企业官网建设流程全解析

简介：面向高级人工智能训练师的店小蜜智能客服专项资料，聚焦商品属性配置、转人工率计算、离线消息分流、大促优化与官方知识库维护等核心场景，可帮助电商客服运营者系统掌握诊断报告、数据看板及答案配置的实操要点。包体为单个PDF文件，大小约861KB，内容以要点清单和问答形式展开，便于快速查阅。目前已有378人学习浏览，在智能客服领域具有一定参考价值。资料覆盖35个知识点，既包括未解决榜实时优化、尺码表与官方选码兜底、冷门问法判定、离线消息批量分配等具体规则，也涉及欢迎语卡片数据看板、变量标签规范插入、多答案配置、兜底回答、减少转人工引导语等操作细节，并附有判断题与选择题式测试内容，便于自测掌握程度，适合作为训练师日常调优和培训参考的速查手册。

1. 店小蜜训练师到底在调什么：一份能直接拿去对答案的配置资料

做店小蜜智能客服的人工智能训练师，每天面对的不是写代码，而是一堆判断：这条答案要不要关联商品？那个变量标签为什么买家一触发就转人工？转人工率高了，先改知识库还是先改话术？这份材料把官方考核和日常配置的考点拆成了判断题和选择题，覆盖知识库、尺码表、数据看板、离线消息分流这些需要实际动手的板块。拆完之后我最大的感受是，它本质上是一份「配置自查清单」——适合刚接手店小蜜的人用来快速过一遍每个功能点的正确姿势，也适合已经配了一段时间的训练师用来对照自己的配置有没有踩到隐性坑。材料里没有理论空谈，全是能直接落到后台操作上的结论。

2. 知识库与答案配置的底层逻辑：为什么每个答案都要跟商品、时效、变量纠缠

2.1 商品属性配置：参数缺失时怎么给买家一个精确答案

先看一个实际场景：买家来问「这件衣服什么面料」，但商品详情页参数里没有「面料」这一项。店小蜜抓不到数据，要么回一句不痛不痒的话，要么直接转人工。官方知识库里有一个引导：当产品参数没有对应的参数信息，可以配置固定属性，把不同答案分别关联到对应商品。换句话说，不依赖系统自动读取每个商品的参数，而是在知识库中预设「面料=羊毛」这样的固定组合，让这条答案只在特定商品或分组下生效。

配置步骤一般是：在自定义知识库新建问题，比如「面料是什么」，答案编辑框写清楚材质类型，然后通过「关联商品」把答案绑定到对应商品ID。这里有个很容易忽略的点：答案关联了商品之后，买家咨询其他商品时，这条知识不会命中，店小蜜会继续向下匹配，匹配不到就会转入人工。所以，凡涉及商品属性的知识，最好把店铺主营商品的参数都覆盖到，不要只配一个爆款。

我常用的判断顺序是这样的：先看详情页有没有对应字段，有就直接用变量标签；没有就手写固定属性答案并关联商品；都做不到的，留一条通用兜底答案。这套顺序表面简单，但很多训练师为了省事直接插变量标签，结果详情页根本没这个字段，答案渲染成空壳，买家重复追问，转人工率不降反升。后面讲变量标签时我会专门拆这个坑。

2.2 变量标签：好用但最容易翻车

变量标签可以理解为动态占位符。答案里写「本商品面料为{面料}」，店小蜜回复时会去商品详情页抓取「面料」字段的值替换上去。好处是一条话术覆盖上千个商品，前提是商品详情页里真实存在这个字段。变量标签能用的板块也不止官方知识库，尺码表、关键词、问大家里都能用，越往后越会发现，它的使用范围几乎覆盖了知识库的所有核心场景。

关于操作规范，有两件事反复被提到：插入变量标签的位置在答案编辑框，点击「插入」按钮完成，不是手动敲花括号；插入前要确认宝贝详情页有对应参数。很多人跳过第二步，直接把标签插进所有答案，半年后商品换款、详情页字段改名，那段变量就静默失效了。

失效之后的现象很有迷惑性：买家问「内长多少」，店小蜜回的内容里变量位置是空白，买家看不懂，要求转人工；而转人工分析里显示这条知识有答案，看起来并不是无答案转人工。如果不是去测试窗里输入买家原话看渲染结果，你很难定位到是变量标签出了问题。所以我这边有一个死规矩：凡是答案里用了变量标签，建完必须到测试窗验证一遍；店铺换季换款后，再扫一遍爆款商品的详情页字段，失效标签连按删除。这套动作执行几个周期后，由空答案导致的转人工会明显下降。

