导语
2026 年 9 月 7 日起，微信开始小范围灰度测试「小微 AI 社交」。经双方授权后，两个小微建立独立会话，先完成时间协调、信息同步、事务交接，再把结果生成确认卡片交回用户拍板。对话记录只保留在小微内部，不进入双方原有聊天窗口。
这件事表面上是社交功能，但对企业技术落地而言，它揭示了一个更实在的结论：Agent 能不能接住客户，取决于知识库治理水平，不取决于模型选型。
目录
- 一、背景：客户信息入口正在迁移
- 二、问题：为什么换更大的模型反而更差
- 三、方案：把文档级知识库改造成问答级
- 四、实现：一份可复用的问答包结构与提示词
- 五、边界：自动化红线的划分原则
- 六、效果验证
- 七、常见问题
- 八、一个已验证的政务样本
- 九、给中小企业的三条可执行切口
- 十、总结
一、背景：客户信息入口正在迁移
微信与 WeChat 合并月活账户数 14.39 亿（2026 年第二季度）。腾讯总裁刘炽平在 2026 年第二季度业绩电话会上表示，小微这类 Agent 能用到微信的社交图谱、知识图谱、商户触达能力和支付功能，未来小程序、商家和每个用户都会有自己的 Agent，彼此可以通信，也可以直接完成交易。
小微由微信自研的 WeLM 驱动。WeLM-80B 总参数 800 亿、计算时激活约 30 亿，已用于小微；WeLM-617B 总参数 6170 亿、激活参数 230 亿在研发中。
需要明确边界，小微目前只支持文字消息，不能代办具体任务，对方索要报表时小微无法自行生成发送，只能互相提醒。群发功能未开放，定时消息也不支持发送给他人的小微。官方口径是仍处于早期测试，覆盖范围有限，产品完成度较低。
从企业视角看，值得关注的不是小微现在能做什么，而是客户获取信息的入口正在从人工渠道迁移到 AI。
二、问题：为什么换更大的模型反而更差
有一家家电售后的客服中心，AI 接管率从 0 做到 72%，人工坐席从 240 人降到 130 人，单通成本从 7.2 元降到 2.1 元，单通时长从 6.8 分钟压到 3.5 分钟，累计投入约 480 万，11 个月回本。
但 2025 年 4 月上线第一版时，接管率只有 6%，其中 80% 的回答是错的。团队判断是模型能力不足，随即更换了更大的模型。
接管率当场从 6% 掉到了 4%。
复盘后定位到三处问题。
- 知识库颗粒度太粗，内容是「故障排查总览」「退换货流程」这类大章节，检索时长上下文容易抓错信息点
- 更新机制滞后，知识库按月更新，而产品两周就有新机型上市，模型持续使用过期资料作答
- 边界场景缺乏兜底，模型有六成把握能答、四成概率答错的问题全部被直接交给模型
结论是，问题不在模型侧，而在数据侧。检索增强生成的效果上限由知识库的结构决定，模型只是末端。
三、方案：把文档级知识库改造成问答级
针对上述三处问题，改造方向同样有三条。
第一条是改造知识库结构。把原先按文档组织的内容，改为按用户高频问题组织的一问一答单元，每个单元包含标准答案、相关知识、边界说明与转人工触发条件。改造后条目从 1200 条扩展到 4800 条，单条平均长度从 800 字压缩到 180 字，检索准确率从 41% 提升到 78%。
第二条是提高更新频率。把月度同步改为日度同步，并保留紧急即时同步通道。
第三条是补齐边界兜底。为每条问答标注不适用场景，并定义转人工触发条件，避免让模型在不确定时自由发挥。
这三条里，第一条的收益最大，也最容易被忽略。800 字压到 180 字，带来的是 37 个百分点的准确率提升。
四、实现：一份可复用的问答包结构与提示词
问答包建议固定五栏结构，便于批量维护和后续检索。
bash
问题 | 你们的最小起订量是多少
标准答案 | 常规型号 50 件起订，非标件 200 件起订，样品可以单件
相关知识 | 非标件需要开模，交期 15 个工作日
边界说明 | 如果客户要的型号不在常备清单里，按非标件处理
转人工 | 客户问「能不能先做 10 件试试」时，转人工关键在最后三栏。相关知识是上下文补充，边界说明用于约束输出范围，转人工条件用于兜住模型不确定的情况。
条目数量上建议第一天先写 30 条，覆盖最高频和最易答错的问题。分类上按产品参数、价格与政策、交期与物流、售后与返修、合作与账期划分，便于后续按业务变化局部更新。
工具层面，可用腾讯 ima 承载知识库，用腾讯 WorkBuddy 承载接待侧。WorkBuddy 通过连接器对接已有系统与办公工具，在连接器里接入 ima 知识库即可打通检索链路。两个工具使用同一微信账号登录，可减少授权环节的配置成本。
接待侧的关键在于提示词，本质是给模型一份岗位说明书，而不是问它一个问题。
bash
你是【公司名】的线上接待，只做三件事，回答产品和价格问题、留下客户联系方式、判断要不要转人工。
回答范围，只允许用知识库里的内容回答。知识库里没有的，一律回答「这个问题我需要帮您确认一下，稍后回复您」，不要自己猜。
必须转人工的四种情况，客户问具体折扣和账期、客户要签合同或要盖章文件、客户表达不满或投诉、同一条问题你连续两次答不上来。
回答风格，大白话，先给结论再给理由，一句话不超过 40 个字，结尾问一句「还需要我帮您看别的吗」。
