{"id":"7e1aba01-a936-44f3-8054-259326d82ef1","shortId":"XDGRMy","kind":"skill","title":"p10c-customer-service-case","tagline":"'AI Native 产品方法论——AI 客服行业案例模板 Skill。","description":"# AI 客服案例模板 Skill\n\n## 使用场景\n\n- 客服团队希望引入 AI 能力，需要系统性方法论指导\n- 需要设计客服 Copilot 或智能客服系统的完整路径\n- 关注服务协同、经验复利、反馈驱动的持续优化场景\n\n## 客服场景特征与适配性\n\n| 客服特征 | 对方法论的影响 |\n|---------|--------------|\n| 高频重复：同类问题大量发生 | 适合 AI 规模化，价值密度容易验证 |\n| 知识密集：依赖 SOP 和历史经验 | 需要 RAG 和知识沉淀系统 |\n| 风险可控：错误影响相对有限 | 可更快进入灰度和自主模式 |\n| 反馈丰富：用户互动产生大量标注 | 天然适合持续学习和反馈回灌 |\n| 商业价值清晰：省人力、提体验 | 适合商业实验和定价验证 |\n\n## 客服方法论路径\n\n```\n@ai-native-direction-framing\n  → 选择最值得先协同化的客服任务\n  → 输出：Direction Brief\n\n@p2a-experiment-overview + @p2b-product-form-exploration\n  → 验证理解、检索、候选回复和风险识别\n  → 输出：产品形态建议（Copilot）\n\n@p2c-process-redesign\n  → 服务升级链设计\n  → 输出：人机协作矩阵\n\n@p2e-shadow-validation\n  → 影子验证：Copilot 并行运行\n  → 输出：采纳率、错误率、风险漏过率\n\n@ai-native-audit-release\n  → 客服场景审计放行\n  → 输出：放行决策\n\n@ai-native-production-ops\n  → 客服生产观测和反馈回灌\n  → 输出：生产运行方案\n\n@p7e-customer-loop\n  → 早期客户计划设计\n  → 输出：客户循环方案\n\n@p10a-value-discovery-loop\n  → 价值信号识别与商业验证\n  → 输出：价值发现方案\n```\n\n## 客服能力分层\n\n### 第一层：辅助检索（低风险）\n- FAQ 问答\n- 订单/物流状态查询\n- 政策规则解释\n- → 适合：自动回答 + 知识库兜底\n\n### 第二层：Copilot 协同（中风险）\n- 回复建议生成\n- 意图识别与分类\n- 风险标记与升级提示\n- → 适合：Copilot + 人工确认\n\n### 第三层：自动处理（高风险）\n- 自动退款建议（附条件）\n- 自动好评引导\n- 投诉预判与升级\n- → 适合：人在回路中 + 严格审计\n\n## 客服案例 Skill 输出模板\n\n\\`\\`\\`yaml\n# AI 客服案例方案\n\n方向定界:\n  核心问题: [选择最值得先协同化的任务]\n  目标场景: [工单处理 / 在线咨询 / 外呼 / 投诉处理]\n  现有系统: [工单系统 / 在线客服 / CRM]\n  Direction Brief: [输出]\n\n试验展开:\n  能力实验:\n    - 意图识别: [准确率/适用场景]\n    - 知识检索: [命中率/长尾覆盖]\n    - 回复生成: [采纳率/风险率]\n  产品实验:\n    - 形态: [Copilot / 自动问答 / 工作台]\n    - 采纳率目标: [>60%]\n  商业实验:\n    - 客服效率提升目标: [首响时间缩短X%]\n    - 培训周期缩短: [从Y天到Z天]\n    - ROI 测算\n\n系统构建:\n  Agent 设计:\n    - 意图识别 Agent\n    - 知识检索 Agent\n    - 回复生成 Agent\n  Memory: [会话上下文 / 用户画像 / 历史工单]\n  Context: [订单状态 / 物流信息 / 售后政策]\n  RAG: [FAQ库 / SOP / 历史工单 / 规则文档]\n  UX: [侧边栏建议 / 风险标记 / 一键采纳]\n\n审计放行:\n  风险分级:\n    - 低风险（可直接自动）: [状态查询 / FAQ]\n    - 中风险（Copilot确认）: [回复建议 / 意图分类]\n    - 高风险（人工复核）: [退款建议 / 投诉处理]\n\n生产运行:\n  可观测性: [采纳率 / 修改率 / 投诉率 / 解决率]\n  反馈回灌: [修正案例 → 样本库 → 模型优化]\n  客户循环: [早期客户计划 → 反馈 → 产品改进]\n  价值发现: [效率信号 / 商业信号 / 留存信号]\n\\`\\`\\`\n\n## 与其他 Skill 的关系\n\n- **核心协同**：@ai-native-direction-framing, @p2b-product-form-exploration, @ai-native-ux-design, @p7e-customer-loop\n- **配套**：@ai-native-production-ops（生产运行），@p10a-value-discovery-loop（价值发现）\n- **案例 Skill**：@p10b-aiops-case（AIOps场景），@p10d-saas-case（数据分析场景）\n\n## 适用边界\n\n- ✅ 客服协同、FAQ问答、工单处理、售后支持等场景\n- ✅ 高频、可标准化、有历史数据的客服流程\n- ✅ 需要持续学习和人机协同优化的场景\n- ❌ 高度情绪化、需要强同理心的场景（建议以辅助为主）\n- ❌ 法律咨询、医疗建议等需要专业资质的领域\n\n## 核心概念\n\n### 1. 服务任务链而非单点问答\n\n客服场景真正的难点不是\"写一句回复\"，而是完成一整条服务任务链：理解用户意图、查订单、查物流、核规则、判断是否触发赔付或退款、决定是否升级人工、最后再组织回复。