2.3 答案的关联规则：商品、时效与兜底答案怎么搭配

官方知识库和自定义知识库在配置答案时有几条共通原则。一是每个问题尽量关联不同商品，分商品答复；二是同一个知识可以配置多个答案，店小蜜根据命中的商品、时效和类目选择合适的一条；三是每个问题都要有通用兜底答案，兜底答案不是「请咨询人工」，而是一句能让会话继续下去的回复。

「答案不可太明确」这条容易被误解。这里说的不是话术要模糊，而是不要写成合同条款式的绝对承诺。比如「本商品支持七天无理由退换」，一旦后台政策调整，买家拿着机器人的答复来投诉，责任就落到了店小蜜头上。正确姿态是给出一个相对安全、留有弹性的表述，把最终解释权留给人工。

还有一个隐蔽的坑：答案里尽量少包含转人工引导语。不少训练师习惯在每条答案后面挂一句「如需人工请点击」，本意是兜底，实际上把能自己解决的问题也推给了人工。欢迎语里的「你好，在吗」这类首次问候场景，更是不需要加转人工引导，加了反而把闲聊也变成工单。

2.4 官方知识库与自定义知识库：配置方法不是同一套

很多人把官方知识库和自定义知识库当成同一个东西来配，实际上两者差异不小。官方知识库是平台预先配置好的场景，分通用包和行业包，比如服装行业的尺码推荐、商品属性、问大家；自定义知识库是自己建的问题和答案。题目里「自定义知识库的配置方法和官方知识库完全一样」这个说法，答案是「否」。

具体差异我整理了一个对比：

官方知识库的配置重心集中在几个地方：商品属性配置，比如服饰行业的厚薄、弹性、面料、版型；尺码推荐配置；问大家配置；关键词配置。自定义知识库则更自由，但这里有一个「冷门定义」需要记住：连续两周该自定义知识的所有问法热度都几乎为0，才会被判定为冷门。如果知识本身有点击、有命中，只是命中率低，那是程度问题，不是冷门问题，优化路径也要分开。

3. 尺码表与选码场景：把推荐什么码做成可落地的规则

3.1 尺码表配置的优先级与边界

鞋服类目最让训练师头疼的就是选码。买家问「身高175，体重150，穿什么码」，不同商品的尺码分布不同，同一商品不同批次还有差异。官方给出的匹配顺序是：优先匹配尺码表，尺码表没有覆盖到的范围，再由官方选码场景兜底。也就是说，尺码表的优先级高于官方知识库的选码场景，这个先后关系直接决定了知识点配置的位置。

配置尺码表时有一个边界情况：如果某个身高体重区间没有推荐码，比如身高180-185、体重80-90这一栏，对应位置要填写「暂无该尺码」，而不是空着，更不是随手填一个相近尺码。空着，店小蜜不知道该回什么；填相近尺码，买家按错误建议买了，退货纠纷还要算在机器人头上。「暂无该尺码」既给了明确答复，也自动引导了人工介入。

后台的「商品尺码」功能不是默认出现的，需要订阅相关行业包。材料里明确提到的有服装、户外、手机、鞋类这几个行业包，订阅后功能入口才会出现。如果训练师在后台找不到「商品尺码」选项，先检查是不是漏订了行业包，而不是怀疑自己权限有问题。想快速找到某个商品的尺码表，用「商品尺码」左上角的「搜索商品ID」，输入商品ID直接定位，不用一页一页翻。

3.2 选码场景的提问格式引导

尺码表解决的是「有数据」的问题，但很多买家根本不会按格式提问。有人说「我该穿多大码」，有人只说「我175」，还有人发来一张图片，完全打乱了店小蜜的解析逻辑。针对提问顺序混乱的情况，官方给出的思路是：设置一句引导话术，让买家按正确格式回复。

引导话术的配置位置在官方选码场景下，内容一般是「亲，麻烦提供一下身高和体重，我帮您选码」。这里有两个配置细节值得注意。第一，引导话术尽量放在句首，不要放在答案末尾，很多买家只看到第一句话就回复了，放在末尾等于没引导。第二，话术里不要加平台前缀，越短越好，避免拉长无效交互。买家把身高体重发过来之后，店小蜜再次路由，尺码表的命中率会高很多。

