大模型已经在多个领域展现出强大的语言理解和生成能力。在智能客服场景中，这种能力被广泛应用于理解用户提出的问题、生成与用户需求匹配的回复，甚至是预测用户行为和提供个性化推荐。这不仅极大地提高了客户服务的效率和质量，还为企业节省了大量的人力和时间成本。
从智能客服的完整流程来看，大模型在核心环节均有渗透：
根据沙丘智库近期发布的《生成式AI案例研究简报》，智能客服现已成为企业在探索大模型技术时首选的落地场景之一。
沙丘智库长期跟踪调研大模型技术的发展，旨在帮助企业快速了解大模型最新、最全面的落地情况。
在“大模型+智能客服”的众多落地实践中，沙丘智库选取了其中7家企业（包括美敦力、江苏银行、杭州市城市管理局、58同城、中国工商银行、河南电信、字节跳动）的最佳实践案例，为企业落地“大模型+智能客服”提供参考。
美敦力公司为改善心脏起搏器患者的术后随访问题，推出了基于大模型的智能问答系统。该系统通过自然语言处理和大模型技术，提供7*24小时的在线客服，显著缩短患者等待时间，提升服务体验，并为客服人员提供“专家智囊”，提高工作效率。
完整内容：美敦力基于大模型的患者随访智能问答实践
杭州城管利用大模型构建具备丰富能力矩阵的 AI Agent，通过语音或文本唤醒 Agent，由 Agent 根据具体任务进行模型工具调用，解决不同场景下的业务需求。
在智能客服领域，杭州城管利用大模型全面学习政务服务以及业务办理知识，打造专业知识助手，为企业、群众提供精准问答，优化企业、群众办事体验，体现客服专业度。
案例选自：生成式AI案例研究简报
▎案例3：江苏银行利用大模型提高智能客服应答准确率传统的问答机器人存在知识库问题匹配不精确、提问语义理解不足、不具备上下文理解与答案抽取能力的三大痛点。
江苏银行基于大模型的智能客服解决方案首先运用智慧小苏L1模型，对用户提问进行向量检索，在知识库中匹配到的向量检索内容形成对L2模型的提示工程。L2模型在该场景经过微调训练，知识反馈融入到提示工程后，通过L2模型进行反馈和输出。
完整内容：江苏银行利用大模型提高智能客服应答准确率
58同城上有很多蓝领招聘，用户在向招聘方投递时，招聘方可能没有合适的客服团队及时进行回应，此时商家智能聊天助手会接管对话。
58同城探索大模型在聊天助手场景的应用，将AI对话拆分成意图识别、回答问题、反问生成、信息抽取四个能力模块，每个模块是一个单独的大模型能力（但通过S-Lora的方式部署在同一个大模型上），通过在业务数据上对大模型进行微调得到，这种拆分能力的方案在准确率和幻觉问题上表现的更好。
完整内容：58同城B端商家智能聊天助手实践
针对远程银行客服中心上千人的坐席团队，工商银行覆盖事前运营、事中辅助和事后质检全流程，聚焦对客服务中枢的运营团队、群体技术较大的人工坐席、工作量较为繁重的质检人员，重新定义作业和生产模式，基于大模型能力赋能客户服务全流程。
通过在坐席通话的前、中、后全过程中融合大模型能力，坐席服务效率提升了18%。
完整内容：工商银行大模型赋能远程银行实践
为满足省内10000号客服坐席服务支撑场景，河南电信引入智能客服助理，大模型通过识别客服与用户之间的对话内容，为客服提供一系列智能辅助功能，帮助客服快速解决用户的问题，不仅显著提升了客户服务效率和质量，并且通过实时沟通监控降低了客户投诉率，增强了品牌形象。
完整内容：河南电信智能客服助理实践
答疑场景天生适合利用大模型进行智能化改造，可以引入大模型升级智能客服。研发基建部门日常需要安排答疑值班，回答用户关于基建相关的咨询，因此字节跳动将这一场景作为切入点，利用大模型建设答疑机器人，并联动研发领域沉淀多年的知识积累。
在落地过程中，字节跳动首先利用RAG进行答疑机器人的落地，然后做好现有内容的消费、加强检索、优化模型、优化对话流程，最后实现问答闭环&数据飞轮。
完整内容：字节跳动研发答疑场景大模型实践
粤ICP备14082021号
免费POC，
零成本试错
