收益：
- 能够基于封闭的分类法生成自动标记，并具有结构化和简短的调用摘要
- 能够通过代表批准自动传递摘要和标签并将其与源文本进行比较，从而消除捏造信息
- 能够通过传输摘要来缩短总结时间，无需保留个人/卡数据，也无需解释承诺
代表的工作并不止于与客户交谈。每次通话后，应创建“谈论了什么、做了什么、主题是什么”的记录。这称为总结或呼叫后工作/ACW：代表总结对话，在系统中选择终止代码（处置代码 - 指示呼叫主题/结果的类别，例如“返回批准”、“技术故障”）并编写必要的注释。这个任务看似小，实则艰巨：如果一个客服人员每天打 60 个电话，每个电话花费 2 分钟，那么一天中的 2 个小时就只是用来写笔记。而且，疲倦的代表写的纸条很草率；记录将不一致，下一个代理或经理将无法理解历史记录。
人工智能彻底改变了这项任务：它读取对话的文本（转录），并在几秒钟内生成简洁的摘要、准确的标签和下一步建议。代理人不是写信，而是审核和批准。在本单元中，我们将了解如何设置通话摘要和自动标记、需要注意的事项以及验证规则。
好的通话摘要包括哪些内容？
通话摘要应该足够清晰，以便从未听过该对话的人（下一个座席、经理、主管）可以在 15 秒内理解它。一个好的总结包括：客户为什么打电话（他们为什么打电话）、做了什么（代表做了什么）、结果（问题是否得到解决、承诺了什么）、开放业务（需要跟进什么（如果有））。糟糕的摘要要么太长（逐行细分对话），要么太短（“客户打电话来，已处理完毕”）。人工智能非常擅长介于两者之间：结构化、简洁和完整。
自动标记/处置是指人工智能建议通话的终止代码和主题标签。例如，人工智能将对话标记为“主题：账单，子主题：高额账单反对，结果：反对记录打开，情绪：愤怒”。这些标签在未来会产生巨大的价值：经理在几秒钟内回答“哪个主题本月收到的请求最多”和“哪个主题的解决率最低”的问题。但要使标签发挥作用，它们需要一个连贯的标签词汇表（分类法——预定义的、有限的、清晰的类别列表）；如果机器人生成免费标签，则会出现“发票”、“账单”、“发票问题”等三个不同的标签，分析将会受到干扰。
下表比较了手动和人工智能辅助整理：
尺寸
曼努埃尔（代表作家）
人工智能驱动（代理批准）
持续时间（每次通话）
90-150秒
15-30秒
一致性
因人而异
高，取决于字典
完整性
疲劳倒下
稳定
标签质量
自由、混乱
固定分类法
风险
时间损失、不一致
摘要不正确（必须验证）
提示：在进行自动标记之前，请务必定义分类法（封闭标记列表）。告诉AI“从这20个标签中选择合适的”比说“标记主题”可靠得多。
一步一步：设置 feed
- 准备源：获取对话文本（语音通话中的 ASR 转录、聊天中的预设文本）。首先屏蔽个人/卡数据（在下一个单元中详细介绍）。
- 给出分类：为模型提供有效终止代码和主题标签的列表；禁止他外出。
- 要求结构化输出：要求现场输出（原因、行动、结果、后续、标签、情感）而不是自由段落；所以它可以自动写入系统。
- 代表批准：摘要和标签出现在代表的屏幕上；让代表阅读、更正并在 10-20 秒内批准。未经批准不得录音。
- 反馈：收集客服人员的更正，完善分类和提示。
四个可复制模板
1）结构化调用总结：
总结以下匿名（无姓名/卡片）客户访谈记录。仅使用成绩单中的内容；添加猜测/弥补。输出格式：- 搜索原因（1 句话）：- 做了什么（逐项）：- 结果（已解决/部分/未解决）：- 承诺/承诺（如果有，逐字）：- 后续工作（如果有）： 访谈：<<破译>>
2）基于分类的标记：
仅通过从这些列表中选择以下对话来标记以下对话： 主题：[发票、货物、退货、技术、会员资格、付款、投诉、其他]结果：[已解决、反对_打开、已转移、跟随_任命、未解决]情感：[平静、满意、愤怒、焦虑]如果列表中不合适，请选择“其他”/“未解决”；生成新标签。输出 JSON: {"topic":"","result":"","emotion":""}Conversation: <<transcription>>
