AI目前在不同行業有各自的細分應用。對話機器人，針對不同的業務場景，有每個領域的細分落地。由此，對于對話機器人的整體設計思路也不同。

筆者目前在國內一家AI廠商從事AI PM的工作，產品主要面對的主要是某行業的售前營銷場景業務。不同于市面上主流的售后機器人的對話產品，該行業的售前機器人有其特殊的行業特性與對話產品需求點。根據以往的實踐與歸納總結的AI對話設計方法論，本文通過闡釋基于該行業的對話產品設計流程與思路，拆解從0到1搭建售前營銷機器人的過程。

以下是本文的思路框架與概覽。

一、行業背景概況

在介紹對話產品設計之前，先介紹一下行業的業務背景。

筆者所面對的行業，為某垂直領域的行業。該行業中，又有更進一步的行業細分，分為行業1，行業2，行業3，等等。行業間有如下特點：

• 整個大行業有共通的業務特性、業務場景與用戶訴求點；
• 細分行業間，有部分共同的行業知識，但每個細分行業，又有各自單獨的行業知識；
• 人工客服接待對話的場景，細分行業間有共通的對話技巧與思路，但同時每個細分行業又有各自的獨特性；
• 不同的細分行業，售前對話思路有所差異。根據對售前客服接待的難易程度，可將對話復雜度分為：高、中、低 3個層級。各細分行業的分布占比大致為? 高：中：低 =1:7:2；

目前由于業務線處于初步階段與持續完善階段，本文先從業務?對話復雜度等級為高?的細分行業為例，具體闡釋對話產品設計的流程與思路。

二、對話設計流程

1. 業務分析

業務分析主要是對細分行業的整體情況做分析，目的是為對話產品設計提供對話知識框架和對話設計思路。主要包括2個方向：行業特性分析 和?對話場景分析。

1.1?行業特性分析

行業特性分析，指的是對該行業的知識體系做梳理，并對現有人工客服接待的對話訪客特征做分析。

1.1.1 知識體系梳理

重要性

每個行業內，都有其獨有的知識體系。知識體系分析，對于對話產品設計來說至關重要。它決定了整個對話機器人的應答語料話術庫的整體方向與內容，起了方向性的作用。

如何做

一般AI PM需要根據業務需要，與數據工程師配合，進行相關信息的獲取與梳理。主要通過以下幾種方式：

1）人工對話數據抽取分析

從已有的人工客服接待對話數據中，抽取行業知識框架體系中的關鍵信息，從而梳理構建行業知識框架。包括不限于實體關鍵信息的抽取，通過無監督學習的聚類（如K-means聚類等）等方式獲取信息分類，等等。

抽取之后的數據，需要進行人工篩選和梳理，輸出相應的知識框架結構。

2）用戶調研

用戶調研的方式是從另一個維度去考量分析行業知識。主要通過與行業專家（通常是客戶）做用戶訪談的形式來進行。

行業專家是對該行業有深刻理解且有深厚的知識沉淀的專家，TA會對行業有一套抽象歸納的知識結果。這是對1）點中數據抽取方式的有效補充。數據抽取的角度，主要是基于數據特性的歸類與抽象，用戶調研可從業務角度進行補充和方向調優。避免出現技術實現的數據分析，與業務脫軌、偏離方向的各類情況。

3）其他各方資料信息搜集

資料信息搜集，包括各種網上資料、線下書籍等，作為知識查詢的補充。通常在各類的行業領域資訊網會有相應的資料可查詢，有必要可安排數據工程師做數據爬蟲。但得到的數據也僅供知識框架分析用，若要作為話術語料，則需進一步清洗和篩選。

1.1.2 訪客特征分析

筆者在做AI PM之前，做過2年的互聯網PM。在做AI產品設計時，其實很多時候都會運用到做互聯網設計的方法論，即使實際的工作內容不同，但是思維是一致的。比如訪客特征分析下，主要是對進入對話的訪客做特征分析，即訪客用戶畫像。目的是為了形成對話產品服務的C端用戶的關鍵信息特征與需求分析，進而做相應的對話設計。

