AI 招生助手
LLM + RAG · 情绪感知 + 上下文记忆 + 人工兜底 · 从 0 到 1 完整落地国际学校智能咨询助手
招生咨询痛点识别 & 低代码工具栈落地路径
国际学校招生咨询的四类痛点
- 响应不及时：咨询高峰期顾问重复回答学费、课程、年龄、入学政策等问题，无法 7×24 覆盖
- 情绪处理难：家长咨询往往带有焦虑情绪，需要有温度、有连续性的沟通体验
- 资料检索慢：招生资料分散在文档、活动说明、政策文件中，人工检索成本高
- 高敏问题风险：升学承诺、费用争议、投诉等问题不能让 AI 自由发挥，需要人工兜底
单人 PM 如何跑通完整闭环
工具栈替代研发：Dify 平台搭建 RAG 链路（知识库切片、向量+BM25 混合检索、Prompt 编排、转人工节点）；飞书多维表沉淀知识库、评测集、Badcase 标签与顾问反馈。
- 跨部门协同：与招生顾问共创问题库和标准答案，与市场部同步活动信息，与管理层对齐合规边界
- 外部技术对接：企微/网页接入、对话日志存储对接公司既有 IT 资源或外部技术供应商
- 北极星指标：AI 自动有效承接咨询量，次级看 RAG 准确率、转人工合理率和到访转化率
RAG + 混合检索 + Intent Router + 情绪感知
七层架构设计：用户入口 → 意图识别 → RAG 检索 → 回答生成 → 情绪感知 → 人工兜底 → 评测运营
企微/网页
意图识别
混合双路
GPT-4 Turbo
语气调整
人工兜底
RAG 知识库优化（72% → 91%）
结构化切片（Chunk 200-400 字）
按主题切片招生资料，补充年级、课程、学期、政策类型等 Metadata 标签，提升检索精准度
向量检索 + BM25 混合检索（Hybrid Search）
向量检索擅长语义匹配，BM25 擅长精确关键词匹配；双路融合显著提升长尾问题和政策类精确问题的召回率
嵌入模型选型
通过 Dify 平台调用 BGE-Large / OpenAI text-embedding-3-small；高频标准问题（学费/年级/流程）走 FAQ 缓存，减少重复调用
Intent Router 与模型分层
| 意图类型 | 处理方式 | 模型 |
|---|---|---|
| 政策 / 课程 / 活动 | RAG 检索回答 | GPT-4 Turbo |
| 高频标准问题 | FAQ 缓存直接返回 | 缓存（零成本） |
| 意图分类 / 摘要 | 批量后台任务 | 通义千问 / 豆包 |
| 升学承诺 / 费用争议 / 投诉 | → 强制转人工（不允许 AI 回答） | |
Intent Router 设计原则：规则 + 高敏 Metadata 标签双重判断，宁可多转人工也不让 AI 在高敏问题上自由发挥——幻觉和合规风险在招生场景代价极高。
情绪感知 + 上下文记忆 · 不只是问答机器
与竞品的核心差异：识别家长咨询中的焦虑、不满、着急等情绪，动态调整回复语气；结合上下文记忆减少家长重复描述，提升连续性体验。
情绪识别与语气调整
- 识别焦虑型家长（反复确认、语气急促）→ 放慢节奏，先安抚后给信息
- 识别不满型家长（抱怨、质疑）→ 先共情认可，再提供解决方案
- 识别决策型家长（列清单、比较）→ 直接给结构化对比信息
上下文记忆设计
- 记住孩子年级、感兴趣的课程方向、来源渠道等结构化标签
- 避免家长在同一对话中重复描述基本情况
- 顾问接手时可看到对话摘要 + 用户画像 + 转人工原因
- 长期记忆只保存摘要/结构化字段，不无限存原始对话（隐私合规）
数据飞轮
- 家长提问 → RAG 检索 → AI 回答/转人工
- 记录命中率、转化路径、Badcase
- 每周补充未命中高频问题到知识库
- 按转人工原因优化 Intent Router 规则
- 到访转化提升约 20%，验证数据飞轮效果
招生问答评测集 · 五类问题分维度评估
不只看"AI 能回答"，而是评估召回准确率、合规性和转人工合理性——尤其是该转人工的问题是否及时转出
评测集分类覆盖
| 问题类型 | 评测重点 |
|---|---|
| 政策类 | 召回准确率、信息时效性 |
| 费用类 | 数字准确性、不编造承诺 |
| 课程类 | 与资料匹配度、不过度解读 |
| 活动类 | 活动信息同步时效 |
| 转人工类 | 该转人工的是否 100% 转出 |
核心验收标准：转人工合理率优先于自动承接率——宁可少承接 10% 也不能在费用争议或升学承诺上让 AI 自由发挥。
Badcase 分类与回流
错召回（RAG 找到了但不准）
→ 优化切片策略、Metadata 标签或检索排序权重
答非所问（意图识别错误）
→ 优化 Intent Router 规则，补充训练样本或关键词
幻觉（编造了不在资料库里的内容）
→ 加强 System Prompt 的"查不到则转人工"约束，补充知识库
该转人工未转出
→ 加入高敏词表或 Metadata 标签，提高 Intent Router 召回覆盖
AI 升学顾问对话体验
模拟家长咨询场景——试试询问学费、课程或提出投诉，观察 AI 的回答策略和转人工判断
🎓 AI 升学顾问
7×24 即时响应 · 情绪感知 · 高敏问题转人工
📋 实时状态诊断
关键指标（上线后）
四类 AI+教育落地挑战
🎯 幻觉与准确率（容错率极低的场景）
招生政策、学费和升学问题容错率极低——AI 一旦给出错误信息，家长信任度直接崩塌
- RAG 约束：让模型只基于检索到的资料回答，查不到资料时明确说"不确定，为您转接顾问"
- 高敏问题强制转人工：升学承诺、费用争议、投诉三类绝对不允许 AI 自由发挥
- 评测集 + Badcase 复盘：按问题类型持续追踪幻觉率，每周更新知识库
💰 成本与响应速度平衡
咨询高峰期（招生季/开放日前后）并发量激增，强模型成本和延迟都会上升
- 高频标准问题（学费/年级/入学流程）走 FAQ 缓存或模板回答，零成本零延迟
- 复杂多轮咨询才调用 GPT-4 Turbo，简单确认型问题用通义千问/豆包承接
- 对话摘要、意图分类等后台任务用高性价比模型批量处理
🔒 隐私与合规（学生信息保护）
家长和孩子的信息属于敏感数据，长期记忆需要谨慎处理
- 长期记忆只保存结构化标签或摘要，不无限保存原始对话内容
- 高敏字段（学生姓名、家庭情况等）脱敏存储
- 明确告知用户 AI 咨询边界，关键承诺必须由人工确认
🔄 知识库时效性维护
招生政策、学费、活动信息频繁更新，知识库过期会直接导致错误回答
- 与市场部建立信息同步机制，重大政策变更时触发知识库更新提醒
- 高频未命中问题每周复盘，补充到知识库（Badcase 驱动迭代）
- 对时效敏感内容（活动日期/最新学费）加时间戳标注，过期内容优先转人工