我用AI把1200条客户咨询"炼"成87个FAQ，只花了6小时

我们客服组有个不成文的规定：遇到没见过的问题，先去微信群里搜聊天记录。

这句话说出来有点好笑，但我相信至少有一半做过运营或客服管理的人，看到这里会心一笑——因为你们也这么干过。

去年底，我接手了一个"历史遗留问题"：三个渠道（微信客服、企业微信群、工单系统）积累了超过1200条客户咨询记录，散落在不同平台，格式五花八门。新人入职，只能靠老员工口口相传；客服遇到边缘问题，只能"凭经验"回答。

有人提议整理一套FAQ库。我们算过，人工整理一次至少要3天，但整理完3个月就过时了，因为产品在迭代、政策在变，没人有精力跟进维护。所以这件事一拖再拖，变成了一个所有人都知道该做、但没人真正动手的"重要不紧急"任务。

直到我决定用AI来做这件事。

这篇文章是完整的操作手册，不是概念科普。我会把每一步的Prompt、踩过的坑、最终产出，原原本本地写清楚。

---

一、在动手之前，先想清楚整体方案

很多人第一反应是：把原始记录全部丢给AI，让它"帮我整理成FAQ"。

我第一次也是这么干的。结果是一堆废话——AI给我生成了一份看起来很完整、实际上全是正确的废话的文档，问题太宽泛，答案太官方，没有一条是我们实际会遇到的具体场景。

根本原因是：你没有给AI一个清晰的任务结构。

正确的工作流应该分四个环节，顺序不能乱：

数据清洗 → 问题聚类 → 答案生成 → 结构化输出

每个环节的目标不同，对应的Prompt策略也完全不同。把四件事混在一个Prompt里，等于让AI同时做四件事，结果必然是四件事都做得稀烂。

关于工具选择，这里给一个简单的判断框架： | 场景 | 推荐方案 | | 数据量 < 500条，不想写代码 | 手动分批，直接在对话框操作 | | 数据量 500-3000条，有基础Python能力 | 写简单脚本调API，批量处理 | | 数据量 > 3000条，需要定期自动化运行 | 完整的Python工程 + 稳定API服务 |

我的1200条记录用的是手动分批处理，每批约80-100条，分批投喂，最后汇总。模型用的是 Claude Opus 4.6（上下文窗口大，对长文本的理解更稳定）和 GPT-5.1（答案生成时语气更自然）。

---

二、实战全流程：含完整Prompt和踩坑记录

Step 1：数据预处理——乱的数据进去，烂的结果出来

原始记录长这样（脱敏后）：

[2024-11-03 14:23] 用户A：我的订单怎么还没到啊，昨天下的单

[2024-11-03 14:25] 客服：您好，请问订单号是多少？


[2024-11-03 14:26] 用户A：1234567890


[2024-11-03 14:28] 客服：您的订单预计明天送达，物流单号是...



[2024-11-04 09:11] 用户B：能不能退款啊我不想要了


[2024-11-04 09:15] 客服：您好，请问是什么原因想退款呢？

这样的记录直接喂给AI，它不知道哪句是"问题"，哪句是"闲聊"，哪句是"已解决"，哪句是"未解决"。

预处理三件事：

1. 脱敏：删除用户ID、订单号、手机号、地址等隐私信息，替换为[用户ID]、[订单号]等占位符

2. 去噪：删除纯闲聊（"好的谢谢"、"哦哦"）、系统自动回复、重复记录

3. 格式统一：把每一条完整的咨询（从用户发问到问题关闭）整理成一个独立的"对话单元"，格式如下：

【咨询记录-001】

用户问题：我的订单昨天下的，今天还没到


客服回复：订单正在配送中，预计明天送达


解决状态：已解决

这一步我花了大约1.5小时，主要是手动过滤明显的噪声数据，把1200条压缩到了约900条有效记录。

---

Step 2：问题聚类——让AI把相似问题归成一类

这是整个流程最关键的一步，也是我踩坑最多的地方。

失败版Prompt（别用这个）： 
请帮我把以下客户咨询记录分类整理成FAQ。


[粘贴记录...]