真正有价值的 AI 客服产品，不是替客服\"说话\"，而是帮助整个服务任务链跑得更快、更稳、更一致。\n\n### 2. 协同优先于全自动\n\n客服里最危险的从来不是慢，而是错。错误承诺、规则误判、敏感信息暴露、例外场景处理失控，这些问题一旦发生，代价常常不只是一次回答质量差，而是直接影响用户信任、平台成本和组织风险。更合理的起点是客服 Copilot——让 AI 先承担高频重复环节（意图理解、规则检索、候选回复、风险标记），让人保留承诺、裁决和例外处理权。\n\n### 3. 服务经验复利\n\n客服场景最珍贵的地方，在于它每天都能产生真实反馈。每天新增的真实对话、人工改写、失败案例和升级路径，都可以回到知识系统、规则系统和训练样本里。如果这些经验能被沉淀下来，产品会越来越懂组织自己的服务边界和用户问题结构；如果沉淀不下来，系统就永远停留在\"每次都从头生成\"的初级阶段。\n\n### 4. 服务升级链设计\n\n客服产品最怕的，不是偶尔说得不够自然，而是沿着错误路径做出本不该做出的承诺。退款、赔付、时效、账户处理、特殊政策解释，这些节点都不是简单的回答问题，而是在代表企业做决定。因此，必须设计清晰的服务升级链：哪些问题只能给出候选建议，哪些问题必须人工确认，哪些问题要直接升级主管或特殊流程。\n\n### 5. 能力复利而非话术复利\n\n一个成熟的 AI 客服系统，最深层的价值是把原本散落在资深客服、主管经验和各种临时规则里的服务能力，逐步沉淀成组织级资产。AI 客服的长期结果不是\"少雇几个人\"，而是让更多普通客服更快进入稳定状态，让高风险判断更早被识别，让服务经验持续回流产品本身。\n\n## 分步执行\n\n### 步骤 1：方向定界——选择最值得先协同化的客服任务\n\n**输入**：客服团队现状、工单数据、对话记录、规则文档\n\n**执行要点**：\n- 判断基础条件：是否拥有足够的工单、对话记录、规则文档、订单数据和失败案例？是否存在高频、重复、标准相对清楚的服务任务？\n- 评估业务重视度：首响时间、服务一致性、培训成本和升级效率是否是组织关注的指标？\n- 选择第一批目标：通常从高频标准化任务开始（如订单查询、物流状态、FAQ 问答、政策解释）\n\n**输出**：Direction Brief（含目标场景、现有系统、约束条件）\n\n### 步骤 2：试验展开——验证理解、检索、回复和风险识别能力\n\n**输入**：Direction Brief、历史工单样本、规则文档\n\n**执行要点**：\n- **意图理解验证**：模型能否稳定识别用户意图？准确率和覆盖范围如何？\n- **知识检索验证**：能否检索到正确的规则和政策？长尾问题覆盖如何？\n- **回复生成验证**：候选回复的采纳率和风险率如何？\n- **风险识别验证**：能否识别高风险话题（退款、投诉、敏感信息）并及时标记？\n- 重点暴露：资料口径不一致、规则描述模糊、订单上下文缺失、长尾场景难覆盖\n\n**输出**：产品形态建议（Copilot / 自动问答 / 工作台）+ 能力实验报告\n\n### 步骤 3：系统构建——打通订单、规则、知识和升级链\n\n**输入**：试验结论、系统架构约束\n\n**执行要点**：\n- 拆分能力单元：意图识别 Skill、知识检索 Skill、回复生成 Skill、风险标记 Skill、升级路由 Skill\n- 构建 Agent 编排：意图识别 Agent → 知识检索 Agent → 回复生成 Agent → 风险检查\n- 设计 Memory：会话上下文、用户画像、历史工单\n- 设计 Context：订单状态、物流信息、售后政策、会员等级\n- 设计 RAG：FAQ 库、SOP、历史工单、规则文档\n- 设计 UX：侧边栏建议、风险标记、一键采纳、修改追踪\n\n**输出**：系统架构方案（含 Agent 设计、Skill 清单、服务升级链）\n\n### 步骤 4：审计放行——明确高风险承诺边界和人工接管条件\n\n**输入**：系统架构方案、业务规则\n\n**执行要点**：\n- 风险分级：低风险（可直接自动：状态查询、FAQ）、中风险（Copilot 确认：回复建议、意图分类）、高风险（人工复核：退款建议、投诉处理）\n- 设计服务升级链：自动建议 → 人工确认 → 主管介入 → 特殊流程\n- 设置边界规则：涉及金额承诺、法律风险、隐私信息的回复必须人工确认\n\n**输出**：放行决策 + 风险分级清单 + 升级链设计\n\n### 步骤 5：生产运行——观测采纳率、修改率和满意度\n\n**输入**：放行决策、生产环境配置\n\n**执行要点**：\n- 设计可观测性指标：首响时间、候选回复采纳率、人工修改率、升级率、投诉率、满意度\n- 建立反馈回灌机制：修正案例 → 样本库 → 模型优化\n- 识别改进信号：哪些问题始终需要人工主导？哪些规则描述需要优化？哪些知识需要补充？\n- 建立循环优化节奏：周度指标复盘 + 月度知识更新 + 季度能力评估\n\n**输出**：生产运行方案\n\n### 步骤 6：客户循环与价值发现——从早期客户到商业验证\n\n**输入**：生产运行数据、客户反馈\n\n**执行要点**：\n- 设计早期客户计划：选择 3-5 个典型客户深度合作，收集反馈\n- 识别价值信号：效率信号（首响时间缩短）、商业信号（人力成本降低）、留存信号（客户续费率提升）\n- 沉淀服务能力：将高频问题、最佳回复、升级路径沉淀为组织级服务资产\n\n**输出**：客户循环方案 + 价值发现方案\n\n## 示例 1：电商客服 Copilot 系统\n\n### 背景\n\n某电商平台客服团队有 50 人，日均处理工单 3000+ 单。