3.3 同商品不同区间的个性化话术：只插一个{尺码值}

如果你的需求是「同一个商品，身高175和185的买家得到完全不同的推荐话术」，那么配置方法是：尺码区间设置个性化话术，在「回答话术」框里只插入{尺码值}这一个变量。这里的关键词是「只插入」。很多训练师会手滑把「推荐{尺码值}」这类固定文案也写进去，一旦{尺码值}取值失败，整句就变成空话。

这样设计的思路是，尺码表本身就是多维判断条件，身高体重区间已经替你分好了人群，话术里只需要一个动态变量来表示结果。插入{尺码值}之后，店小蜜会根据命中的区间，把那一栏填写的值渲染进话术。其他变量不要插——变量每多一个，就多一个取不到值的风险点。如果你发现后台尺码表里没有「商品尺码」功能选项，先订阅鞋类或服装行业包，再回到这个页面操作。

3.4 大促期间选码问题的前置处理

大促是选码咨询的集中爆发期。官方给出的方向是：大促期间要重视关键词的使用。具体落地上，我会在大促前三天做一件事：把选码引导话术复制到欢迎语卡片、商品推荐、关键词多入口；同时把活动相关、商品类、闲聊类、售后类四类知识全部过一遍，确保选码之外的催发货、优惠叠加、退款时效问题也有答案兜底。材料里对大促维护的定位很明确：活动期开始前，就把预计会问到的问题的答案提前设好，不要等咨询量上来了再现场改。

4. 数据看板驱动的优化闭环：从转人工率到未解决榜

4.1 转人工率的公式与解读

转人工率是店小蜜最核心的指标，公式是：转人工率 = 店小蜜请求转人工数 / 店小蜜接待买家数。分子是买家发起转人工请求的次数，分母是店小蜜实际接待过的买家数。这个公式的意义在于，它把转人工次数放到接待规模里归一化了，不同体量的店铺才能互相比较。

关于转人工率，有两个判断要说清楚。第一，转人工率越低，解决能力越高，这个方向是对的。第二，转人工率不是越低越好——退货退款、售后破损、客诉纠纷这些场景本来就该转人工，硬压只会把矛盾堵死在机器人层。合理的目标是把无意义转人工压下去，保留必要的转人工。如果店铺希望破损少件这类问题直接转人工，可以在直连人工场景里勾选「破损少件」，命中后不经过答案渲染，直接进人工队列。

转人工方式的定义有四个分类：没有配置答案转人工、给出回复但买家请求转人工、命中了「直连人工」的问题、店小蜜无法理解问题。这四类的占比直接决定优化顺序。「给出回复但买家请求转人工」占比高，优先优化答案质量；「无法理解问题」占比高，优先补问法和关键词；「没有配置答案转人工」占比高，优先补漏配答案的知识。判断来源，优化动作才不会乱。夜间接待模式也是在「人工优先」的基础上开店小蜜，买家先收到机器人应答，但随时可以请求人工，避免夜间无人时买家也得不到响应。

4.2 未解决榜和转人工知识高频列表的用法

「转人工分析」数据看板里的「未解决榜」，是训练师每天应该扫一眼的地方。榜上问题按频次排序，记录的是店小蜜没能解决、最终转人工的问题。针对榜上的高频问题，标准动作是：点进具体知识，看它的转人工方式，再决定是补答案还是改话术。

「转人工知识高频列表」的针对性更强，它主要针对「没有配置答案转人工」的内容做优化。这个列表和未解决榜的内容都支持下载，实际工作中我会每周下载一次，按关键词聚类，把同一意思的不同表达合并到一条知识里，用多个问法覆盖。关于「实时根据未解决榜的问题聚类来配置优化」这个说法，答案是否定的——数据统计本身有延迟，配置优化是周期性动作，不适合也不需要在接待高峰时段实时处理。

官方场景配置了答案，却仍然出现在「没有配置答案转人工前10名」里，原因一般是：答案关联了时效但时效已失效；答案关联了商品但没覆盖买家咨询的商品；答案字数超限；答案没有关联任何商品。排查时逐条对照，命中哪条改哪条。

4.3 欢迎语卡片数据与询单流失分析

欢迎语卡片是买家进店的第一触点。判断卡片效果有个典型的认知误区：以为改动之后第二天就能看到数据变化。实际上，欢迎语卡片的问题点击情况，最快也不是隔天就能看到稳定效果，数据是按自然日汇总的，最少也要以日为单位观察，不能拿早晨的改动去对应下午的点击。欢迎语卡片的问题列表也可以根据欢迎语卡片数据看板里的点击情况来调整，不是配好就不动了。

