电商售后场景的客户咨询有一个显著特征：情绪浓度高、问题指向模糊、时效压力大。当用户发来“东西坏了”三个字时，背后可能是物流破损、功能故障、配件缺失，甚至只是不会用。机器人客服软件要在这种场景下发挥作用，意图识别的颗粒度直接决定了首轮解决率，而转人工策略的设计则决定了体验的下限。

意图识别：从关键词匹配到语义分层

早期机器人客服软件依赖关键词规则，比如命中“退货”就推送退货流程。这在售后场景中很快失效——用户说“不想要了”“买错了”“和描述不一样”，语义相近但规则难穷举。当前主流方案采用“领域分类+槽位抽取”的两级结构：第一级判断意图大类（退换货、维修、投诉、咨询），第二级抽取订单号、商品品类、故障现象等槽位信息。知识库软件在这里承担实体词典和话术模板的支撑作用，槽位定义越细，后续工单系统软件自动建单的字段完整度越高。

值得注意的细节是置信度阈值的分段设置。行业实践中，置信度高于0.85直接由机器人闭环处理；0.6至0.85区间触发澄清追问，比如“您说的是商品破损还是功能异常？”；低于0.6则进入转人工候选队列。这套分层机制比单一阈值更贴近真实会话分布。

转人工策略的三个触发维度

转人工不是“识别失败就甩给人”，而是一套多维触发逻辑：

• 情绪维度：连续两轮负面情绪词或感叹号密度超阈值，直接升级人工，不再追问；
• 会话维度：同一意图重复表达超过3次、或用户主动输入“人工”“投诉”等指令词；
• 业务维度：涉及金额超过设定值、涉及人身安全、或工单系统软件中该订单已有未闭环工单。

这三类触发条件需要在机器人客服软件的后台做成可配置项，不同品类店铺的阈值差异很大。3C类目金额阈值低、转人工更激进；日用百货则可以放宽机器人处理边界。

数据对比：策略调优的参照系

我们整理过一组脱敏对比数据，供同行参考：某家居电商在优化槽位抽取后，售后意图识别准确率从71%提升至86%，机器人首轮解决率从38%升至57%，转人工率下降约19个百分点。另一组数据来自转人工等待时长——引入优先级队列（情绪激化与高金额工单插队）后，平均等待从94秒压缩到41秒，客户评价软件中“响应速度”维度的好评率提升明显。这些数字说明，意图识别与转人工策略是一体两面，单独优化任何一侧都难以拿到完整收益。

落地时的常见坑在于知识库软件与工单系统软件的字段对齐。售后工单需要“故障描述”字段，而机器人抽取的槽位如果只存了原始语句，人工坐席还得二次阅读。建议在会话结束时就完成结构化映射，把槽位直接写入工单字段。另外，部分企业仍在使用在线客服软件光盘部署的本地版本，升级迭代周期长，意图模型更新滞后，选型时需评估部署方式与模型迭代频率是否匹配。

机器人客服的价值不在于替代人，而在于把标准化问题拦在前端，把复杂问题带着上下文交给人工。意图识别的精度和转人工的时机设计，本质上是在做一道体验与成本的平衡题。