自动化助手和普通问答机器人的分界不在用了多强的模型在三个环节是否闭环什么事件触发它行动、它怎么判断该不该做和怎么做、做完之后结果怎么反馈并影响下一次行动。很多项目把全部精力放在中间的对话能力上触发源单一只能等用户发消息、判断方式要么纯规则要么纯模型、结果发出去就石沉大海——这样的助手跑起来既不主动也不会变聪明。一、三类触发器——助手不应该只在被时才工作只靠消息触发的助手本质还是被动应答。完整的触发源有三类。消息触发客户或同事发来消息助手实时响应这是最基础的入口。定时触发到点执行周期性任务——每天早9点汇总昨晚的售后群消息、每周五给销售推送本周高意向客户清单、每小时检查一次超时工单。事件触发业务系统状态变化时被动唤起——订单支付成功触发关怀消息、工单状态变更触发客户通知、库存低于阈值触发采购群提醒。三类触发器对应三种不同的运行模式消息触发是同步会话用户在等回复秒级响应定时触发是批量任务没人等重点是吞吐和频控事件触发是实时联动业务发生即动作重点是可靠投递。触发器统一成内部事件模型进入同一个调度核心助手逻辑不用关心自己是被谁唤醒的只处理事件上下文。定时和事件触发必须有死信机制——执行失败的任务进死信队列可重放不能静默丢失。二、混合判断层——规则兜底高频确定场景LLM处理模糊长尾判断层最容易走两个极端全靠规则话术僵化、维护一堆if-else客户换个说法就识别不了全靠大模型每次判断都调模型延迟高、成本高而且查物流这种高频确定意图根本不需要推理。生产级做法是分层混合第一层规则和关键词匹配命中高频意图订单号格式、明确关键词、固定指令直接路由毫秒级零成本第二层小模型或向量分类处理规则没命中但属于已知意图的消息第三层才是大模型只处理前两层都无法判断的模糊长尾和需要复杂推理的请求。混合判断还有一个关键设计是判断置信度决定自动化程度高置信只读任务自动执行中置信任务先生成方案请用户确认低置信或涉及写操作的直接转人工。判断不是一次性的——执行过程中发现参数不全或前提不成立要回到判断层重新决策而不是硬着头皮执行。三、结果反馈闭环——做完之后要回话还要学习助手执行完任务不能沉默。结果反馈分三个层次对用户的即时反馈任务完成了告诉用户做了什么、关键结果是什么、有没有需要他注意的异常对发起方的异步回执定时批量任务跑完推送执行报告——成功多少、失败多少、失败明细对系统的结果沉淀每次执行的成功/失败/用户是否满意写回数据作为下一轮判断的依据。反馈中最有价值的是用户纠正回流助手判断错了用户说不是查这个订单这次纠正要被捕获——修正后的意图、正确的参数入库定期分析纠正样本高频错误反哺规则层和提示词。助手因此越用越准。失败反馈要带可操作信息不能只说操作失败要说明原因和建议客户已不是好友建议电话联系让反馈本身推动问题解决。三环节设计对照环节常见缺陷设计要点触发只能被动应答消息/定时/事件三源死信队列判断纯规则僵化或纯模型昂贵规则→小模型→LLM三层置信度分级反馈石沉大海不迭代即时/异步/沉淀三层纠正回流自动化助手骨架实现class AssistantCore: # 三类触发器统一成内部事件 def on_message(self, raw): self.dispatch(TriggerEvent(message, raw, raw.wxid)) def on_timer(self, job): for target in job.targets: self.dispatch(TriggerEvent(timer, {job: job.name}, target)) def on_biz_event(self, evt): self.dispatch(TriggerEvent(biz_event, evt, evt.customer_wxid)) def dispatch(self, event): try: decision self.judge(event) result self.execute(decision) self.feedback(event, decision, result) except Exception as e: dead_letter.put(event) # 死信不丢 raise def judge(self, event): # L1 规则高频确定意图 hit rule_engine.match(event) if hit and hit.confidence 0.95: return Decision(hit.action, confidencehigh) # L2 小分类已知意图 intent small_classifier(event.text) if intent.confidence 0.8: return Decision(intent.action, confidencemid) # L3 LLM模糊长尾复杂推理 return llm_decide(event, contextload_profile(event.wxid)) def execute(self, decision): if decision.confidence low or decision.is_write: return handoff_human(decision) if decision.need_confirm: return ask_confirmation(decision) return tool_registry.run(decision.action, decision.params) def feedback(self, event, decision, result): # 即时反馈 sendText(WID, event.wxid, result.user_summary) # 结果沉淀 db.save(action_log, {event: event.kind, decision: decision.name, ok: result.ok, corrected: False})落地建议建设顺序按三环节推进先补齐触发源——定时和事件触发比对话能力更容易被忽视但它们是自动化三个字的真正体现判断层的规则先行把Top20高频意图用规则覆盖能省掉80%的模型调用反馈闭环从第一天就要记录执行结果纠正样本攒三个月就是最有价值的优化资产。微信侧的消息回调和定时触达能力由Eyun这类个人微信API平台提供业务事件由各业务系统Webhook汇入触发调度、混合判断和反馈沉淀在自建助手服务中实现接口字段和回调结构以Eyun平台的开发文档为准。