欢迎语卡片数据看板能看到的维度包括点击率、展示量、点击占比等，但看不到「欢迎语卡片转人工率」。转人工率属于接待环节的数据，不在卡片点击的归因范围内。实际运营中要分开看：看卡片内容行不行，看点击率；看客服接待行不行，看转人工分析。两者口径不同，混用会得出错误结论。

询单流失分析的数据来源比较多：咨询售后客服的买家记录、客服工具里的询单流失记录、买家的评价反馈、人工客服优秀服务流程中涉及询单流失分析的维度。流失分析要把机器人和人工的接待过程放在一起看，才能定位到是哪个环节把买家劝退。

与询单流失治理对应的是询单转化能力的提升。店小蜜的「商品推荐」功能，查看路径是「全自动机器人—商品推荐」，就是为关联销售设计的。会触发商品推荐的场景有：买家发宝贝链接并问尺码、表达购买意愿（如「我想买这个」）、询问是否包邮、宝贝已加购物车或下单未付款时来咨询并发了链接。这四类场景的共同点是买家已经表现出明确的商品意向，适合顺势推荐搭配商品。配置时可以针对爆款商品建个性化答案：自定义知识库新建多个问题分别关联对应商品，官方知识库商品属性场景和「发送了一个宝贝链接」场景也配个性化答案。注意，个性化答案不是把商品名塞进自定义问题里不关联商品，那个做法没有意义。另外有一个优先级判断：系统搭配推荐商品并不高于人工搭配推荐，人工推荐的准确度通常更高。

4.4 诊断报告的评价维度

店小蜜诊断报告是周期性评估配置水平的依据。评价维度包含四块：店小蜜使用情况、店小蜜配置水平、店小蜜智能服务水平、店小蜜询单转化能力。其中配置水平又细分为首问语配置点击率、官方知识库配置率、自定义配置条数、自定义配置条率。

这组细分指标把「配置得好不好」变成了可对比的数字。官方知识库配置率低，说明大量官方场景你还没维护；自定义配置条率低，说明条数虽多但实际命中差。看报告时注意两点：一是数值要与同行业同规模店铺对比，单看绝对值无意义；二是配置水平是中间指标，最终要看询单转化能力和转人工率的变化，不要为了把配置率做高而堆无用条目。

5. 避坑排查：店小蜜配置里五个容易翻车的地方

5.1 配置了答案，还是进了「没有配置答案转人工」列表

现象：一条知识后台已经保存了答案，但数据看板「没有配置答案转人工前10名」里依然出现它。

原因：答案的关联条件没覆盖到买家实际咨询的场景。最常见的四个原因是：答案关联了商品，但买家咨询的商品不在关联范围内；答案关联的时效已失效；答案字数超限；答案没有关联任何商品但这条知识所在的场景要求必须关联。

解决：打开这条知识，依次检查关联商品、时效、字数。重点是我反复强调过的兜底答案——配置一条不关联商品、不关联时效的通用答案，让任何场景都能命中，这类问题基本会消失。排查时还可以直接点进看板里这条知识，后台会显示命中的商品ID和回答内容，拿这个信息去对答案的关联范围，比盲改效率高很多。

5.2 变量标签取不到值，答案变成一句空话

现象：买家问「这款鞋内长多少」，店小蜜回复内容里变量位置空白，买家看不懂，转头就转人工。

原因：答案里插了{内长}变量，但买家咨询的商品详情页没有「内长」这个字段，取不到值，渲染出来是空的。鞋类行业包里这种变量很多，鞋码、内长、帮面材质、后跟高、靴筒高度都是高频配置项，某一个字段缺失就会出现类似的翻车现场。

解决：先用「搜商品ID」确认商品详情页有没有这个字段。有，用变量；没有，改写固定答案或尺码表。这条原则要当成铁律：变量标签插进去之前，先验一次页面字段是否存在。换季更换商品后，再扫一遍爆款商品的字段，把失效标签清理掉。不要等买家问出来问题才去查，转人工分析里那种「有答案但等于没答案」的记录，十有八九是变量失效。