訪客特征分析主要對以下幾個特征進行分析與歸類：

• 角色
• 基本信息（性別、年齡、主訴載體、來源渠道）
• 對話目的（為什么/會怎樣/怎么辦/可做什么）
• 表達方式
• 用戶情緒
• 用戶預期
• 訪客留聯意愿度

（根據業務需要，會進行標簽維度的新增）

訪客用戶畫像的理想方式是通過大數據/深度學習的方式做數據分析，但基于現實情況（產品線人力物力等因素）還未能做到如此精細化，前期我們會通過AI PM與數據工程師配合的方式來實行。

1.1.3?人工對話思路分析

弱人工智能時代，我們基于的假設是，機器人還無法超越人工。人工客服的行為是給機器人的一個目標和方向。所以在這樣的假設前提下，我們對于對話機器人的設定主要在于“仿真”，即模擬優秀人工客服對話的方式進行對話。我們通過對優秀人工客服對話語料的分析，提取出對話思路與對話語料，作為機器人答疑和引導的方向和素材。

1.2 對話場景分析

除了做行業特性分析，業務分析另一大重要內容是對話場景分析，旨在確定和拆解訪客進入對話的場景，為后續的對話設計做基礎準備。

1.2.1 場景劃分

主要進行場景的確定，梳理出場景列表。同時分析統計出各場景在該行業對話咨詢中的占比，進而統計出，各場景覆蓋業務范圍。這樣我們就可以得到，哪些場景是我們需要重點關注設計的場景，哪些場景是可以無需花太多精力來設計準備。

1.2.2?場景詳情分析

場景詳情包括：場景訪客特征、場景訪客問題、場景客服引導思路、場景對話特征?的分析。

• 場景訪客特征：該場景下的訪客的訪客特征分析，具體分析維度的思路與“1.1.2 訪客特征分析” 同，輸出結果是該場景的訪客特征標簽；
• 場景訪客問題：該場景下訪客問題的統計，基本可以歸納為：為什么/會怎樣/怎么辦/可做什么；
• 場景客服引導思路：總結歸納該場景下客服引導思路，包括對話流程思路與話術，作為后續設計的指導素材。

1.2.3 分析方式

分析方式主要為兩種：人工對話數據分析 和 用戶訪談?；痉绞脚c上文介紹同。值得說明的是，場景詳情分析重要性極高，價值主要在于為對話產品設計提供方向和業務參考，保證后續設計和開發的方向不至于走偏，是指導性的調研分析。

2. 機器人產品定義

在了解了行業知識體系框架與優秀人工客服對話思路后，我們對要設計的對話機器人就有了方向和框架性的認知。即：對于我們要設計怎樣的機器人，這樣的機器人如何去滿足業務要求，機器人的能力/功能要達到什么樣的程度，有了基本的了解和認知。接下去我們就可以對機器人產品做定義。

機器人產品定義可以分為2部分：機器人人物形象設定 與 機器人能力界定。

2.1 機器人人物形象設定

對訪客而言，在對話過程中，人工客服/機器人的接待是有人物特性的，體現在對話的多個方面：人物形象、對話語言、對話節奏等等。同時，人物特征對于對話引導效果，是在潛移默化中的，一句話術、一個間隔等，都是人物特征的表征形式。所以需要對機器人做人物形象設定。

主要從以下幾個層面：

視覺形象：

主要包括機器人頭像、昵稱、對話框信息展示與交互效果。該行業默認設定的客服是親切地、富有親和力的、體貼的等等，可以建立標簽來衡量。

人物個性：

主要包括語言風格和對話節奏風格。

1）語言風格?指的是機器人使用話術的風格，將會貫穿對話始終，涉及后續話術庫的建立和審核，需根據話術風格建立標準；

2）對話節奏風格?指的是在對話過程中，機器人發送話術的節奏，以及在等待應答階段的對話交互。機器人發送話術的節奏，涉及到對話序列策略的設計，比如每間隔N秒發送一句話術，或者根據話術長度決定發送等待時長。

