處理大量的退款請求時，如何平衡用戶體驗和成本控制？通過引入AI技術自動處理退款請求，不僅提高了處理效率，降低了成本，還能有效防止惡意的薅羊毛行為。本文將詳細介紹AI如何在充電行業中實現自動化退款處理，并探討其對行業的深遠影響。

一、兩輪充電行業的”Ai退款”實踐

1. 業務場景與矛盾點

業務簡述：提供線下充電樁的充電服務。服務千萬級的用戶。用戶直接掃碼付費完成充電

1）場景下的角色：

• 服務商：提供場地。廠商安裝設備后，進行設備維護，獲取用戶充電金額的提成；
• 廠商：提供充值小程序軟件，設備硬件等設施
• 消費者：掃碼充電，享受充電服務

2）業務的問題：

• 線下環境比較復雜，會因為各種原因導致充值失敗。設備故障、停電、網絡等；
• 消費金額普遍較低：1元、2元、5元居多；
• 若人工進行退款，服務鏈路長（涉及設備排查、訂單排查、服務商等），服務成本太高；
• 若實現直接退款，容易“羊毛黨”泛濫導致服務商利益受損。直接退款只會導致羊毛黨只會越來越多；
• 若不處理或者處理太慢等，導致用戶投訴過多，體驗太差

3）本質是矛盾點：用戶體驗與成本的平衡

• 人工介入處理，訂單量大，成交金額低（1元、2元、5元），人工去處理成本高。
• 為了體驗直接退款，容易被惡意使用。給服務商造成損失

2. 解決辦法

• 讓AI來當裁判，對于符合規則的直接進行直接退款或者部分退款；
• 對于惡意使用退款操作的人/用戶，直接不退款；
• 對于Agent判斷有爭議，引導客服進行介入；

Agent介入的好處

• 相對明確的判斷的和操作，AI可以直接進行操作。不用人工參，降低人工處理成本
• 提高了“薅羊毛”的操作成本，杜絕了一批羊毛黨。

二、整體的Agent的處理邏輯

讓大模型來直接輔助退款的邏輯流程

1）涉及到的大模型/Agent的主要能力：

• Rag：知識庫查詢規則等
• Agent會話模式：re-act控制流程和目標
• 調用工具：輔助模型fanction call
• 長期記憶：畫像數據、訂單數據等長期記憶內容

2）流程說明

1. 在會話之前。把他的訂單、畫像、瀏覽軌跡給到大模型-。然后基于問題直接解答；
2. 將規則“退款規則”、“判斷規則”等文本內容推過知識庫的形式，讓模型來訪問獲取，補充內容；
3. 提前預設sop退款流程，讓模型理解執行步驟。

1. 整體的效果如下（測試環境下）：

1）過程我們可以看到

• 主動引導：Agent引導用戶提供退款的理由。
• 訂單/設備信息確認：提前獲取用戶訂單數據、設備信息。通過各種狀態、規則等推理退款理由的合理性
• 退款金額協商：通過設備狀態、退款規則等，同客戶確認可退金額
• 自動退款：直接完成退款操作。

2）效果

• 整個過程由大模型來控制，操作、判斷。
• 通過理解問題、規則、要求。來進行準確的處理。模擬人進行復雜情況的判斷
• 合理用戶的合理訴求下，能夠在短時間內完成退款的請求。
• 對于羊毛黨，有設備的數據、訂單數據等，有效防止惡意薅羊毛和退款

3）成本層面

• 約80%的退款操作、退款金額由大模型判斷直接執行，不再需要人工審核