5.3 官方知识库有答案，买家换种说法就命中不了

现象：买家问「这个衣服大不大」，官方知识库里明明有尺码相关的知识，店小蜜就是匹配不上。

原因：知识库问法覆盖太窄。官方要求「问法要全面，不能只写一个短语或一个词语」，很多训练师把问法写成「尺码」两个字，面对口语化表达自然命中不了。划词划得也不够准确，导致相似问法没法归类到同一条知识上。

解决：把测试窗当成日常工具，输入不同类型买家原话，命中不了的按买家的说法补进原知识里，并做一次划词，把关键词标出来。如果买家问题实际上在官方知识库里已经存在却匹配不到，可以在测试窗提交定位错误反馈，说明应该匹配哪条知识；也可以直接增加问法来覆盖。官方知识库没有现成知识时，就记录买家问法，分类配置到自定义问题或者关键词里。划词的真正意义是区分相似问法的归类，划得准，语义匹配才准。

5.4 大促前不维护，大促时现场补答案

现象：大促当天咨询量上来，转人工率直线拉升，训练师在后台边看边改，越改越乱。

原因：活动相关、商品类、闲聊类、售后类知识没有提前覆盖。大促期间的发货时效、优惠叠加、退改规则，平时根本不出现，等到买家集中来问才临时找答案，命中率自然低。活动等特殊时间下，不同发货时效要配置不同的答案，并关联对应的时效标签，否则买家问「什么时候发货」，机器人给的还是平时的标准话术。

解决：把大促维护固化成流程。活动开始前一周，把上一年同期的咨询记录翻出来，整理高频问题，提前配置好答案；活动期间每天固定时段看一次转人工知识高频列表，当天的缺口当天补，不要攒。官方明确说了，活动开始前就要把预计会问到的问题的答案提前设好。这个「提前」就是给训练师留缓冲时间，而不是给自己留改答案的时间。

5.5 冷门问法占用位置，拉低自定义配置条率

现象：自定义知识库里有一批知识，快两个月没有任何点击和命中，诊断报告的自定义配置条率一直很低。

原因：这批知识属于冷门自定义问法——定义是连续两周该自定义知识的所有问法热度均几乎为0。买家根本没有用你预设的问法来问，知识也就成了摆设。

解决：定期清理两周无热度的冷门问法。清理前先确认对应的商品是否还在售：商品下架导致的静默，直接把知识停用；商品还在售，重写问法，改成接近买家真实表达的表述。清理不是目的，让问法跟买家对齐才是目的。顺带说一下，自定义知识库的配置也有一个边界：不应该把用户问题过度简化到只剩一个短语，那是官方知识库问法不全面的反面教材；自定义知识的每个问法也并不是都必须划词，按需处理就好。

6. 进阶：把测试窗和离线消息变成每天的习惯

6.1 测试窗是定位问题最直接的入口

测试窗的功能很简单，但价值被很多人低估了。训练师想根据买家的问题定位到需要优化的知识点，正确路径就是：测试窗输入买家的问题，看店小蜜返回的是哪条知识、哪个答案。这一步能同时验证三件事：问法是否命中、答案渲染是否正常、变量标签是否取到值。我每次改完答案，都会把买家在转人工分析里的原话复制进测试窗，确认复现结果和看板描述一致，再判断下一步改什么。

6.2 离线消息的分流与查看

离线消息是买家在店小蜜无人响应时段留下的咨询记录。分流方式包括「批量分配」和「一键分配当天全部」，筛选维度里有「是否请求过人工客服」。这里有一个细节：离线消息未处理板块里，筛出「是否请求过人工客服」为「是」的买家后，双击客户名称，能查看到这部分在沟通过程中申请过转人工但没有转成功的买家聊天明细；「已处理」板块里双击客户名称，能看到成功转到人工客服的聊天记录。这个查看链路对复盘很有用——既能看没转成人工的堵点在哪，也能看转成功后人工客服是怎么接的。

6.3 一个压转人工率的习惯

我的习惯是从一次翻车里长出来的：某次大促前我把所有答案都过了一遍，唯独没查变量标签，结果大促当天有十几个买家问内长，店小蜜回的全是空白答案，转人工率直接顶到了预警线。从那以后，我每次改答案都强制走一遍测试窗验证，每周下载一次未解决榜和转人工知识高频列表做聚类，每次大促前先确认行业包没有漏订。这套流程看起来不性感，但确实把转人工率稳稳压住了。希望帮到你。

本文还有配套的精品资源，点击获取