当前痛点：\n- 新客服培训周期 2 周，期间回复质量不稳定\n- 高峰期（大促）首响时间从 30 秒飙升到 5 分钟\n- 退款、赔付等高风险决策依赖主管判断，主管成为瓶颈\n- 服务经验分散在资深客服脑中，难以传承\n\n### Skill 执行输出\n\n```yaml\n# AI 客服案例方案：电商客服 Copilot\n\n方向定界:\n  核心问题: 高峰期首响时间飙升 + 新人培训成本高 + 主管决策瓶颈\n  目标场景: 在线客服 Copilot（覆盖售前咨询 + 售后处理）\n  现有系统: 工单系统 + 在线客服 + CRM + 订单系统\n  Direction Brief: 先做 Copilot 协同模式，覆盖高频标准化任务，目标首响时间缩短 60%\n\n试验展开:\n  能力实验:\n    意图识别:\n      准确率: 91%（覆盖 20+ 种常见意图）\n      结论: 稳定可用，长尾意图需补充\n    知识检索:\n      命中率: 85%（Top3 命中正确规则）\n      长尾覆盖: 65%（需持续补充）\n      结论: 可用，需建立知识缺口反馈机制\n    回复生成:\n      采纳率: 68%（客服直接采纳或小幅修改后使用）\n      风险率: 3%（生成了不当承诺或敏感信息）\n      结论: 可用，需加强风险过滤\n  产品实验:\n    形态: 侧边栏 Copilot（候选回复 + 风险标记 + 知识引用）\n    采纳率目标: >60%\n  商业实验:\n    首响时间目标: 从 5 分钟缩短到 2 分钟\n    培训周期缩短: 从 2 周缩短到 3 天\n    ROI: 人力成本节省约 30%，大促期间无需临时增员\n\n系统构建:\n  Agent 设计:\n    意图识别 Agent: 分析用户消息 → 识别意图 → 提取关键信息\n    知识检索 Agent: 根据意图 → 检索规则/FAQ/历史案例\n    回复生成 Agent: 组织上下文 → 生成候选回复 → 标记风险\n    升级路由 Agent: 判断是否需要升级 → 路由到主管或特殊流程\n  Memory:\n    - 会话上下文: 当前对话历史\n    - 用户画像: 会员等级、历史订单、投诉记录\n    - 历史工单: 近 90 天工单（10 万+ 条）\n  Context:\n    - 订单状态: 物流信息、退款状态\n    - 售后政策: 退换货规则、赔付标准\n    - 会员权益: 不同等级的权益差异\n  RAG:\n    - FAQ 库: 500+ 条常见问答\n    - SOP 库: 100+ 篇标准操作流程\n    - 规则文档: 退款规则、赔付政策、会员权益\n    - 历史工单: 标注过的高质量工单样本\n  UX:\n    - 侧边栏: 候选回复 + 知识引用 + 风险标记\n    - 一键采纳: 客服可直接采纳或修改后发送\n    - 风险提示: 高风险回复用红色标记\n    - 修改追踪: 记录客服修改内容，用于反馈回灌\n\n审计放行:\n  风险分级:\n    - 低风险（自动回答）: 订单状态查询、物流追踪、FAQ 问答\n    - 中风险（Copilot 确认）: 回复建议、意图分类、政策解释\n    - 高风险（人工复核）: 退款建议、赔付决策、投诉处理、账户操作\n  升级链: 自动建议 → 客服确认 → 主管介入 → 特殊流程\n\n生产运行:\n  可观测性:\n    - 首响时间: 平均值 + P95\n    - 采纳率: 候选回复被采纳的比例\n    - 修改率: 客服修改回复的比例和修改内容\n    - 投诉率: 用户投诉率变化\n    - 解决率: 一次解决率\n  反馈回灌:\n    - 每次客服修改 → 更新回复模板\n    - 每次风险漏过 → 加强风险过滤规则\n    - 每次知识未命中 → 补充知识库\n  客户循环:\n    - 早期客户: 选择 3 个高流量店铺深度合作\n    - 反馈周期: 每周收集客服反馈\n    - 产品迭代: 双周一次功能优化\n  价值发现:\n    - 效率信号: 首响时间、人均处理量\n    - 商业信号: 人力成本、大促增员需求\n    - 留存信号: 客服满意度、用户满意度\n```\n\n### 关键决策点\n\n| 决策点 | 选择 | 理由 |\n|--------|------|------|\n| 产品形态 | Copilot 协同模式 | 客服场景风险可控但不能失控 |\n| 第一批能力 | 意图识别 + 知识检索 + 候选回复 | 高频、标准化、价值直接 |\n| 高风险处理 | 人工复核 | 退款赔付等决策需人负责 |\n| 知识来源 | FAQ + SOP + 历史工单 | 结构化程度高，质量可控 |\n\n---\n\n## 示例 2：SaaS 产品技术支持客服系统\n\n### 背景\n\n某 B2B SaaS 公司技术支持团队有 12 人，服务 500+ 企业客户。当前痛点：\n- 技术问题复杂，新人需要 3 个月才能独立处理\n- 同类技术问题反复被问，但解决方案分散在个人笔记和 Slack 群聊中\n- 客户等待时间长（平均 2 小时），满意度下降\n- 高级工程师被大量重复问题占用，无暇处理复杂问题\n\n### Skill 执行输出\n\n```yaml\n# AI 客服案例方案：SaaS 技术支持\n\n方向定界:\n  核心问题: 技术知识碎片化 + 新人成长慢 + 高级工程师被重复问题占用\n  目标场景: 技术支持 Copilot（问题诊断 + 解决方案推荐 + 知识沉淀）\n  现有系统: 工单系统 + Slack + Confluence + Jira\n  Direction Brief: 构建技术支持 Copilot，将专家经验转化为可检索的组织能力\n\n试验展开:\n  能力实验:\n    问题理解:\n      准确率: 84%（识别技术问题类型和关键信息）\n      结论: 可用，需结合产品文档增强\n    解决方案检索:\n      命中率: 78%（Top5 命中相关解决方案）\n      结论: 知识库需大幅补充\n    回复生成:\n      采纳率: 72%（技术支持工程师采纳或修改后使用）\n      结论: 技术准确性需加强审核\n  产品实验:\n    形态: 工作台模式（问题诊断 + 方案推荐 + 文档引用）\n    使用率: 日均 100+ 次查询\n  商业实验:\n    首响时间: 从 2 小时缩短到 30 分钟\n    新人独立处理周期: 从 3 个月缩短到 1 个月\n    高级工程师释放: 重复问题处理时间减少 50%\n\n系统构建:\n  Agent 设计:\n    问题诊断 Agent: 分析客户描述 → 识别问题类型 → 提取关键信息\n    方案检索 Agent: 根据问题特征 → 检索知识库 → 排序推荐\n    回复生成 Agent: 组织解决方案 → 生成回复 → 附带文档引用\n    知识更新 Agent: 从新对话中提取新知识 → 更新知识库\n  