當然，具體的設計涉及諸多異常情況的設計需要考慮，如訪客在等待時間內連續發送多條話術的處理等待。等待應答階段的對話交互，有針對性的設計會讓訪客對話體驗更像是在跟真人對話一樣，如我們會在訪客等待機器人發送話術的間隔時間內，在前端顯示“正在輸入…”的提示，讓“仿真”更加“仿真”。

2.2?機器人能力界定

根據機器人在對話中所需承擔的業務價值，可將機器人進行能力拆分。在互聯網產品設計中，PM需要根據業務需求規劃產品功能，并做功能拆解。AI PM也一樣，根據業務需求劃定機器人的能力邊界，并做能力拆分。

我們會先劃定，基于業務背景，結合現有的AI技術，機器人需要達到怎樣的能力，才能滿足業務需求。需要實現什么能力？什么能力是必要的；什么能力是選要的；什么能力是沒有必要的。

根據劃定的能力范圍，我們又會根據場景，拆解細分的機器人能力。比如，場景1中，機器人的答疑能力、引導能力、暖和對話能力的細分拆解；場景2中……需窮舉所有場景的機器人所有能力，可定量的需定量描述；不可定量的需定性描述，并附上相應的評估指標（若無指標，需附上評估指標策略建議）。

機器人能力的界定，可以為整個對話產品的研發測試工作起到關鍵作用。換言之，即需求定義明確且可量化。對話產品的幾個特點就是，不好評估、衡量主觀性大，對話未能覆蓋的業務范圍會比預期更大。在前期作用能力界定是非常重要的，同時也避免開發團隊內部與外部溝通對接、與客戶對接的諸多問題。機器人能力的界定，也為產品設計開發測試完成之后的產品驗收做基礎準備。

3. 機器人框架確定

在該行業中，訪客一般是帶著自身的問題/疑惑進入到對話的（除了騷擾的訪客），即我們可以默認訪客都是帶著目的進入對話的（可參見上文 訪客特征分析），這同時也是我們的 任務型對話 所要解決的問題。

所以我們根據訪客的場景主題和在該場景下的訪客各類意圖，來框定機器人的對話內容框架。

• 主題：根據對話場景分析的結果，可將對話主題進行拆分。（注：不同于NLP行業內主流的任務型對話機器人，筆者產品所面對的行業，不同的主題間界限較不明確，且存在眾多主題跳轉的情況。這對于后續對話流程的設計，是一大考驗難點。）主題確定和拆分主要考慮幾個點：主題覆蓋率、主題顆粒度、主題下答疑與引導的預設。同時，在完成這一步后，需要確定和撰寫主題標注規范，讓后續的數據標注與對話測試，都有一個參照標準。
• 意圖：意圖是每個對話場景主題下，訪客的對話目的。我們會匯總所有場景下的意圖，做整理和分析，并框定對話中的意圖。作為NLU的主要成分，機器人識別的意圖在對話中的角色至關重要，將主導對話的進展與聊天的方向。而意圖的框定又是其根源的決策，所以需要考慮諸多影響因素。與主題的方法類似，意圖確定和拆分也會考慮相同的幾個點：主題覆蓋率、主題顆粒度、主題下答疑與引導的預設。同時，也會確定和撰寫意圖標注規范，方法同上。

4. 對話產品設計與開發

做了前期的分析與準備之后，下一步就進入了從0到1搭建售前機器人的核心環節：對話產品設計與開發。在闡釋具體的方法論之前，我們先看機器人的對話整體框架是如何的，相信這張圖在諸多文章中都出現過：