不要做的事，不承诺交期、不报没有公开的价格、不说「我们是最好的」这类话。这份提示词有一半篇幅在定义禁止行为，这也是它与通用对话助手的核心差异。
五、边界：自动化红线的划分原则
阿里巴巴淘天集团与福客 AI 联合推出的「生意管家」，为电商商家配置了三类岗位级数字员工，人群运营、流量推广、数据分析，日常执行、优化、巡检全部自动运行。但预算调整、价格修改、商品正式发布、大额活动设置，全部保留人工审批。
可提炼的划分原则是可逆的、低风险的、高频的操作交出去，不可逆的、涉及资金的、对外发布的自己拿住。
上线节奏建议分两段。第一周开启内部备注模式，由模型生成答案、人工确认后发出，把答错、答偏、答不上的问题回补进问答包。稳定后再切到直接回复。
六、效果验证
上线前后的对照
| 阶段 | 客户侧表现 | 人工侧表现 |
|---|---|---|
| 改造前 | 晚间询价次日才获回复，客户已联系第二家供应商 | 客服次日集中处理积压咨询 |
| 改造后 | 晚间询价五秒内获得回复，同时收到相关型号参数 | 人工只处理需判断的问题 |
需要说明的是，效果的衡量口径不是客户满意度提升，而是客户在最需要答案的时刻获得准确回复。案例方复盘也指出，速度没有直接带来更高的满意度评分，但显著降低了团队负荷。
一个完整的运行实例
以一家工业配件企业为例，完成部署后出现这样的运行实例。晚间十点半，一位老客户在微信中询问去年那批阀门的密封圈现在还能否单买。五秒内系统回复，可以购买，型号为某型号，单买需 50 件起，若仅需少量补充，走返修通道更快。该回复由企业自身资料生成，未经人工介入。
上线后的维护成本
长期唯一的持续工作是知识库维护。新品上市需要新增条目，政策调整需要修改条目，价格变动需要更新条目。案例中该企业最终采用日度同步加紧急即时同步，原因是曾被过期资料影响过一次答复准确性。
七、常见问题
问：能不能直接用更大的模型解决答不准的问题。 不能。案例中更换更大的模型后接管率从 6% 降至 4%，根因在数据侧。修正方向是知识库结构，不是模型参数。
问：知识库条目数量是不是越多越好。 不是。案例中条目从 1200 条扩展到 4800 条，同时单条长度从 800 字压缩到 180 字，准确率提升主要来自单条粒度的优化，而不是条目总量。
问：能不能一开始就开启全自动回复。 不建议。建议第一周开启内部备注模式，由人工确认后发出，一周后把答错、答偏、答不上的问题回补进问答包，再切到直接回复。
问：资料该由谁撰写。 不建议单人闭门撰写。应拉上一线客服与销售共同参与，他们对客户的真实问法更清楚。负责人单人撰写的三十条，通常与客户实际询问的三十条存在明显差距。
八、一个已验证的政务样本
石家庄市桥西区行政审批局的「云智库」AI 智能问答服务直接部署在腾讯 ima 平台上，行政审批、人社、教育、医保、民政、税务等 20 余个部门的政务服务信息已归集其中，群众在微信中搜索 IMA 小程序即可提问。其特点是零建设投入，依托现有知识库平台完成部署，无需系统建设、技术开发和日常运维经费；准确性依靠知识库而非模型，所有回复均来源于对外公示的政务资料。
ima 自身全端月活超 1300 万，累计沉淀超 4.2 亿份知识库文件，知识号覆盖 20 余个行业。
九、给中小企业的三条可执行切口
- 写一份给 AI 看的说明书，覆盖最常被问的 30 个问题，每条固定四栏，标准答案、相关补充、不适用场景、转人工条件
- 先挑最费人的单一环节试点，不做全公司铺开
- 划清自动化边界，可逆高频的交给模型，涉及资金与对外发布的保留人工
落地自查清单
放出接待前建议逐项核对六件事。知识库条目是否已按问答级拆分且单条控制在 200 字以内；每条问答是否写明不适用场景与转人工触发条件；提示词是否限定回答范围仅来自知识库并列出必须转人工的情形；是否划定自动化边界并保留资金与对外发布操作的人工审批；第一周是否采用内部备注模式；是否指定知识库更新的责任人与频率。
前两项决定回答准不准，第三、四项决定回答安不安全，第五、六项决定这套系统能否长期运行。
十、总结
需要提前规避的三个问题。
第一，不要指望更换更大的模型解决答不准，案例中换大模型后接管率反而从 6% 降到 4%。第二，不要第一天就开启全自动回复，容易引发客户对无法转人工的不满。第三，不要由单人闭门撰写资料，应拉上一线客服与销售共同参与。
另可参考一个已验证的样本。石家庄市桥西区行政审批局的「云智库」AI 智能问答服务直接部署在腾讯 ima 平台上，行政审批、人社、教育、医保、民政、税务等 20 余个部门的政务服务信息已归集其中。其特点是零建设投入，无需系统建设、技术开发和日常运维经费；准确性依靠知识库而非模型，所有回复均来源于对外公示的政务资料。ima 全端月活超 1300 万，累计沉淀超 4.2 亿份知识库文件，知识号覆盖 20 余个行业。
核心结论归纳为三点。
- 检索增强生成的效果上限由知识库结构决定，模型只是末端
- 单条知识从 800 字压缩到 180 字，实测带来 37 个百分点的检索准确率提升
- 自动化边界按可逆性划分，可逆高频的交给模型，涉及资金与对外发布的保留人工