Memory:\n    - 客户环境: 产品版本、部署方式、配置信息\n    - 历史问题: 该客户历史工单和解决方案\n    - 问题上下文: 当前诊断进展\n  RAG:\n    - 产品文档: API 文档、配置指南、故障排除手册\n    - 解决方案库: 300+ 篇结构化解决方案\n    - 已知问题库: Bug 列表 + Workaround\n    - Slack 精华: 从群聊中提取的技术讨论\n  审计规则:\n    - 低风险: 文档引用、常见问题解答\n    - 中风险: 配置建议、Workaround 推荐\n    - 高风险: 数据库操作建议、生产环境变更建议\n\n审计放行:\n  RAX 评估:\n    风险: 中（错误技术建议可能导致客户系统故障）\n    接受度: 高（技术支持团队对知识系统需求强烈）\n    体验: 中（技术准确性需持续优化）\n  放行条件: 附条件通过\n  约束:\n    - 技术建议必须附带文档引用\n    - 涉及生产环境操作的建议必须高级工程师确认\n    - 数据库操作建议必须双人审核\n\n生产运行:\n  可观测性:\n    - 首响时间: 平均值 + P95\n    - 解决率: 一次解决率\n    - 采纳率: 技术支持工程师采纳率\n    - 知识覆盖率: 已沉淀方案占历史问题的比例\n  反馈回灌:\n    - 每次新问题解决 → 自动抽取并更新知识库\n    - 每次方案不准确 → 标记并修正\n    - 每次知识未命中 → 标记知识缺口\n  客户循环:\n    - 选择 5 个典型客户深度合作\n    - 每周收集技术支持团队反馈\n  价值发现:\n    - 效率信号: 首响时间、解决时间、人均处理量\n    - 知识信号: 知识库查询频率、覆盖率趋势\n    - 人员信号: 新人成长速度、高级工程师时间分配\n```\n\n### 关键决策点\n\n| 决策点 | 选择 | 理由 |\n|--------|------|------|\n| 产品形态 | 工作台模式 | 技术问题复杂，需要多步骤诊断 |\n| 第一批能力 | 问题理解 + 方案检索 | 解决知识碎片化核心痛点 |\n| 知识来源 | 产品文档 + 解决方案库 + Slack 精华 | 覆盖结构化和非结构化知识 |\n| 高风险处理 | 高级工程师确认 | 涉及客户生产环境，风险较高 |","tags":["p10c","customer","service","case","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native"],"capabilities":["skill","source-gmaxxxie","skill-p10c-customer-service-case","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p10c-customer-service-case","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (8,781 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:27.547Z","embedding":null,"createdAt":"2026-05-01T01:02:54.226Z","updatedAt":"2026-05-18T18:57:27.547Z","lastSeenAt":"2026-05-18T18:57:27.547Z","tsv":"'-5':626 '/faq':772 '1':325,416,644,1022 '10':794 '100':813,1009 '12':930 '2':345,451,657,748,752,922,946,1014 '20':708 '3':368,488,625,729,754,881,938,1020 '30':663,758,1016 '300':1065 '3000':653 '4':383,551 '5':400,586,665,746,1123 '50':650,1026 '500':809,933 '6':616 '60':196,701,742 '65':719 '68':726 '72':997 '78':990 '84':983 '85':715 '90':792 '91':706 'agent':205,208,210,212,509,512,514,516,545,761,764,769,775,780,1028,1031,1036,1041,1046 'ai':6,9,12,17,32,54,96,104,162,267,277,287,338,360,403,408,675,954 'ai-native-audit-releas':95 'ai-native-direction-fram':53,266 'ai-native-production-op':103,286 'ai-native-ux-design':276 'aiop':302 'aiops场景':304 'api':1060 'audit':98 'b2b':927 'brief':61,177,446,458,695,975 'bug':1068 'case':5,303,308 'confluenc':972 'context':217,524,797 'copilot':21,76,89,139,146,192,358,483,564,646,678,686,697,737,842,902,965,977 'copilot确认':237 'crm':175,692 'custom':3,113,283 'design':280 'direct':56,60,176,269,445,457,694,974 'discoveri':121,295 'experi':64 'explor':70,275 'faq':130,235,441,531,562,807,839,916 'faq库':222 'faq问答':312 'form':69,274 'frame':57,270 'jira':973 'loop':114,122,284,296 'memori':213,519,783,1049 