這也是當前NLP領域對話機器人通用的處理邏輯，即：

• NLU（自然語言理解）：訪客輸入信息，通過NLU的解析，將自然語言轉化為機器人可理解的語言。
• DM（對話管理）：NLU的識別結果，通過對話管理的處理，輸出相應的信息回應。對話管理的過程，可理解為機器人的“腦處理”機制，類比于人類的大腦。
• NLG（自然語言生成）：根據對話管理處理的結果，進行語言生成。這部分的處理，目前我們暫時用話術庫話術直接調用的方式來代替，未做語言生成的處理。

區別于互聯網產品的設計與開發，對話機器人的設計，主要在于對話策略的設計。產品功能的載體，如對話界面展示，交互形式等，在對話產品設計中，只占一小部分的工作內容。所以在某種意義上，對話產品的設計，與“策略產品經理”的工作思維較為相像。

在對話產品設計中，AI PM不僅要了解業務，同時要對AI技術有充分的了解認知，需要知道AI技術的實現效果邊界，以及AI技術實現的難度等等。通常需要與算法工程師配合，在對話產品設計與開發間，做盡可能多的無縫銜接。

4.1 NLU（自然語言理解）設計

NLU的設計，主要由AI PM主導對話需求和效果要求，實現層面由算法工程師負責。值得一提的是，現有的人工智能的核心雖然是各類AI算法，但是算法并不能解決所有問題。實際上在應用中，AI算法在對話產品中可能占比不到50%的功能實現，其他的部分需要算法之外的策略設計來實現，比如人為設定各式各樣的規則處理等待。

基于行業業務形態，NLU的設計主要分為3部分：主題識別設計、意圖識別設計、實體識別設計。

4.1.1 主題識別設計

在實際對話中，對話主題常常因為訪客提供信息的變化，需發生相應的主題變化?；诂F有的AI算法水平（還未到達會話級識別的能力），在主題識別上，需做一套可控的完備的規則進行相應的主題識別。

主題識別的設計，主要包括?主題映射設計?與?主題跳轉設計?。

• 第一步，AI PM需讓數據工程師抽取并整理出各實體與主題之間的關系映射表，并做相應的審核；
• 第二步，基于關系映射表，設計一套主題映射規則?；趯υ挊I務，進行映射權重關系、分值計算、主題跳轉觸發機制的設計。

主題識別的機制，在算法能力不成熟的情況，主要通過人工制定規則的方式來實現。在效果上，可以暫時達到相應的業務需求，但是，隨著業務復雜度上升，規則的局限性便會暴露出來。

規則的優勢在于，可量化、可控，且容易直接地達到人的預期。但是劣勢同樣也明顯，規則不具有泛化能力，規則覆蓋不到的范圍，基本上屬于“人工智障”的范疇。并且，一旦規則越來越多后，規則間就會出現重疊、互斥等問題，會超出預想的結果預期。同時這也為后面的異常流程設計、兜底話術等的設計，又提高了難度要求。

4.1.2 意圖識別設計

意圖識別方面，對AI PM來說，主要是做意圖識別規則的設計，體現在與算法模型訓練的結合上。如：算法識別結果是單意圖 or 多意圖，識別優先級如何確定，識別結果如何使用，等等。相應的規則需確定并落成文檔，方便在后續的對話流程設計中使用。

同時，意圖識別的模型訓練，目前主要使用的是有監督學習的算法，需要數據標注團隊進行數據的標注，給到算法模型訓練。所以在意圖確認后，就需要有意圖標注規范，目前由AI PM根據業務來撰寫。

當算法模型訓練完成后，AI PM需要進行驗收，需要關注幾個AI基礎指標：P值（準確率）、R值（召回率）、F1值。當然，單純的技術指標并不能完全說明對話效果，還需在后續的對話測試中，驗證對話的體驗效果。

