知识挖掘
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_ae827bc3/skill-faq-mining。
技能介绍
要解决什么问题
人工客服知识往往散落在历史会话里:同一类问题有多种问法,「最佳回复」要靠人翻聊天记录才能总结。要把这些内容整理成可导入知识库的标准 FAQ,手工做聚类、统计频次、对齐问答格式,成本高且容易漏掉长尾高频问。
技能如何工作
本技能面向脱敏后的客服会话日志,要求记录里保留会话上下文、客户/客服角色与时间顺序。输入支持 .txt、.json、.md 及 Excel(.xlsx/.xls);Excel 可先经 scripts/read_file.py 转为文本再分析。
核心流程分四步:读取数据 → 理解样本规模与时间跨度 → 意图聚类与最佳答案筛选 → 输出 FAQ Markdown。
在意图提取阶段,会把语义相近、表述不同的问题归并为标准问并统计频次;用客户下一句回复作为反馈信号评估解答质量,优先保留通俗易懂、简洁明了的客服话术。最终产物是按出现频次从高到低排序的 .md 文件,每条 FAQ 严格为「第一行问、第二行答」。
适用边界与注意点
仅处理已脱敏数据;生成的 FAQ 需经业务专家审核后再入库。样本过小或时间跨度过短时,应补充日志;聚类效果差时可人工校验或调阈值;若大量会话缺少客户下文反馈,反馈权重会相应调整。单文件建议不超过 10MB;read_file.py 依赖 pandas、openpyxl。
使用场景
- 季度复盘时需从半年客服聊天导出文件中找出重复问法并整理成标准问
- 新开帮助中心前,要把 Excel 工单会话转成文本并生成按频次排序的 FAQ 初稿
- 质检发现同类问题回复不一致,需用客户下一句反馈筛出更清晰的话术条目
- 业务改版后定期跑脱敏日志,更新 Markdown FAQ 以匹配最新产品与流程
适合人员
- 负责将人工客服历史对话导入知识库的运营,需要标准问答 Markdown 而非原始聊天记录
- 管理客服话术与质检标准的组长,要把高频问题与统一回复沉淀成可审核的 FAQ 文档
- 处理 `.xlsx` 会话导出的数据同事,需先把表格转成文本再做空答辩与频次统计
- 维护对外帮助文档的内容编辑,希望从历史会话自动归纳问法变体并保留亲和、专业的答句风格