输出结果：AI给了我一份按"物流"、"退款"、"产品"、"其他"四个大类划分的列表，每类下面随机塞了几条记录。完全没用。

改进版Prompt（用这个）： 
你是一个专业的客服数据分析师。我会给你提供一批客户咨询记录，请完成以下任务：


1. 识别每条记录中用户的核心问题意图（一句话概括，去掉情绪化表达）


2. 将相似意图的问题归为一个聚类，给每个聚类起一个简洁的标题


3. 统计每个聚类包含的记录数量


4. 输出格式严格按照以下模板：



聚类标题：[XXX]


  • 包含记录数：[N]条
    • 

  • 典型问题表述：
    • 

  - "[原始问题1]"

- "[原始问题2]"


  • 用户核心意图：[一句话描述]
    • 



注意：


  • 聚类粒度要适中，不要太宽（比如"物流问题"太宽），也不要太细（每条都单独一类）
    • 

  • 如果一条记录涉及多个问题，按主要问题归类
    • 

  • 聚类数量控制在15-30个之间
    • 



以下是咨询记录（第1批，共80条）：


[粘贴记录...]
对比输出：

失败版给我4个大类，改进版给了我23个聚类，粒度刚好——"物流查询"、"发货时效确认"、"物流异常处理"被分成了三个独立聚类，而不是混在一起。

⚠️ 第一个大坑：AI会把"退款申请"和"售后维权"混在一起。这两类用户的情绪和诉求完全不同，如果混在一起生成答案，答案会变得模棱两可。

>

解决方法：在Prompt里明确加一条："'退款'类问题请区分'正常退款申请'和'投诉维权类退款'，分别单独建类。"

---

Step 3：答案生成——从聚类结果生成标准答案

聚类完成后，我拿到了23个问题类别。接下来是为每个类别生成标准答案。

失败版Prompt（别用这个）： 
请为以下问题类别生成FAQ答案：

聚类标题：发货时效确认


用户核心意图：用户想知道下单后多久能发货

输出结果："尊敬的用户，感谢您的咨询。我们承诺在您下单后的合理时间内为您安排发货，具体时效以实际情况为准……"

——这种答案放到FAQ里，用户看了等于没看。

改进版Prompt（用这个）： 
你是一个有5年经验的电商客服主管，正在为团队编写内部FAQ手册。


我会给你一个问题聚类的信息，请生成一个标准FAQ条目。要求：



1. 问题：用用户最常见的口语化表述，不要用官方语气


2. 简短答案：1-2句话，直接回答核心问题，适合客服快速复制粘贴


3. 详细答案：3-5句话，包含具体信息和操作指引


4. 适用条件：说明这个答案在什么情况下适用，什么情况下需要转人工


5. 标签：3-5个关键词，用于搜索



语气要求：


  • 简洁直接，不要"尊敬的用户"这类套话
    • 

  • 口语化，像真人在回答，不像机器人
    • 

  • 如果有具体数字（如时效、金额），用[XX]占位，后续人工填写
    • 



以下是聚类信息：


聚类标题：发货时效确认


包含记录数：47条


典型问题表述：


  • "什么时候发货啊"
    • 

  • "我下单多久能发出来"
    • 

  • "今天下单今天能发吗"
    • 

用户核心意图：用户想确认下单后的预计发货时间
改进版输出示例： 
## FAQ-007：发货时效

问题：我下单之后多久能发货？

简短答案：工作日下午[X]点前下单，当天发货；之后下单次日发货。

详细答案：

我们的发货时效是：工作日[X]点前完成付款的订单，当天安排发货；[X]点后或节假日下单的订单，下一个工作日发货。发货后会短信通知您物流单号，一般[X]小时内可查询到物流信息。如果超过[X]小时仍未更新，可以联系我们核实。


适用条件：

  • 适用：标准商品、正常库存状态
    • 

  • 需转人工：预售商品、定制商品、大件商品（另有时效说明）
    • 


标签：发货时间、发货时效、什么时候发、当天发货
⚠️ 第二个大坑：AI生成的答案里会出现具体的政策数字（比如"7天无理由退款"、"48小时内发货"），但这些数字不一定和你们的实际政策一致。