4.1.3 實體識別設計

實體指的是訪客發送信息中抽取的有實際意義的信息，基本可以代表信息傳遞的有價值內容。算法工程師會根據行業特征，抽取所有細分行業中通用的實體信息，并做相應的?實體對齊（歸一化）。

舉個例子，比如實體“電話號碼”，其他的表述方式如“手機號”、“聯系方式”、“手機號碼”等等多種表述方式，都會歸一化為“電話號碼”，這樣可提高機器人識別的泛化能力，而不是僅限于“關鍵詞”。

AI PM的職責是審核實體列表與實體歸一化結果。通常來講，技術實現的只是基于數據特征的抽象，可能符合/不符合業務需求。筆者的做法是，找行業專家審核一遍訓練結果，讓行業專家通過專業角度來判別與提供建議，并進行相應的調整優化。

同樣的，實體識別模型訓練后，我們也會關注幾個AI基礎指標：P值（準確率）、R值（召回率）、F1值，來衡量模型訓練的效果。

4.2?DM（對話管理）設計

對話管理是機器人的“大腦”，是機器人行為的處理樞紐，可見其在對話機器人中的核心地位。對話管理主要分為DP（對話策略）設計 和?DST（對話狀態追蹤）設計。

4.2.1?DP（對話策略）設計

DP（對話策略）即機器人的對話邏輯處理機制，也就是機器人如何利用識別到的訪客對話信息，做機器人的應答邏輯處理。在DP中，包含大量的流程邏輯處理，以及話術庫調用機制。

4.2.1.1?對話流程框架

設計初期，需要構建對話流程的總體框架。包括幾大功能模塊，以及模塊間是如何的邏輯處理方式。一般輸出結果為對話邏輯流程圖。當然，這需要與應用層開發工程師溝通協商實際實現難度與效果。

4.2.1.2 對話主功能模塊

對于該行業對話機器人來講，對話主功能模塊主要有2大部分：答疑模塊和引導模塊。答疑主要解決的是訪客疑惑解答的問題；引導主要解決的是用戶（B端）營銷獲聯的問題。

答疑模塊：

根據條件觸發機制的不同，我們將機器人所調用的話術，劃分為幾個話術庫，分別承擔不同的答疑任務，覆蓋不同方面的訪客問題。話術庫包括：知識圖譜、FAQ話術庫、兜底話術庫。

• 知識圖譜：知識圖譜本質上是解決實體架構與實體之間聯系的組織，它可通過一個實體指向與它有關聯的任一實體，在對話機器人答疑中，起到無法替代的作用。知識圖譜的復雜程度，決定了對話應答的智能程度。同時，知識圖譜對應的話術，需要通過數據抽取的方式，從各種資源中獲取，如：人工對話數據、網站爬蟲等，通過數據清洗，構建相應的話術庫。
• FAQ話術庫：FAQ是基于語義相似度計算匹配的問答對，本質上與對話主題、訪客意圖等，無太大關聯。所以如何與之建立關聯并讓對話流程進行，是設計的難點。同時，AI PM一般也需要關注語義相似度計算匹配所使用AI技術實現效果的差一點。比如使用Bert與使用word2vec的差異點是什么？如何做取舍，如何對算法工程師提要求和優化點，等等。這個要求AI PM對各類常用的算法有足夠深度的了解。
• 兜底話術庫：兜底話術庫的定位，即“兜底話術”。當機器人主要的話術庫（上述3種）無法應答的問題出現時，只能使用兜底話術庫來做應答。兜底話術特點，在于“通用”，它是普適性的。所以意味著這些話術答疑，回答得不會具有針對性。在對話中只可作為暫時性的過渡用，當兜底話術庫出現次數增多后，用戶體驗將會大大降低。作為售前營銷機器人，這是很影響訪客留聯意愿度的。反過來說，我們也可以通過統計對話中兜底話術出現的頻次，來衡量對話效果。通用話術越多，表示機器人應答效果值越低。

