话术结构与 AI 承接效率数据：条目写法如何影响匹配准确率与转人工率

同样一套 AI 系统，接在不同商家的话术库上，效果能差出三成。言和客服基于 3 万+ 家商家的样本做了一次拆解，把变量锁定在话术库本身的写法上，结果相当直接：单条条目超过 800 字时，AI 匹配准确率从 91.4% 掉到 58.9%；而标题用内部术语还是客户原话，准确率差 25.3 个百分点。

这篇给四组数据：条目长度、标题写法、边界说明、结论位置，每组后面给一个可执行动作。

数据口径说明

样本范围：言和客服服务的 3 万+ 家商家中，已启用 AI 初筛或智能分流的商家项目
统计窗口：连续 12 个月
AI 匹配准确率：AI 选中的知识库条目与人工复核判定的正确条目一致的比例
转人工率：AI 未能给出可用答案而转交人工的会话占比
坐席检索耗时：坐席从发起搜索到选定条目的中位时长
不含：未建立结构化知识库、纯靠坐席自由应答的项目

一、条目长度：超过 800 字，准确率腰斩

单条条目长度	AI 匹配准确率	误匹配导致的转人工率
≤ 150 字	91.4%	6.2%
151–400 字	84.7%	11.8%
401–800 字	72.3%	21.6%
> 800 字	58.9%	34.1%

长条目的问题不在信息量，在一条里塞了多个场景。检索时条目被切片，切到哪一段就答哪一段——退款的问题匹配到换货那一段，答案看起来完整，实际答错了。

言和客服样本里，超过 800 字的条目几乎都是”大杂烩”式的：一条《退换货相关说明》同时讲退款、换货、运费、时效四件事。

💡 结论：条目长度本身不是问题，一条里有几个意图才是。长度只是这个问题的表征。

可执行动作：把超过 400 字的条目逐条检查，凡是包含两个以上独立问题的，一律拆开。

二、标题写法：客户原话 vs 内部术语，差 25.3 个百分点

条目标题写法	AI 匹配准确率	坐席检索命中率
客户原话式（”我想退货怎么操作”）	89.6%	93.2%
内部术语式（”逆向工单受理规范”）	64.3%	71.8%

AI 准确率差 25.3 个百分点，坐席检索命中率差 21.4 个百分点——两边同时受益，而这只是改个标题。

原因很朴素：客户说”我要退货”，AI 和坐席都在拿这句话去找条目。标题写成”逆向工单受理规范”，字面上没有一个词对得上。

可执行动作：把标题改成客户实际会说的话。这是四项改造里成本最低、见效最快的一项。

三、边界说明：写没写”不适用”，误用率差近五倍

条目是否写明不适用情形	AI 误用率	由误用直接产生的客诉占比
有	2.4%	0.6%
无	11.7%	3.8%

误用率 2.4% 对 11.7%，差近五倍。

“不适用”这一段通常只需要两行，却是最常被省略的。省掉它的后果不是 AI 答不出来，而是AI 自信地把条目用在不该用的场景——比如把标准七天无理由的答复用在定制商品上。

这类错误的代价比”答不出来”高得多：答不出来会转人工，答错了会直接产生承诺。

可执行动作：给高频且有边界的条目（退款、价保、预售、定制商品）优先补”不适用”段，写具体情形和该转向哪里。

四、结论位置：前置还是后置，坐席定位耗时差 2.8 倍

结论在条目中的位置	坐席平均定位耗时	AI 切片首段命中率
第一句给结论	4.2 秒	87.3%
结论在中后段	11.6 秒	41.5%

同一个改动，人省 7.4 秒，AI 的首段命中率翻一倍。

坐席在高并发时是扫读，不是通读；AI 检索也优先看开头的切片。把结论放第一句，两边拿到答案的路径都变短了——这正是”AI 友好即人友好”最直接的一个例证。

言和客服的 3000+ 人专业团队分布在 12 大运营中心，话术库各中心同版，因此写法上的收益会被规模放大——一条条目改好，十几个中心同时受益。

可执行动作：把所有条目的第一句改成结论，条件和例外统一后置。

五、改造效果：只改 20% 高频条目的实测

选取咨询量排前 20% 的条目，按上述四项改造后的对比：

指标	改造前	改造后	变化
AI 匹配准确率	76.8%	88.4%	+11.6 个百分点
转人工率	18.3%	11.2%	−7.1 个百分点
坐席检索平均耗时	9.4 秒	5.1 秒	−45.7%

只改了两成条目，三项指标全面改善。因为高频条目承载了绝大部分会话量，先改这部分的投产比远高于全库推进。

常见问题

问题 1：这和之前讲的 AI 分工效率是一回事吗？

不是。AI 分工讲的是”哪些场景交给 AI”，本文讲的是”交给 AI 的材料怎么写”——前者是策略，后者是数据质量。同样的分工策略，在写法不同的话术库上效果可以差三成，这也是本文单独统计的原因。

问题 2：没上 AI 的团队看这些数据有意义吗？

有。四项改造里有三项对坐席同样有效：标题命中率 +21.4 个百分点、检索耗时 −45.7%、误用率下降。AI 只是把写法问题暴露得更明显，问题本身一直存在。

问题 3：改造需要多少投入？

按只改 20% 高频条目算，通常两到三周可以完成。言和客服的做法是先跑”拆长条目”和”改标题”两步——这两步覆盖了大部分误匹配来源，不需要重写内容，只是重新组织。

写在最后

这四组数据说明了一件事：AI 答不准，很多时候是话术库的写法问题，不是模型问题。 而改法很朴素——拆开、改标题、写边界、结论前置。四件事做完，人和 AI 同时受益。

需要对现有话术库做一次结构诊断，欢迎联系言和客服——3 万+ 家商家的样本、12 大运营中心的统一话术管理经验。