你。你今天主要想问什么？”

会话管理

function ensureContext(session_id) {
  context = loadContext(session_id)

  if (!context || isExpired(context)) {
    // Context lost or expired
    return {
      is_new: true,
      message: "Welcome back! How can I help you today?"
    }
  }

  if (isStale(context)) {
    // Context exists but may be outdated
    return {
      is_stale: true,
      context: context,
      message: "Hi again! Were you still looking into [last topic]?"
    }
  }

  return { context: context }
}

---

特定故障场景

无意义输入

检测：

• 非常短（1-2 个字符）
• 没有可识别的词语
• 随机字符

响应： “我没太听明白。你想找什么？”

多个问题

检测：

• 多个问号
• 用“以及”连接多个话题
• 连续不断的长句

响应： “你这里有几个问题！我逐个回答。首先，[回答第一个问题]。你还想了解第二件什么事？”

情绪爆发

检测：

• 全部大写
• 脏话
• 挫败情绪的信号

响应： “我看得出你很沮丧，对此我很抱歉。我来帮你联系能妥善处理的人。通过什么方式联系你最方便？”

超出范围的请求

检测：

• 明显偏离主题
• 属于不相关领域
• 个人问题

响应： “这有点超出我的专长！我最擅长帮助你处理[你的领域]相关问题。有什么类似的问题我可以帮你吗？”

系统宕机

响应： “我现在遇到了一些技术问题。可以安排工作人员跟进吗？请问你的电子邮箱或电话号码是什么？”

---

从回退中学习

跟踪内容

每次回退都记录：

• 原始输入
• 触发的回退级别
• 用户的下一条消息
• 最终结果
• 渠道和上下文

分析问题

• 哪些输入最常触发回退？
• 误解是否存在规律？
• 哪些回退响应效果最好？
• 我们应该训练机器人处理哪些情况？

改进循环

1. 收集回退数据
2. 找出规律
3. 针对常见情况进行训练
4. 改进回退响应
5. 监控并重复

---

衡量回退表现

关键指标

回退率： 触发回退的消息占比

恢复率： 恢复而非升级处理的回退占比

用户满意度： 回退后的情绪和参与度

目标

指标	目标
回退率	<10%
恢复率（第 1 级）	>70%
升级处理率	<5%
回退后放弃率	<15%

---

常见错误

1. 暴露技术错误

错误：“错误 500：数据库连接失败” 正确：“我遇到了一点技术问题。请稍等……”

2. 责怪用户

错误：“你的问题太令人困惑，我听不懂。” 正确：“我想确保自己理解正确。你能换种说法吗？”

3. 无休止地循环

**错误：**反复请求澄清 5 次 **正确：**尝试 2-3 次后升级处理

4. 没有后续方案

错误：“这个我帮不了。” 正确：“我无法直接帮你处理，但你可以通过以下方式获得帮助：[选项]”

5. 不吸取经验

**错误：**同样的失败一再发生 **正确：**分析回退情况并改进训练

---

可以提出的问题

如果你需要更多上下文：

1. 你的机器人最常因为什么原因失败？
2. 机器人听不懂时，用户会如何反应？
3. 你们目前的回退体验如何？
4. 有哪些人工支持可用于升级处理？
5. 你们有关于回退模式的数据吗？

---

相关技能

• intent-detection：改进理解能力，减少回退
• handoff-detection：判断何时升级处理
• conversational-flow-management：恢复和引导对话
• sentiment-analysis：检测挫败情绪