引導模塊：

引導模塊主要體現為對話主題流程的設計，分為?主題引導 和?非主題引導 的設計。

• 主題引導：主要是各個主題的對話流程設計，旨在機器人可順暢地、有遞進層次關系地進行引導，最后促成訪客留聯的結果。包括幾個組成部分：主題常規流程設計、引導action設計、重復問診規避設計、主題跳轉后流程設計。
• 非主題引導：非主題引導指的是，未進入主題流程的訪客對話，需進行相應的引導。由于前期做了充分的主題分析，所以一般認定未落在預設主題范圍內的訪客問題，通常也是營銷價值不大的訪客，甚至是騷擾訪客?；谶@樣的假設，非主題引導一般會講該類訪客，引導到主題引導流程中，同時保持對話順暢，不至于出現對話斷層的情況。

4.2.1.3?對話其他功能模塊

在對話主要功能模塊之外，我們還對對話進行補充功能設計，包括：歡迎語&引導語模塊、暖場模塊，以及其他根據行業需要新增的功能模塊。

• 歡迎語&引導語模塊：?歡迎語為訪客進入對話后，機器人隨即發送的第一句話術；引導語為訪客進入對話后間隔N秒未說話，機器人發送的用于引導用戶開口的話術。這個模塊的設定，旨在引導訪客開口發送消息，是機器人營銷獲聯的基礎。
• 暖場模塊 ：暖場即在對話進行中時，訪客間隔N秒未說話時，機器人會自動發送一句話術，用于暖和對話，引導訪客繼續開口，以使對話進程進行。

4.2.1.4?對話序列發送機制

對話序列發送機制，通俗講即，機器人每間隔多長時間發送話術，每次發送幾句話術；當間隔時間內，訪客聯系發送消息，機器人應做如何的處理，未發出的話術序列應做如何取舍和優先級排序，等等。對話序列發送機制，旨在讓機器人的對話應答，與人的應答更相像，在“仿真”程度上盡可能地接近人工，降低訪客對“機器”的感知程度。

4.2.2?DST（對話狀態追蹤）

對話狀態追蹤，指的是在對話進行過程中，機器人自動記錄的對話關鍵信息。信息包括訪客信息、對話狀態信息，以及機器人動作信息的記錄。用于保證對話進行中的信息記錄和信息更新，為機器人應答提供必要的信息來源。

DST 對話狀態追蹤的設計，主要包括：DST信息字典設計 和?DST信息更新規則?設計。

• DST信息字典設計?即設計DST需要記錄哪些信息，通常在技術實現端會以?session?的方式來記錄，具體的設計需與相關開發工程師確定。
• DST信息更新規則?即DST記錄的信息，當對話進行時，如何進行相關信息的更新，確保更新前后信息無誤，且能為機器人的應答提供有效的信息源。

4.3?NLG（自然語言生成）

NLG主要是通過語言素材進行自動生成的過程。鑒于現有業務暫未使用相關的技術與設計，這里暫不贅述。我們的替代方式是，直接使用不同話術庫中的話術，作為機器人應答輸出的內容。

5. 機器人能力界定

當對話產品設計與開發進行到這時，整個機器人的構建已達到規模。我們可以根據前期預設定的機器人能力預期值與劃分，拆解出每個機器人能力的實現程度，并根據每一條能力，設定能力界限。即：機器人能做什么，不能做什么。從而為下一步的機器人整體效果評估指標做準備。

6. 機器人整體效果評估指標

基于現有的行業，衡量機器人的對話效果并不簡單。我們盡量做到定量分析評估，若實在無法定量，則做定性分析評估?，F有的評估方式可分為 上線前測試評估 和 上線后驗證評估。

