很多团队想做客服 AI Agent，第一反应是把现有 FAQ 丢进知识库，然后期待它自动回答所有问题。这个方向并不算错，但顺序经常反了。客服场景最先要整理的不是模型提示词，而是问题类型。问题类型没分清，后面无论用 OpenClaw、企业微信机器人还是网页客服入口，都会遇到同一个麻烦：Agent 回答得像那么回事，但关键时候不可靠。
如果你已经读过 OpenClaw 本地知识库实战，可以把这篇看成客服场景的前置清单。知识库不是越大越好，先把 6 类问题整理出来，后续检索和转接都会轻很多。
第一类：稳定事实问题
这是最适合先自动化的部分，比如价格说明、服务时间、支持的平台、退款条件、发票规则。它们的特点是答案相对稳定，用户提问方式很多，但背后的事实不太变。
整理这类问题时，不要只保存一版标准问答。最好把同义问法也补进去，比如“能不能开发票”“发票怎么开”“电子票多久发”。这样 Agent 在检索时更容易命中，不会因为用户换了说法就答偏。
第二类：流程引导问题
流程问题看起来也是 FAQ，但它比事实问题更容易出错。比如“怎么绑定账号”“怎么导入资料”“怎么开通权限”，每一步都可能因为用户角色、版本或入口不同而变化。
这类问题最好写成分步流程，并明确前置条件。客服 Agent 不应该只给一段大而全说明，而要先问清用户处在哪一步，再给对应指引。这个思路和 OpenClaw 调试指南 里讲的链路拆解很接近。
第三类：故障排查问题
故障排查最容易被低估。用户说“不能用”“没反应”“报错了”，背后可能是网络、账号、权限、配置、资料格式、浏览器兼容等完全不同的问题。直接让 Agent 猜答案，只会让用户更烦。
正确做法是准备一套排查树：先问现象，再问环境，再问最近是否改过配置，最后给出最可能的处理步骤。OpenClaw 相关场景可以参考 OpenClaw 日志复盘方法，把“感觉有问题”拆成可定位的问题。
第四类：订单和账号问题
这类问题通常涉及隐私和权限，比如订单状态、账号归属、余额、发票抬头、企业认证。它们不是不能交给 Agent，而是必须先划清可查范围和人工确认边界。
建议只让 Agent 做解释和引导，涉及真实账号数据时接入受控工具，并保留日志。任何需要修改账户、退款、重置权限的动作，都应该有人工确认或二次验证。
第五类：情绪和投诉问题
客服 FAQ 里很少有人认真整理投诉问题，但这是最需要预案的一类。用户表达不满时，Agent 不适合机械套模板，也不适合马上承诺赔偿。它更应该先确认问题、表达理解、收集必要信息，再进入人工转接。
这类内容的目标不是让 AI 替人处理所有矛盾，而是避免用户在等待人工前被冷冰冰的答案二次激怒。
第六类：超出服务范围的问题
一个成熟的客服 Agent 必须会拒答。比如用户要求泄露内部规则、绕过付费限制、索要他人信息，或者咨询和产品无关的高风险问题。FAQ 里应该明确这些边界，而不是等模型临场发挥。
这部分可以和 日志复盘、OpenClaw 多渠道接入 一起看：渠道越多，边界越要提前写清楚。
总结
客服 AI Agent 的第一步，不是把所有资料塞进知识库，而是先把问题分型。稳定事实、流程引导、故障排查、账号订单、情绪投诉和服务边界，这 6 类问题整理清楚后，Agent 才有机会稳定地帮团队省时间。否则它只是把原本混乱的 FAQ，用更流畅的语言重新说了一遍。
