既然不想招客服，我就用 GPT-4o 封装了“全自动售后助理”。这个念头是在看到 Grok 向 X 订阅者开放那条新闻时冒出来的，当时我正被一个关于“发票抬头修改”的重复问题轰炸到第七遍。不是招不起人，是招人解决不了问题——培训成本、情绪波动、离职交接，每一样都比写代码更消耗心力。2019年那会儿组团队做外包，光客服岗就换过三茬人，最后发现最稳定的“员工”是我凌晨三点写的规则引擎，虽然它蠢得只会回复“请提供订单号”。
但这次不一样。GPT-4o 的上下文长度和指令跟随能力，让我第一次觉得“用自然语言教一个 AI 做事”是可行的，而不是早年那种需要精心设计意图和槽位的 NLU 工程。关键突破点在于让它理解“公司政策”和“人类潜台词”之间的灰色地带。比如，用户说“你们的产品有点小问题”，传统客服机器人会追问“具体是什么问题呢？”，而 GPT-4o 经过调教后，会直接回复“非常抱歉给您带来不好的体验，为了快速定位问题，方便提供一下您的设备型号和软件版本号吗？同时，您可以先尝试在设置中清理缓存，步骤是……”。这里面的逻辑是：先共情，再给一个轻量级解决方案（清理缓存）作为缓冲，同时索要关键诊断信息。这需要把过往三年的售后对话记录当成训练数据，反复调整系统提示词里关于“主动性”和“边界感”的权重。
调系统提示词是个体力加运气的活儿。你不能写“请友好且专业”，那太虚了。我得写成：“当用户表达不满时，第一句回应必须包含‘抱歉’或‘理解’的变体。提供解决方案时，按以下优先级排序：1. 官方知识库已有明确步骤的（附链接）；2. 需要用户提供信息的（明确列出所需信息项）；3. 需转交人工的（说明预计等待时间）。严禁在未确认用户身份时，透露订单详情中的联系方式或地址。” 然后就是跑测试用例，看它会不会被用户带偏。最头疼的是处理那些“一句话里混合了咨询、投诉和砍价”的复合型消息，AI 容易陷入逻辑迷宫，回复变得冗长且重点模糊。解决办法是强制它在最终输出前，用一行注释给自己总结：“核心诉求：价格异议；需执行：发送定价策略链接并询问预算范围。”
看着 Grok 那种带着 meme 和讽刺语气的回复，我就在想 Flovico 这个 IP 的输出是不是也太“干净”了。技术博客清一色的“痛点-方案-代码”，读起来像说明书。也许该掺点“成都式吐槽”，比如在讲解 API 频率限制时，来一句“这个限流策略抠门得像茶馆里续杯还要收钱的老闆”。用地域性的、带情绪的比喻来对抗 AI 产出的那种平滑的机械感，可能才是真人最后的壁垒。但难点在于度的把握，吐槽多了显得不专业，尤其是面对企业客户的时候。
封装工具本身用的是 n8n。GPT-4o API 接进来，前面挂一个语义路由节点，根据用户首句话判断是“售后”、“售前”还是“闲聊”，分流到不同的提示词模板。后面接数据库记录会话，关键动作（如承诺退款、升级问题）触发钉钉机器人通知我。界面就用 Gradio 快速糊了一个，丑，但能用。整个流程跑通那天，我取消了招聘网站的后台订阅。不是兴奋，是一种更复杂的疲惫——你知道你只是用新的技术债务，替换了旧的人力债务。这套系统哪天如果 OpenAI 调整了 API 计费策略或者模型底层逻辑，我又得从头再来。
但至少今晚，没有新的客服消息提醒。我可以盯着 Grok 的示例对话，想想怎么让我的 AI 助理在解决问题之余，也能带点人情味的“牙尖”，而不是永远那个标准化的、无可挑剔的礼貌。这或许就是 2023 年底的生存状态：一边享受着 AI 自动化带来的片刻喘息，一边焦虑着下一轮技术迭代何时会将自己现有的技能栈再次碾碎。