>

解决方法：在Prompt里明确要求"涉及具体数字和政策的地方，用[XX]占位，不要自行填写"。生成完成后，统一由运营或法务人工核对填写。

---

Step 4：结构化输出——生成可直接导入的格式

最后一步，把所有FAQ条目整理成可以导入Notion/飞书/语雀的格式。

请将以下FAQ条目转换为Markdown表格格式，包含以下列：
| 编号 | 问题 | 简短答案 | 适用条件 | 标签 | 最后更新 |


同时生成一个按标签分类的目录，方便快速检索。

这一步基本不会出问题，AI对格式转换的执行很稳定。

---

三、踩坑合集——这些弯路你不用再走

把分散在各步骤的坑，加上一些流程外的坑，集中整理如下：

坑1：Token超限，批处理策略

每批记录不要超过80条（约4000-6000个token），留足输出空间。我用的是"批次标注法"：每批Prompt开头加"这是第X批，共Y批"，方便最后汇总时对齐。

坑2：AI编造不存在的政策

如上文所说，用[XX]占位符，生成后人工核对。建立一个"政策核对清单"，把所有需要填写具体数字的地方统一列出来，交给有权限的同事确认。

坑3：同一个问题被分进不同聚类

聚类完成后，要做一次"合并检查"：把所有聚类标题列出来，再问AI："以下聚类中，有没有可以合并的？请指出并说明理由。"通常能发现2-3对重复聚类。

坑4：答案太长，客服不愿意用

FAQ的目的是让客服快速复制粘贴，不是让用户阅读长文。"简短答案"严格控制在2句话以内，这是铁律。

坑5：FAQ上线后没有迭代机制

建议在FAQ库里加一列"反馈标记"，客服使用时如果发现答案不准确或过时，可以直接标记。每月跑一次更新流程，把标记的条目重新生成。

坑6：忽略"未解决"的咨询记录

预处理时不要只保留"已解决"的记录。"未解决"或"转人工"的记录往往代表最难回答的边缘问题，这些问题更需要被纳入FAQ（哪怕答案是"此类问题需要人工处理"）。

---

四、最终成果 + 可复用的Prompt资产包

数据结果：
  • 原始记录：1200条 → 有效记录：约900条 → 最终FAQ条目：87个
  • 预估人工整理时间：3天 → 实际耗时：6小时（含预处理1.5h + 聚类2h + 答案生成2h + 收尾0.5h）

这套流程我们现在每月跑一次，已经成了固定SOP。每次新增的咨询记录大约200-300条，增量处理只需要1-2小时。

本文所有Prompt汇总： | 步骤 | Prompt核心指令 | 关键参数 | | 数据预处理 | 格式统一模板 | 每批≤100条 | | 问题聚类 | 识别意图 + 归类 + 统计数量 | 聚类数控制在15-30个 | | 答案生成 | 口语化 + 占位符 + 适用条件 | 简短答案≤2句 | | 结构化输出 | Markdown表格 + 分类目录 | 包含最后更新时间列 |

---

💡 关于API选择的一个实际问题

在处理这批1200条记录时，我遇到的最大瓶颈不是Prompt写法，而是上下文窗口限制和并发稳定性。如果你的数据量更大（比如超过5000条），或者你想把这个流程自动化跑批，就需要一个稳定的API接口。

我目前在用的是 [api.884819.xyz](https://api.884819.xyz)，支持 GPT-5.1、Claude Opus 4.6、Deepseek R1 等主流模型，按量计费，没有月租——对于这种一次性的数据处理任务性价比很高，不用为了跑一次数据去开一个月的订阅。国产模型（Deepseek/千问等）完全免费，新用户注册即送体验token，注册只需要用户名+密码，不需要邮箱验证，直接开用。

---

有读者问我："FAQ库做好了，但客服每次还是要手动去搜，能不能让AI直接接管问答？"

这个问题问到点上了。FAQ库只是第一步——下一篇我会写怎么把这个静态FAQ库接入一个简单的AI问答机器人，不需要写代码，用现有工具就能实现。客服问一句话，机器人自动从FAQ库里匹配最相关的答案，置信度低的再转人工。

如果你也有类似需求，点个收藏，我更新了会第一时间通知你。

---

本文由8848AI原创，转载请注明出处。关注8848AI，带你从零开始学AI。

#AI教程 #Prompt技巧 #客服运营 #FAQ #ChatGPT #Claude #8848AI #效率工具