Module 01
多渠道收口
用开源客服中台聚合所有渠道的客户消息到同一个面板——避免每个渠道都做一套机器人，运维成本砍到极低。
把 AI 装进客服漏斗的「前置生成 + 人工审批」中间形态
客户是一家提供数字工具与基础设施服务的 B2B 跨境服务商，用户跨时区、做夜场，客服咨询量大但同质化严重——配置类问题占 70% 以上，少量真正高风险节点（退款 / 账号 / 技术故障）一旦回错就是经济损失和品牌信任损失。纯自动化救不了，纯人工又顶不住。我们交付了一套「AI 起草 + 手机端人工审批」的半自动化客服系统，目前已在生产环境稳定运行。
- FAQ 自动化率
- ~80%
- 已追踪对话
- 232+
- 审批记录
- 614+
- 覆盖时段
- 24/7
高频重复问答交给 AI
生产环境实际运行
全量留痕可追溯
跨时区不断线
The cost collapse
传统软件外包行业通行报价
¥40–80 万6 个月
012 个月
传统外包行业通行报价（多渠道客服中台 + 智能机器人定制）
temax 实际交付
¥8.5 万8 周
08 周
同样的需求范围，AI 时代的工具链下用 1/10 价格、1/4 周期交付完成。
Stage 02 · 工作流 AI 化
这是这位客户走上“AI 原生组织”路径的第一步。
入口工具AI 原生组织
每一步独立交付价值——客户可以停在 Stage 01， 也可以继续往下走。后一阶段比前一阶段更便宜，因为复利。
01 · The customer
客户画像
一家 B2B 跨境数字工具服务商——客户跨时区、24/7 来咨询，需求高度同质化但少数节点（退款 / 账号 / 故障）风险极高。原有的小客服团队 + 工单系统已经撑不住增长，业主直言「凡事都要回，凡事都不敢不回」。
02 · The challenge
纯自动化会乱承诺，纯人工又顶不住
客服压力非常具体：跨时区咨询 24/7 不断线、配置类问题占 70% 以上反复出现、少数高风险节点（退款 / 扣款 / 账号异常 / 技术故障投诉）一旦 AI 乱承诺就是经济损失和品牌信任损失。
更难的是「调性」——业内有自己的沟通风格：客户叫「老板」、回复要「在的」，不用 emoji、不用 markdown、不用「翻译腔」。直接接通用 LLM 几乎一定会出戏。
- 纯自动化机器人：误答风险高，业主信任不起来；
- 纯人工客服：小客服队夜班 + 通宵覆盖不全，且离职率高；
- 外包：调性永远是别人的，客户感知立刻变差；
- 需要的是「中间形态」——AI 起草 + 人工审批 + 风险闸门。
03 · What we built
两阶段处理流：AI 生成 → 风险闸门 → 自动 / 审批分流
把客服流程拆成两段：低风险问题 AI 起草后直接发出，高风险节点进入审批队列，由值班同事在手机端三键确认 / 拒绝 / 重生成。3500+ 条历史对话喂给 AI 当风格基线；知识库与系统提示分离，让非技术运营也能持续维护「调」与「红线」。
Module 02
AI 起草层
系统提示 + 知识库 + 3500 条历史对话作风格样本，AI 在 8–15 秒内出回复初稿。客户上传配置截图时，多模态视觉模型直接读图指出错误——不再要求客户「描述清楚问题」。
Module 03
风险闸门（可读规则）
把「哪些场景必须人工、哪些可以自动」写成可读的规则代码，而不是依赖 AI 自己判断。低风险直接发，高风险进审批队列——边界清晰、可审计、可回滚。
Module 04
手机端人工审批
审批界面就是值班同事手机里的一条消息——确认 / 拒绝 / 重生成三键操作。移动端通知、操作、留痕一气呵成，无需自建审批 UI。
Module 05
知识库 + 系统提示分离
产品参数、配置教程、常见问题集中在一份文本文件里，运营持续更新；系统提示定义人格、红线、回话调——两个维度解耦，非技术人员独立调整。
Module 06
状态全文件化部署
对话状态、审批历史以 JSON 文件持久化，无数据库依赖。单机 Node.js 即可部署，运维负担极低，事故回滚极容易。
04 · Evidence
改造前 → 改造后What actually changed in the workflow.
