电商售后场景中，用户咨询往往夹杂着情绪化表达、口语化描述甚至方言痕迹。传统关键词匹配式应答早已力不从心，意图识别的准确率直接决定了机器人客服软件能否真正替代人工完成首轮响应。河南恩庞信息技术有限公司在服务多家电商客户的过程中发现，售后意图的边界模糊性远高于售前——"退货"和"换货"可能在同一句话里出现，"物流慢"背后可能是催发货、改地址或直接投诉三种截然不同的诉求。

意图识别：从单点分类到上下文感知

早期方案多采用TextCNN或BERT微调做单句分类，但在多轮对话中，用户第二句话往往省略主语和关键信息。例如首轮说"我买的鞋子有问题"，次轮只补充"左边那只开胶了"，单句模型无法关联上下文。当前更务实的做法是引入对话状态追踪（DST），将历史轮次编码为会话向量，与当前语句拼接后送入分类器。实测数据显示，加入上下文后意图识别F1值可从0.78提升至0.91左右。

另一个容易被忽视的环节是知识库软件的支撑。售后意图常涉及具体订单状态、退换货政策条款，若知识库未与订单系统打通，机器人只能给出模板化答复，用户体验断崖式下降。

多轮对话实现：状态机与槽位填充的配合

售后多轮对话的核心是槽位填充。以退货流程为例，机器人需要依次获取订单号、退货原因、商品状态、退款方式四个槽位。工程实现上有两条路线：

• 有限状态机：适合流程固定的场景，如"仅退款"标准路径，开发快、可控性强，但遇到用户跳步或插问时容易卡死。
• 基于LLM的意图-槽位联合建模：用提示词工程让模型同时输出意图和已填槽位，灵活度高，但需要配合工单系统软件做兜底——当置信度低于阈值时自动转人工并生成工单，避免对话死循环。

实践中，我们建议采用混合架构：高频标准流程走状态机，长尾复杂场景交给LLM并设置转人工规则。这样既控制了推理成本，又保证了覆盖率。

客户评价数据的反哺价值

客户评价软件沉淀的对话评分和转人工率数据，是优化意图分类器的优质标注来源。将低分对话中的用户原话提取出来，补充到训练集，往往能发现被忽略的意图类别。这一闭环机制比单纯增加训练数据量更有效。

对于仍在使用在线客服软件光盘部署的老系统，建议优先升级意图识别模块，而非整体替换。通过API网关将新模型接入原有工单流转体系，改造成本可降低约40%。

售后机器人的竞争力不在于应答速度，而在于能否准确判断"什么时候不该继续对话"。把转人工时机、工单优先级、知识库检索范围这三件事做扎实，机器人客服软件才能真正成为售后团队的生产力工具，而非投诉率的推手。