“我家刚换了两年的燃气表，最近走字特别快，能不能免费换一个？”
 
电话那头，用户的问题很具体。电话这头，AI机器人沉默了。它的知识库里没有这条预设话术，于是只能机械地回答：“很抱歉，我没有听懂您的问题，正在为您转接人工座席。”
 
这不是机器人“笨”，而是传统话术机器人的天然局限——它只能回答预先录入的、结构化的问答对。一旦用户的问题超出预设范围，或者表述方式与预设不一致，机器人就“卡壳”了。
 
问题的本质在于：传统机器人背的是“话术”，而不是“知识”。
 
RAG是什么？让AI“边查边答”
 
RAG，全称Retrieval-Augmented Generation，检索增强生成。听起来很技术，但原理并不复杂。
 
传统话术机器人的工作方式是：用户问→匹配预设问答对→找到就回答，找不到就“听不懂”。RAG技术则完全不同：用户问→在企业知识库中检索相关信息→基于检索到的信息生成回答→输出自然、准确的回应。
 
简单说，RAG让AI座席不再是“背答案的学生”，而是“可以查资料、再回答的专家”。
向量检索：让机器“读懂”语义
 
RAG的第一步，是把企业的知识文档——政策文件、产品手册、常见问题、操作规程、历史工单——全部“翻译”成机器能理解的数学向量。
 
这个过程叫Embedding（向量化）。一篇几百字的文档被压缩成几百维的向量，本质上是将文本背后的“含义”压缩为数字表达。当用户提问时，系统把问题也转成向量，然后在知识库里找“语义最接近”的文档片段。
 
这就是向量检索——它擅长的是“理解意思”，而不是“匹配关键词”。用户说“我家的表走得快”和“燃气表计量异常”，在向量空间里可能是近邻，机器人能“读懂”它们是同一个意思。
 

重排序：从“大概对”到“精准对”
 
但向量检索并非万能。由于信息被压缩成向量，会有一定信息丢失，最相关的文档不一定排在检索结果的最前面。就像一个粗筛子，能捞上来一堆可能相关的文档，但哪些最有用、哪些是干扰项，需要二次筛选。
 
Rerank（重排序）就是这道二次筛选工序。重排序模型会对每一个“问题-文档”对进行实时、深度的语义匹配分析，而不是依赖预计算的静态向量。它逐对判断相关性，把最相关的文档排到最前面，把不相关的干扰项剔除。
 
向量检索是“快但模糊”的粗筛，重排序是“慢但精准”的精筛。两者结合，才能在效率与精度之间取得最佳平衡。通过引入重排序，RAG的准确率可以从60%左右提升到95%以上。
 

混合检索：关键词+语义，双保险
 
更进一步，iSoftCall的RAG知识库还支持混合检索——同时结合关键词检索（BM25）和向量检索（语义搜索）。
 
关键词检索擅长精确匹配人名、地名、产品型号、政策文号等专有名词；向量检索擅长理解复杂语义和模糊表述。两者结合，召回率显著提升。两路召回的结果再经由重排序模型统一打分排序，确保进入大模型的是最精炼、最相关的知识片段。
 

精准回答 vs 自由回答：两种模式按需切换
 
iSoftCall的RAG知识库还提供了两种回答模式：
 
精准回答模式：严格基于检索到的知识片段生成答案，不添加任何额外信息。适用于政策解读、条款说明、操作规范等对准确性要求极高的场景。回答有据可查，可溯源。
 
自由回答模式：在检索到的知识基础上，允许大模型进行一定程度的归纳、总结和扩展表达。适用于产品介绍、咨询引导等需要更自然、更有人情味对话的场景。
 
两种模式可在话术中灵活配置，同一套知识库、不同的回答风格。
 


呼叫中心怎么用？三个典型场景
 
场景一：AI机器人自助服务。 用户来电咨询政策、报修、查询进度，AI机器人实时从RAG知识库检索答案并生成自然回应。不再依赖预设问答对，再小众的问题也能答。
 
场景二：坐席实时辅助。 人工座席接听时，系统实时识别用户提问意图，从RAG知识库推送相关知识点和话术建议，新手也能秒变专家。
 
场景三：知识库动态更新。 企业只需维护一份文档库——Word、PDF、网页、数据库记录均可导入。政策变了？更新文档即可，AI自动同步，无需逐个修改话术。
 

RAG知识库不是给机器人“换一套话术”，而是给整个呼叫中心装上一个“会思考的大脑”。从“背话术”到“懂业务”，从“答非所问”到“精准回应”——这才是智能客服该有的样子。