左边是这位客户改造前的真实工作流，右边是上线后的样子。
Before · 改造前
改造前 · 小客服队 24/7 轮班
覆盖不全 + 重复劳动 + 调性不稳
- 07:00人
夜班同事交接，盘点未处理对话
- 全天人
70% 时间在回重复的配置类问题
FAQ 反复出现，新人不敢自答
- 高峰人
退款 / 故障投诉积压
资深客服才敢处理，等回复经常几小时
- 凌晨人
海外时区客户无人回复
After · 改造后
改造后 · AI 起草 + 人工审批
80% 自动 + 20% 人工把关 · 24/7
- 10 秒SYS
客户消息进客服中台 → 调度引擎轮询
- 8–15 秒AI
AI 起草回复（含截图理解 / 知识库注入）
- 实时SYS
风险闸门判定：低风险直接发 / 高风险入审批
- 2–10 分钟人
审批者手机端三键操作：确认 / 拒绝 / 重生成
- 持续SYS
对话状态 + 审批记录全量留痕 JSON 文件
05 · Delivery manifest
交付清单What’s actually in the box.
不是 PPT，不是讲方法。下面是这次交付里实际接通的数据源、跑起来的自动化、用到的 AI 能力， 以及保留给人的审核动作和验收指标——一份对得起结果的清单。
Data sources4 项
数据源
- 多渠道客户消息（开源客服中台统一收口）
- 产品知识库（2400 字，运营可持续更新）
- 系统提示与红线规则（10000+ 字，定义人格 / 调性 / 禁忌）
- 3500+ 条历史对话风格样本
Automations5 项
自动化动作
- 10 秒轮询调度引擎 + 对话去重 / 防重复处理
- 结束语识别（48 种中英拼音表达）自动结束会话
- 20–60 秒拟人化随机延迟（模拟人类反应时间）
- 手机端审批队列与三键回写（确认 / 拒绝 / 重生成）
- 对话状态与审批历史 JSON 文件持久化（无数据库依赖）
AI modules3 项
AI 模块
- 客服回复 AI 起草（系统提示 + 知识库注入 + 历史风格样本）
- 客户截图多模态理解（视觉模型直接读图指出配置错误）
- 风险分级判定（规则化策略，不是 AI 自评）
Human checkpoints3 项
人工审核点
- 退款 / 扣款 / 账号异常 / 技术故障投诉等高风险节点强制审批
- AI 不确定 / 知识库未覆盖的问题统一兜底为「您稍等，我们核实下」
- 知识库 + 系统提示由运营持续维护（非技术人员独立操作）
Result metrics5 项
结果指标
- FAQ 类问题自动化率 ~80%
- 已追踪对话 232+ · 审批历史 614+ · 完整日志 14325 行 / 572KB
- AI 生成耗时 8–15 秒 · 人工审批中位耗时 2–10 分钟
- 24/7 跨时区覆盖 · 无需通宵值班
- 单机 Node.js 部署 · 无外部数据库依赖
06 · The result
业主「凡事都要回」的状态被解构
系统上线后稳定运行至今——FAQ 类高频问答约 80% 由 AI 在 10 秒内起草并自动发出，少数高风险节点经手机端三键审批后发出，全量对话与审批留痕可追溯。客服团队从「24 小时挂线」中解放出来，把人工时间集中投到真正需要判断的退款 / 故障 / 投诉环节。
- FAQ 自动化
- ~80%
- 追踪对话
- 232+
- 审批记录
- 614+
- 覆盖时段
- 24/7
Indirect benefits · 间接收益
- 客服调性不再因人而异——3500 条历史对话训练出的「在的」「您稍等，我们核实下」回话调稳定可控。
- 新客服上手周期显著缩短——红线写在规则代码里，新人不需要背一本「不该说的话清单」。
- 知识库由运营维护，不依赖技术人员——产品参数变了直接改文本文件，分钟级生效。
- 审批留痕 614 条变成持续优化的弹药——哪些问题反复进审批 = 哪些规则该被吸收进自动化。
“宁可让 AI 拒绝回答，也不承诺虚假解决方案。”
07 · Next step
这位客户的下一步Where this customer goes next.
每个阶段都不止于此。下面是这家公司在路线图上的下一站， 也是 AI 原生组织进化的下一格。
Stage 03 · 系统 AI 重构
把订单 / 资源管理也接进同一个 AI 工作流
客服半自动跑通后，下一步是把订单生命周期、资源分配、故障自愈接进同一套 AI 工作流——客户从「问问题等回复」升级为「问完直接拿结果」。客服系统从一个回答机器进化为一个执行机器。
预估12–16 周 · ¥15–35 万
看完整 RoadmapAnother case
多品牌连锁餐饮