_{🧠 图解记忆：客服系统先分流，再基于证据回答，最后以人工接管兜底；点击图片可查看原图。}

💡 答案要点（STAR框架）

S（背景）： 1000万用户，日活100万，需要7×24小时智能客服

T（任务）： 设计一个能处理咨询、售后、投诉等多场景的AI客服系统

A（行动）——四层架构设计：

┌─────────────────────────────────────────────────────┐
│  接入层：多渠道统一接入                              │
│  微信/APP/网页/电话 → 统一消息格式                  │
└──────────────────┬──────────────────────────────────┘
                   ↓
┌──────────────────────────────────────────────────┐
│  路由层：意图识别 + 路由分发                       │
│  LLM 判断意图 → 转人工/知识库/工单系统             │
└──────────────────┬─────────────────────────────────┘
                   ↓
┌──────────────────────────────────────────────────┐
│  能力层：多Agent协作                               │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐         │
│  │ 知识库Agent│ │ 订单Agent │ │ 投诉Agent │         │
│  └──────────┘ └──────────┘ └──────────┘         │
└──────────────────┬─────────────────────────────────┘
                   ↓
┌──────────────────────────────────────────────────┐
│  数据层：会话记忆 + 知识库 + 工单系统               │
└──────────────────────────────────────────────────┘

关键设计点：

# 意图识别 + 路由
def route(query, session_history):
    intent = llm.judge(f"""
    判断用户意图：
    1=咨询 2=下单 3=售后 4=投诉 5=转人工
    问题：{query}
    历史：{session_history[-3:]}
    """)
    
    if intent == 5 or contains_sensitive词(query):
        return "human_agent"  # 转人工
    elif intent == 1:
        return "knowledge_agent"
    elif intent == 2:
        return "order_agent"
    # ...

# 多轮对话记忆
class ConversationMemory:
    def __init__(self, max_turns=10):
        self.history = []
        self.max_turns = max_turns
    
    def add(self, role, content):
        self.history.append({"role": role, "content": content})
        if len(self.history) > self.max_turns * 2:
            # 压缩：保留关键信息
            self.history = self.summarize_and_compress()

R（结果）： 客服响应时间从30s→2s，问题解决率85%，人工客服工作量减少60%