上線前測試評估：

上線前的效果評估，可以分為2方面，一方面為技術指標，另一方面為業務指標。

• 技術指標?即考量每個對話功能模塊中，應用到的AI算法效果指標。最常用的還是3個基礎衡量指標：P值（準確率）、R值（召回率）、F1值。優點在于數據直觀，易衡量；缺點是技術指標未必指向業務效果，需要業務指標的補充驗證。
• 業務指標?即通過對話效果評估，來衡量機器人的功能模塊/整體效果。常用的方式是通過人工打分的方式。分為：單輪打分、會話級打分、對話功能打分等。優點在于可透過人工視角來檢驗機器人真正的表現如何，這也是最接近用戶視角的檢驗方式；缺點在于，需投入的人力成本大，且參與測試的人員，與實際訪客始終有差別，會造成一定程度的偏誤。當然，測試驗證的手段也會在實踐中一步步改進，盡力去減少盡可能多的偏差。

上線后驗證評估：

上線后的評估，通常直接與業務掛鉤，用戶也通常重點關注業務相關的關鍵性指標，包括：留聯率、對話有效率、對話轉化率、訪客留存量等等。作為一款SaaS產品，這幾個關鍵性指標也決定了用戶付費的意愿度?；趯嶋H線上流量跑出的機器人效果，我們會通過聊天記錄，分析存在的改善點，進一步改善對話。

7. 機器人對話效果管理

對話產品的設計與開發，主要針對機器人對話本身的設計。但是在用戶側，需要直觀地了解到對話的效果統計，以及需進行對話個性化的配置，以滿足每個用戶不同的需求。根據對話配置開放權限對象的不同，可分為對內配置與對外配置系統。

對話效果統計：

對話效果的統計，主要參照機器人整體驗證的指標參數，分為以下兩部分：

• 機器人業務效果數據：包括上文提到的?留聯率、對話有效率、對話轉化率、訪客留存量 等等。
• 機器人能力技術指標：主要指機器人功能所用AI技術的P值（準確率）、R值（召回率）、F1值衡量指標。

機器人對話配置：

• 根據配置的內容，可分為答疑模塊、引導模塊的配置。通常來講，答疑模塊的話術庫，會給予用戶充分的配置自主性，因為根據每家用戶的業務點不同、時間點不同，會對話術做相應的修改；引導模塊，通常會將流程模塊化。底層的邏輯、機器人主框架邏輯，是我們會預設好的，開放給用戶的主要是主題引導到流程。這樣可以實現流程標準化與自定義化的結合，充分保證對話效果。
• 根據配置的對象，可分為內部團隊與外部用戶。內部團隊主要指團隊內的實施團隊，他們會幫助用戶，基于用戶的業務特性，做對話的相應調整。所以會開放一定的權限給到內部團隊修改機器人。外部用戶指的是我們產品的用戶，開放給用戶的部分，是可保證其修改在我們的可控范圍之內，可讓用戶自行修改。

機器人應用管理配置：

機器人應用管理配置主要指機器人的套餐管理，機器人的對話主題管理、意圖管理等，主要面向內部團隊使用。

總結

對話產品的設計與開發，需要有一套系統的方法論與實踐經驗指導?？此坪唵蔚膶υ?，背后蘊藏著復雜的構思與邏輯。這就要求AI PM不僅需要深入了解業務、深入了解AI算法，也需要深入設計與開發的鏈路中，建立標準和堅持不懈地為問題尋求解決方案。

AI是個新興的行業，目前行業的痛點在于AI技術如何落地。在很多場景下，經常出現技術負責人不懂業務，業務負責人不懂技術的情況，造成AI產品開發偏離真正的需求痛點的方向。AI PM需要作為業務和AI技術的樞紐，統籌規劃與設計解決方案。在探索中逐步搭建AI產品方法論。

本文主要概覽了售前營銷機器人從0到1搭建設計的過程，鑒于文章篇幅有限，每個環節中的細節與具體方法論未展開，筆者將會在后續的文章中拆分講解。希望本文可以幫得到你。

作者：咖喱魚丸，5年PM經驗，2年AI PM經驗

本文由 @咖喱魚蛋 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議