'nativ':7,55,97,105,268,278,288 'op':107,290 'overview':65 'p10a':119,293 'p10a-value-discovery-loop':118,292 'p10b':301 'p10b-aiops-case':300 'p10c':2 'p10c-customer-service-case':1 'p10d':306 'p10d-saas-case':305 'p2a':63 'p2a-experiment-overview':62 'p2b':67,272 'p2b-product-form-exploration':66,271 'p2c':78 'p2c-process-redesign':77 'p2e':85 'p2e-shadow-validation':84 'p7e':112,282 'p7e-customer-loop':111,281 'p95':862,1107 'process':79 'product':68,106,273,289 'rag':40,221,530,806,1058 'rax':1086 'redesign':80 'releas':99 'roi':202,756 'saa':307,923,928,956 'servic':4 'shadow':86 'skill':11,14,159,263,299,499,501,503,505,507,547,672,951 'skill-p10c-customer-service-case' 'slack':942,971,1071,1152 'sop':37,223,533,811,917 'source-gmaxxxie' 'top3':716 'top5':991 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'ux':226,279,537,821 'valid':87 'valu':120,294 'workaround':1070,1080 'yaml':161,674,953 '一个成熟的':402 '一次解决率':870,1109 '一键采纳':229,540,826 '万':795 '不同等级的权益差异':805 '不是偶尔说得不够自然':386 '不是替客服':340 '与其他':262 '业务规则':556 '严格审计':157 '个典型客户深度合作':627,1124 '个月':1023 '个月才能独立处理':939 '个月缩短到':1021 '个高流量店铺深度合作':882 '中':1089,1095 '中风险':141,236,563,841,1078 '主管介入':575,856 '主管决策瓶颈':683 '主管成为瓶颈':669 '主管经验和各种临时规则里的服务能力':406 '产品会越来越懂组织自己的服务边界和用户问题结构':378 '产品实验':190,734,1001 '产品形态':901,1141 '产品形态建议':75,482 '产品技术支持客服系统':924 '产品改进':257 '产品文档':1059,1150 '产品方法论':8 '产品版本':1051 '产品迭代':885 '人':651,931 '人力成本':892 '人力成本节省约':757 '人力成本降低':633 '人员信号':1134 '人在回路中':156 '人均处理量':890,1130 '人工修改率':597 '人工复核':241,569,848,913 '人工改写':373 '人工确认':147,574 '人机协作矩阵':83 '从':745,751,1013,1019 '从y天到z天':201 '从新对话中提取新知识':1047 '从早期客户到商业验证':618 '从群聊中提取的技术讨论':1073 '代价常常不只是一次回答质量差':354 '价值信号识别与商业验证':123 '价值发现':258,297,887,1126 '价值发现方案':125,642 '价值密度容易验证':34 '价值直接':911 '企业客户':934 '会员权益':804,818 '会员等级':528,787 '会话上下文':214,520,784 '但解决方案分散在个人笔记和':941 '低风险':129,232,559,835,1075 '体验':1094 '使用场景':15 '使用率':1007 '例外场景处理失控':352 '依赖':36 '侧边栏':736,822 '侧边栏建议':227,538 '修改率':247,865 '修改率和满意度':589 '修改追踪':541,830 '修正案例':251,602 '候选回复':364,738,823,908 '候选回复和风险识别':73 '候选回复的采纳率和风险率如何':469 '候选回复被采纳的比例':864 '候选回复采纳率':596 '先做':696 '先承担高频重复环节':361 '公司技术支持团队有':929 '关注服务协同':23 '关键决策点':897,1137 '写一句回复':328 '决定是否升级人工':335 '决策点':898,1138 '准确率':182,705,982 '准确率和覆盖范围如何':464 '分析客户描述':1032 '分析用户消息':765 '分步执行':414 '分钟':666,749,1017 '分钟缩短到':747 '列表':1069 '判断基础条件':425 '判断是否触发赔付或退款':334 '判断是否需要升级':781 '加强风险过滤规则':875 '医疗建议等需要专业资质的领域':323 '升级率':598 '升级路径沉淀为组织级服务资产':639 '升级路由':506,779 '升级链':853 '升级链设计':584 '协同':140 '协同优先于全自动':346 '协同模式':698,903 '单':654 '历史工单':216,224,522,534,790,819,918 '历史工单样本':459 '历史案例':773 '历史订单':788 '历史问题':1054 '双周一次功能优化':886 '反馈':256 '反馈丰富':45 '反馈周期':883 '反馈回灌':250,871,1114 '反馈驱动的持续优化场景':25 '可更快进入灰度和自主模式':44 '可标准化':316 '可用':722,732,986 '可直接自动':233,560 '可观测性':245,859,1104 '同类技术问题反复被问':940 '同类问题大量发生':30 '含':544 '含目标场景':447 '周':658 '周度指标复盘':610 '周缩短到':753 '命中正确规则':717 '命中率':185,714,989 '命中相关解决方案':992 '和历史经验':38 '和知识沉淀系统':41 '哪些知识需要补充':608 '哪些规则描述需要优化':607 '哪些问题只能给出候选建议':397 '哪些问题始终需要人工主导':606 '哪些问题必须人工确认':398 '哪些问题要直接升级主管或特殊流程':399 '售后处理':688 '售后支持等场景':314 '售后政策':220,527,801 '商业价值清晰':48 '商业信号':260,632,891 '商业实验':197,743,1011 '回复和风险识别能力':455 '回复建议':238,566,844 '回复建议生成':142 '回复生成':187,211,502,515,724,774,995,1040 '回复生成验证':468 '因此':395 '在于它每天都能产生真实反馈':371 '在线咨询':169 '在线客服':174,685,691 '培训周期缩短':200,750 '培训成本和升级效率是否是组织关注的指标':436 '外呼':170 '大促':661 '大促增员需求':893 '大促期间无需临时增员':759 '天':755 '天工单':793 '天然适合持续学习和反馈回灌':47 '失败案例和升级路径':374 '如果沉淀不下来':379 '如果这些经验能被沉淀下来':377 '如订单查询':439 '季度能力评估':612 '审计放行':230,552,833,1085 '审计规则':1074 '客户反馈':621 '客户循环':254,878,1121 '客户循环与价值发现':617 '客户循环方案':117,641 '客户环境':1050 '客户等待时间长':944 '客户续费率提升':635 '客服产品':339 '客服产品最怕的':385 '客服修改回复的比例和修改内容':866 '客服协同':311 '客服可直接采纳或修改后发送':827 '客服团队希望引入':16 '客服团队现状':420 '客服场景审计放行':100 '客服场景最珍贵的地方':370 '客服场景特征与适配性':26 '客服场景真正的难点不是':327 '客服场景风险可控但不能失控':904 '客服效率提升目标':198 '客服方法论路径':52 '客服案例':158 '客服案例方案':163,676,955 '客服案例模板':13 '客服满意度':895 '客服特征':27 '客服生产观测和反馈回灌':108 '客服的长期结果不是':409 '客服直接采纳或小幅修改后使用':727 '客服确认':855 '客服系统':404 '客服能力分层':126 '客服行业案例模板':10 '客服里最危险的从来不是慢':347 '对方法论的影响':28 '对话记录':422,427 '将专家经验转化为可检索的组织能力':978 '将高频问题':637 '小时':947 '小时缩短到':1015 '少雇几个人':410 '工作台':194,485 '工作台模式':1003,1142 '工单处理':168,313 '工单数据':421 '工单系统':173,690,970 '已沉淀方案占历史问题的比例':1113 '已知问题库':1067 '常见问题解答':1077 '平台成本和组织风险':356 '平均':945 '平均值':861,1106 '并及时标记':475 '并行运行':90 '库':532,808,812 '建立反馈回灌机制':601 '建立循环优化节奏':609 '建议以辅助为主':321 '当前对话历史':785 '当前痛点':655,935 '当前诊断进展':1057 '形态':191,735,1002 '影子验证':88 '必须设计清晰的服务升级链':396 '意图分类':239,567,845 '意图理解':362 '意图理解验证':462 '意图识别':181,207,498,511,704,763,906 '意图识别与分类':143 '或智能客服系统的完整路径':22 '打通订单':490 '执行要点':424,461,496,557,593,622 '执行输出':673,952 '技术准确性需加强审核':1000 '技术准确性需持续优化':1096 '技术建议必须附带文档引用':1100 '技术支持':957,964 '技术支持团队对知识系统需求强烈':1093 '技术支持工程师采纳或修改后使用':998 '技术支持工程师采纳率':1111 '技术知识碎片化':960 '技术问题复杂':936,1143 '投诉':473 '投诉处理':171,243,571,851 '投诉率':248,599,867 '投诉记录':789 '投诉预判与升级':154 '拆分能力单元':497 '排序推荐':1039 '接受度':1091 '推荐':1081 '提体验':50 '提取关键信息':767,1034 '收集反馈':628 '放行决策':102,582,591 '放行条件':1097 '政策规则解释':134 '政策解释':443,846 '故障排除手册':1063 '效率信号':259,630,888,1127 '敏感信息':474 '敏感信息暴露':351 '数据分析场景':309 '数据库操作建议':1083 '数据库操作建议必须双人审核':1102 '文档':1061 '文档引用':1006,1076 '新人培训成本高':682 '新人成长慢':961 '新人成长速度':1135 '新人独立处理周期':1018 '新人需要':937 '新客服培训周期':656 '方向定界':164,417,679,958 '方案推荐':1005 '方案检索':1035,1147 '无暇处理复杂问题':950 '日均':1008 '日均处理工单':652 '早期客户':879 '早期客户计划':255 '早期客户计划设计':115 '时效':390 '明确高风险承诺边界和人工接管条件':553 '是否存在高频':430 '是否拥有足够的工单':426 '更一致':344 '更合理的起点是客服':357 '更新回复模板':873 '更新知识库':1048 '更稳':343 '最佳回复':638 '最后再组织回复':336 '最深层的价值是把原本散落在资深客服':405 '月度知识更新':611 '有历史数据的客服流程':317 '服务':932 '服务一致性':435 '服务任务链而非单点问答':326 '服务升级链':549 '服务升级链设计':81,384 '服务经验分散在资深客服脑中':670 '服务经验复利':369 '期间回复质量不稳定':659 '条':796 '条常见问答':810 '构建':508 '构建技术支持':976 '某':926 '某电商平台客服团队有':649 '查物流':332 '查订单':331 '标准化':910 '标准相对清楚的服务任务':432 '标注过的高质量工单样本':820 '标记并修正':1118 '标记知识缺口':1120 '标记风险':778 '样本库':252,603 '核心协同':265 '核心概念':324 '核心问题':165,680,959 '核规则':333 '根据意图':770 '根据问题特征':1037 '案例':298 '检索':72,454 '检索知识库':1038 '检索规则':771 '模型优化':253,604 '模型能否稳定识别用户意图':463 '次查询':1010 '步骤':415,450,487,550,585,615 '每周收集客服反馈':884 '每周收集技术支持团队反馈':1125 '每天新增的真实对话':372 '每次客服修改':872 '每次新问题解决':1115 '每次方案不准确':1117 '每次知识未命中':876,1119 '每次都从头生成':381 '每次风险漏过':874 '沉淀服务能力':636 '法律咨询':322 '法律风险':579 '测算':203 '涉及客户生产环境':1157 '涉及生产环境操作的建议必须高级工程师确认':1101 '涉及金额承诺':578 '清单':548 '满意度':600 '满意度下降':948 '物流信息':219,526,799 '物流状态':440 '物流状态查询':133 '物流追踪':838 '特殊政策解释':392 '特殊流程':576,857 '状态查询':234,561 '现有系统':172,448,689,969 '理由':900,1140 '理解用户意图':330 '生产环境变更建议':1084 '生产环境配置':592 '生产运行':244,291,587,858,1103 '生产运行数据':620 '生产运行方案':110,614 '生成了不当承诺或敏感信息':730 '生成候选回复':777 '生成回复':1043 '用于反馈回灌':832 '用户互动产生大量标注':46 '用户投诉率变化':868 '用户满意度':896 '用户画像':215,521,786 '电商客服':645,677 '留存信号':261,634,894 '的关系':264 '的初级阶段':382 '目标场景':167,684,963 '目标首响时间缩短':700 '省人力':49 '真正有价值的':337 '知识信号':1131 '知识和升级链':492 '知识密集':35 '知识库兜底':137 '知识库查询频率':1132 '知识库需大幅补充':994 '知识引用':740,824 '知识更新':1045 '知识来源':915,1149 '知识检索':184,209,500,513,713,768,907 '知识检索验证':465 '知识沉淀':968 '知识覆盖率':1112 '确认':565,843 '示例':643,921 '种常见意图':709 '秒飙升到':664 '稳定可用':711 '第一层':127 '第一批能力':905,1145 '第三层':148 '第二层':138 '篇标准操作流程':814 '篇结构化解决方案':1066 '精华':1072,1153 '系统':647 '系统就永远停留在':380 '系统构建':204,489,760,1027 '系统架构方案':543,555 '系统架构约束':495 '约束':1099 '约束条件':449 '组织上下文':776 '组织解决方案':1042 '经验复利':24 '结构化程度高':919 '结论':710,721,731,985,993,999 '编排':510 '群聊中':943 '而是在代表企业做决定':394 '而是完成一整条服务任务链':329 '而是帮助整个服务任务链跑得更快':342 '而是沿着错误路径做出本不该做出的承诺':387 '而是直接影响用户信任':355 '而是让更多普通客服更快进入稳定状态':411 '而是错':348 '背景':648,925 '能力':18 '能力复利而非话术复利':401 '能力实验':180,703,980 '能力实验报告':486 '能否检索到正确的规则和政策':466 '能否识别高风险话题':471 '自动回答':136,836 '自动处理':149 '自动好评引导':153 '自动建议':573,854 '自动抽取并更新知识库':1116 '自动退款建议':151 '自动问答':193,484 '补充知识库':877 '裁决和例外处理权':367 '覆盖':707 '覆盖售前咨询':687 '覆盖率趋势':1133 '覆盖结构化和非结构化知识':1154 '覆盖高频标准化任务':699 '观测采纳率':588 '规则':491 '规则描述模糊':478 '规则文档':225,423,428,460,535,815 '规则检索':363 '规则系统和训练样本里':376 '规则误判':350 '规模化':33 '解决方案库':1064,1151 '解决方案推荐':967 '解决方案检索':988 '解决时间':1129 '解决率':249,869,1108 '解决知识碎片化核心痛点':1148 '订单':132 '订单上下文缺失':479 '订单数据和失败案例':429 '订单状态':218,525,798 '订单状态查询':837 '订单系统':693 '让':359 '让人保留承诺':366 '让服务经验持续回流产品本身':413 '让高风险判断更早被识别':412 '记录客服修改内容':831 '设置边界规则':577 '设计':206,518,523,529,536,546,762,1029 '设计可观测性指标':594 '设计早期客户计划':623 '设计服务升级链':572 '评估':1087 '评估业务重视度':433 '识别价值信号':629 '识别意图':766 '识别技术问题类型和关键信息':984 '识别改进信号':605 '识别问题类型':1033 '试验展开':179,452,702,979 '试验结论':494 '该客户历史工单和解决方案':1055 '说话':341 '账户处理':391 '账户操作':852 '质量可控':920 '资料口径不一致':477 '赔付':389 '赔付决策':850 '赔付政策':817 '赔付标准':803 '赔付等高风险决策依赖主管判断':668 '路由到主管或特殊流程':782 '辅助检索':128 '输入':419,456,493,554,590,619 '输出':59,74,82,91,101,109,116,124,178,444,481,542,581,613,640 '输出模板':160 '近':791 '这些节点都不是简单的回答问题':393 '这些问题一旦发生':353 '退换货规则':802 '退款':388,472,667 '退款建议':242,570,849 '退款状态':800 '退款规则':816 '退款赔付等决策需人负责':914 '适合':31,135,145,155 '适合商业实验和定价验证':51 '适用场景':183 '适用边界':310 '选择':624,880,899,1122,1139 '选择最值得先协同化的任务':166 '选择最值得先协同化的客服任务':58,418 '选择第一批目标':437 '逐步沉淀成组织级资产':407 '通常从高频标准化任务开始':438 '部署方式':1052 '都可以回到知识系统':375 '配套':285 '配置信息':1053 '配置建议':1079 '配置指南':1062 '采纳率':92,188,246,725,863,996,1110 '采纳率目标':195,741 '重复':431 '重复问题处理时间减少':1025 '重点暴露':476 '错误影响相对有限':43 '错误承诺':349 '错误技术建议可能导致客户系统故障':1090 '错误率':93 '长尾场景难覆盖':480 '长尾意图需补充':712 '长尾覆盖':186,718 '长尾问题覆盖如何':467 '问答':131,442,840 '问题上下文':1056 '问题理解':981,1146 '问题诊断':966,1004,1030 '附带文档引用':1044 '附条件':152 '附条件通过':1098 '隐私信息的回复必须人工确认':580 '难以传承':671 '需加强风险过滤':733 '需建立知识缺口反馈机制':723 '需持续补充':720 '需结合产品文档增强':987 '需要':39 '需要多步骤诊断':1144 '需要强同理心的场景':320 '需要持续学习和人机协同优化的场景':318 '需要系统性方法论指导':19 '需要设计客服':20 '风险':1088 '风险分级':231,558,834 '风险分级清单':583 '风险可控':42 '风险提示':828 '风险标记':228,365,504,539,739,825 '风险标记与升级提示':144 '风险检查':517 '风险漏过率':94 '风险率':189,728 '风险识别验证':470 '风险较高':1158 '首响时间':434,595,860,889,1012,1105,1128 '首响时间从':662 '首响时间目标':744 '首响时间缩短':631 '首响时间缩短x':199 '验证理解':71,453 '高':1092 '高峰期':660 '高峰期首响时间飙升':681 '高度情绪化':319 '高级工程师时间分配':1136 '高级工程师确认':1156 '高级工程师被大量重复问题占用':949 '高级工程师被重复问题占用':962 '高级工程师释放':1024 '高频':315,909 '高频重复':29 '高风险':150,240,568,847,1082 '高风险回复用红色标记':829 '高风险处理':912,1155","prices":[{"id":"61503411-82d5-4928-8b1a-de6c9817b44d","listingId":"7e1aba01-a936-44f3-8054-259326d82ef1","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:02:54.226Z"}],"sources":[{"listingId":"7e1aba01-a936-44f3-8054-259326d82ef1","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p10c-customer-service-case","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p10c-customer-service-case","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:54.226Z","lastSeenAt":"2026-05-18T18:57:27.547Z"}],"details":{"listingId":"7e1aba01-a936-44f3-8054-259326d82ef1","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p10c-customer-service-case","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"172ad7106bafd69e014f4b0b9584cc57c51e1773","skill_md_path":"skills/p10c-customer-service-case/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p10c-customer-service-case"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"p10c-customer-service-case","description":"'AI Native 产品方法论——AI 客服行业案例模板 Skill。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p10c-customer-service-case"},"updatedAt":"2026-05-18T18:57:27.547Z"}}