AI PM 面试精华：AI 客服 Agent 的升级、工具与指标怎么答 (2026)

如果面试官问你「设计一个 AI 客服 Agent，目标是降低人工客服成本」，不要一上来就说自动化率。这个题真正考的是：你能不能把 AI 该接、该问、该做、该交给人这四件事讲清楚。

今天用 Intercom Fin 做主案例。Fin 的官方说明把产品能力拆成 Train、Test、Deploy、Analyze 四个环节，并强调它通过知识、政策、连接系统和测试来持续改进回答质量。它不是单纯在聊天框里塞一个模型。1

面试官在这道题里想听什么

AI PM 题库里，常见问题已经从「你会不会用 AI」变成「你如何定义 AI 产品指标」「如何做 GenAI safety」「AI 系统替用户执行动作时怎么做 safeguards」。Exponent 的 AI PM 题库里就能看到这些方向：成功指标、安全、行动权限和产品设计都被单独拿出来问。2

所以这题不能只答「接入大模型 + 知识库 + 人工兜底」。更好的回答顺序是：

先划清 AI 的任务边界：哪些问题只回答，哪些问题可以查数据，哪些问题能执行动作。
再设计升级交接：什么情况下必须转人工，转人工时带哪些上下文。
最后讲评估指标：既看省了多少人工，也看有没有让用户卡在机器人里。

主案例：Fin 把「交给人」做成正式产品能力

Fin 的产品说明里有一个值得面试复述的点：它的 AI 层会理解上下文、澄清问题、检索相关信息、应用业务政策，再生成回答；模型层还包括用于检测何时升级给人工的模型。1

这给了我们一个很实用的面试表达：客服 Agent 不是「尽量别转人工」，而是「在可控范围内尽量解决，在风险升高时有理由地转人工」。

Intercom 的升级规则文档也能支撑这个判断。Fin 默认会在用户明确要求人工、强烈愤怒、重复卡住等场景触发升级；团队还可以用结构化数据规则、自然语言升级指导和后续工作流控制交接后的路由与动作。3

面试里可以这样讲：

设计点	差回答	好回答
目标	提高自动化率	提高「被正确解决的问题占比」，同时控制误答、重复求助和人工接手后的补问
升级	模型答不了就转人工	明确触发条件：用户要求人工、负面情绪、三轮重复、VIP/高金额订单、医疗/金融/法律等高风险内容 3
交接	发一句「请等待客服」	带上问题摘要、已尝试步骤、升级原因、优先级、用户身份与订单上下文
指标	看节省多少客服	同时看解决率、升级率、重复联系率、AI 后 CSAT、人工接手后的处理时长和抽检错误率

Intercom 在 Fin 2 发布材料里给出过自报数据：Fin 2 平均解决率 51%，并声称准确率 99.9%；同一篇材料还提到团队做过 120 多个 A/B 测试，并需要在提升解决率时控制幻觉率。4 这组数字不用在面试里当作行业标准，但它提醒你：解决率必须和准确性一起讲。只报自动化率，很容易被追问「是不是把用户挡在门外」。

参考回答骨架

可以把答案压成一段 90 秒版本：

我会先把客服请求分成四类：信息查询、流程指导、需要查系统的数据问题、会产生副作用的动作问题。前两类可以让 AI 直接回答；查数据类需要接只读工具；退款、取消、改地址这类动作要按风险分级，低风险可自动执行，高风险必须让用户确认或转人工。产品上要保留明确的人类入口，并把升级原因、上下文摘要和已尝试步骤交给客服。指标上不能只看自动化率，还要看正确解决率、重复联系率、升级后处理时长、AI 后满意度和抽检错误率。

这段话的重点不是术语，而是把「能不能做」换成「在什么条件下做」。

三个追问点

1. 如果面试官问：怎么避免 AI 客服乱执行动作？

先把工具权限拆成三档。

第一档是只读，比如查订单、查套餐、查工单状态。第二档是可逆动作，比如重发邮件、更新偏好设置、创建普通工单。第三档是高风险动作，比如退款、取消服务、改收货地址、发放补偿。

OpenAI Agents SDK 的工具文档把工具定义为让 Agent 执行获取数据、运行代码、调用外部 API 等动作的能力。5 这对 PM 的启发是：只要 Agent 能调用工具，就要把「模型建议」和「系统执行」分开。模型可以提出动作，但执行层要检查权限、参数、幂等性和用户确认。

可复述答案：

我不会把所有客服工具一次性开放给模型。先从只读工具开始，动作类工具按风险分层。高风险动作必须有确认页、操作摘要和可追溯记录；模型生成的参数要过规则校验，不能让模型自己绕过确认。

2. 如果面试官问：转人工时怎么保证客服不用重新问一遍？

这里要讲「handoff payload」，也就是交接包。

OpenAI 的 handoff 文档提到，handoff 可以让一个 Agent 把任务委派给另一个专门 Agent；在升级给「Escalation agent」时，还可以让模型提供 reason、priority、summary 这类元数据。6 这不是要你在面试里写代码，而是提醒你：交接不是一句「转人工」，交接本身有结构。

客服场景的交接包至少包括：

用户原始诉求和 AI 归纳后的问题摘要。
AI 已经查过的知识源、订单状态或错误码。
转人工原因，比如用户要求人工、重复三轮、负面情绪、高金额订单。
建议路由，比如账单、技术支持、二线客服或风控团队。

Intercom 的升级文档也把「什么时候升级」和「升级后工作流做什么」分开，升级规则负责触发，workflow 负责后续路由、收集信息和分配团队。3 这个拆法在面试里很好用。

3. 如果面试官问：怎么衡量这个 Agent 有没有越帮越忙？

Zendesk 的 AI agents 页面强调，客服 AI 要能处理多意图、多步骤请求，连接知识和外部系统，并用自动 QA 控制审计结果、执行政策和维护质量。7 这说明评估不能只看「AI 回了多少」。

建议把指标分成四层：

指标层	看什么	为什么重要
业务结果	正确解决率、人工节省时长、每单服务成本	证明它真的解决问题
用户体验	AI 后 CSAT、重复联系率、转人工等待时长	防止用户被机器人拖住
风险质量	高风险误答率、错误动作率、敏感场景升级率	防止低频事故毁掉信任
运营改进	知识缺口、失败流程、升级原因分布	帮团队知道下一轮该改知识库还是改流程

OpenAI 的 guardrails 文档也提醒，输入护栏、输出护栏和工具护栏运行在不同位置；如果工作流里有 manager、handoff 或 delegated specialist，围绕每次自定义工具调用做检查，不能只依赖首尾的 agent-level guardrail。8 翻成产品语言就是：高风险动作要在动作前后都验，不是只在聊天开头写一条安全提示。

当日练习题

你可以拿下面这道题练 20 分钟：

为一家 SaaS 公司设计 AI 客服 Agent。它需要处理套餐咨询、账单问题、退款请求和 Bug 反馈。请说明你会如何划分 AI 与人工客服边界，如何设计转人工规则，以及上线后看哪些指标。

练习时不要写成完整 PRD，按这个顺序答就够了：

先列请求类型和风险等级。
再说 AI 能回答、能查、能做、必须转人工的边界。
补上交接包：摘要、原因、已查信息、建议队列。
最后给指标，并明确「自动化率不能单独作为成功标准」。

能把这四步说稳，这道题基本就不会散。

AI PM 面试精华：AI 客服 Agent 的升级、工具与指标怎么答