3）下一步/后续建议：
根据以下对话为代理生成“下一步”建议。完全基于文本中的承诺和开放工作。输出：(1) 待完成的工作，(2) 截止日期（如果文本中有），(3) 责任单位建议。如果没有承诺，请写“无需后续”。采访：<<转录>>
4) 质量/不一致控制：
将下面的代表性摘要与采访记录进行比较。摘要中是否有任何采访中没有的信息（虚构）？访谈中是否有任何重要信息在摘要中遗漏了？勾选两个要点。不要添加评论，只是比较。摘要：《摘要》采访：《抄录》
弱提示/强提示
弱提示：
总结并标记这次对话。
模糊：没有格式、没有分类、没有捏造禁令、没有匿名。输出松散且混乱，标签显示不一致。
强力提示：
总结一下下面的匿名对话。格式：原因/行动/结果/承诺/后续。仅从以下列表中选择标签：主题=[发票、运输、退货、技术、投诉、其他]，结果=[已解决、已转移、未解决]。不要添加任何文本中没有的信息；逐字转达承诺。采访：<<转录>>
区别在于：格式、分类、禁止捏造和匿名都是明确的。
三个迷你箱子
案例 1 — 节省时间。一家货运公司的呼叫团队由 120 人组成，每次呼叫的总结时间平均为 110 秒。当AI摘要+标签草稿激活时，这个时间减少到25秒。每天 120 个联系人 × 60 个呼叫 × 节省 85 秒 ≈ 每天约 170 小时，即约 21 个全班次。这种能力被转移以缩短等待时间并完成更困难的任务。
案例 2——人为的总结陷阱。在一家保险中心，人工智能写下了一份承诺，称“客户被承诺在 3 个工作日内退货”，尽管对话中从未提及这一点（该模型从类似对话中“预测”）。当代表未经批准就寄出时，客户提醒他这一承诺。解决方案：将“4) 质量/不一致”步骤强制执行并需要代表批准。此后，虚假承诺率下降至接近于零。
案例 3——标签混乱。由于标签是在银行发布的，因此在 6 个月内创建了 340 个不同的主题标签（“卡”、“信用卡”、“kk”、“卡问题”...）。管理报告毫无意义。一旦定义了封闭的 22 项分类法并且人工智能被迫使用它，报告就变得有意义，并且“前 5 个主题”第一次被证明是可靠的。
常见错误
- 没有分类的标记。免费标签使分析变成垃圾；始终使用封闭列表。
- 绕过委托批准。将摘要和标签直接打印到系统中，将捏造的信息变成永久记录。
- 将个人数据移至摘要。姓名、身份证件、身份证件和地址不应保存在摘要中；摘要必须是匿名的。
- 总结太长了。抄写对话并不能加速总结；力求简明扼要的总结。
- 解释承诺。 AI应逐字传达承诺/承诺部分，不加评论；像“可能承诺”这样的推论是危险的。
注意：自动汇总并不能免除代理人的责任；它加快了速度。进入系统的每条记录均由批准该记录的代表负责。未经批准自动录音=未签名分钟数。
总之
呼叫摘要和自动标记是收益最高的人工智能应用程序之一，可将座席最耗时的管理工作（总结）减少到几秒钟。成功取决于三件事：结构化且简洁的摘要格式、封闭标签分类法以及强制委托批准。将人工智能生成的摘要与源文本进行比较，消除虚假信息，摘要中不包含个人数据，并在不加评论的情况下转移承诺。如果设置正确，它可以节省大量时间并提高记录质量和可报告性。
应用任务
为您的行业设计一个包含 15-20 项的封闭式结束分类法（主题 + 结果 + 情感）。然后获取虚构或匿名的客户访谈记录，应用“1) 结构化摘要”和“2) 基于分类的标记”模板。最后，使用“4) 质量/不一致”模板检查摘要并报告捏造/缺失的信息。
清单
- [ ] 我定义了一个封闭的终止/主题分类法并强制 AI 采用它。
- [ ] 我的总结简短、切中要点（原因/行动/结果/承诺/后续）且连贯。
- [ ] 每个摘要和标签在写入系统之前都经过代表批准。
- [ ] 摘要和标签中不保存任何个人/卡数据（匿名）。
- [ ]我将AI摘要与源文本进行比较，剔除虚假信息。
- [ ] 承诺逐字引用，不作任何解释。