Rasa 是一款开源项目：开源的对话式 AI 框架，适合自托管。

下面用几组示意对比，说明同一任务里提示写法和流程不同会带来什么差别。

对比一：模糊指令 vs 明确指令

改之前：直接说「帮我回复草稿」。结果往往泛泛而谈、格式随意。

改之后：写清材料、格式和验收标准：

为这张工单起草回复：先确认客户遇到的问题，说明我们会怎么处理和时间预期，不承诺政策以外的补偿，语气诚恳。

变化（示意）：输出结构稳定，可以直接按「没有超出政策的承诺」检查。

对比二：一次做完 vs 分步完成

改之前：把「工单分类」的全部要求一次塞进去。改之后：先让它给出计划或大纲，确认后再逐步完成。变化（示意）：中途发现偏差可以及时纠正，返工更少。

按「账号 / 支付 / 物流 / 产品故障 / 建议」分类这些工单，标出情绪激烈需要优先处理的，以及可能是同一故障的集中反馈。

对比三：不检查 vs 带检查点

改之前：拿到结果直接用。改之后：每次都对照「覆盖了真实高频问题」检查，并让工具列出它不确定的地方。变化（示意）：问题在交付前被发现。

以上对比均为示意，用来说明方法差异，不代表具体的效率数字。

延伸练习

质检抽查

准备材料：一批客服对话。

按「问题是否解决 / 态度 / 信息准确 / 流程合规」四项对这些对话打分，列出典型问题和改进话术。

验收标准：打分有具体依据。

机器人转人工规则

输入：现有机器人对话记录。

分析这些对话，总结机器人应该转人工的 6 种情况，并写成可配置的规则和触发话术。

交付前确认：规则可直接配置。

满意度分析

准备材料：一批满意度评价和留言。

把评价留言归类为主要原因，统计各类数量，摘录有代表性的原话，并给出 3 条改进建议。

验收标准：原话被准确摘录。

常见问题：机器人答非所问

检查知识库是否覆盖该问题，补充同义问法。

常见问题：客户反感机器人

开场说明是 AI 助手，并提供随时转人工的入口。

常见问题：机器人承诺了无法兑现的事

限制回答范围，涉及退款赔偿的问题强制转人工。

概念补充：转人工

机器人无法处理或用户要求时切换给真人客服。

概念补充：工单

记录客户问题与处理过程的单据。

适合人群：行政与助理

行政与助理可以用 Rasa 处理会议安排与纪要、通知公告等工作。需要注意：员工个人信息与内部文件按权限管理。

适合人群：客服人员

客服人员可以用 Rasa 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。

适合人群：电商运营

电商运营可以用 Rasa 处理商品详情与主图、活动方案与客服话术等工作。需要注意：商品参数和促销规则必须与后台一致，避免虚假宣传。

注意事项

涉及个人信息、商业机密或受监管数据时，先确认 Rasa 的数据处理条款，再决定能否使用。

本文基于 Rasa 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

延伸阅读