对话流程控制：当用户不遵循你的脚本时
Source: Dev.to
为什么传统流程设计会失败
大多数机器人像电话菜单一样构建：
Question → Answer → Next question → Next answer …这只在用户像服从的机器人一样时有效。真实的人类：
- 直接跳到前面，立刻询问价格。
- 向后跳，重新询问有哪些课程。
- 横向跳转，在决定之前询问退款政策。
- 在单条消息中包含多个意图、偏好和问题。
当用户表现得像人类时，僵硬的流程就会崩溃。
打破线性机器人行为的五大因素
-
信息倾倒 – 用户在一条消息中提供课程兴趣、经验水平、时间偏好、预算和开始时间。
线性机器人忽略大部分信息，直接提下一个脚本化问题，让用户感觉被忽视。 -
话题跳跃 – 机器人询问经验水平，用户询问工作安置。
严格的机器人阻止用户并要求原始答案 → 放弃。 -
抢先提问 – 用户在机器人仍在收集背景信息时询问价格。
如果机器人坚持要按照流程回答，用户会认为机器人毫无用处。 -
模糊输入 – 用户说“和电脑有关的东西”或“展示所有选项”。
如果机器人在不强制狭窄选择的情况下无法引导，谈话会停滞。 -
多意图信息 – 报名意图、价格、时间表、退款和交付方式一次性写在一行。
只回答其中一部分会让用户觉得被忽视；多次出现导致可预见的放弃。
结果： 88 % 的对话在三条消息内偏离轨道。
什么没有奏效
| 尝试 | 描述 | 结果 |
|---|---|---|
| 严格脚本执行 | 机器人强制用户按顺序回答问题。 | 完成率略有提升，但用户感到被控制和被抛弃。 |
| 自由形式对话 | 机器人尝试随时处理任何内容。 | 迷失方向，给出不相关的回复，缺乏控制机制。 |
| 无上下文的意图检测 | 仅对每条消息检测意图。 | 因未记住先前上下文而误解用户意图。 |
突破：自适应流程管理
我们意识到用户需要 一个可适应的指南，而不是僵硬的脚本。
三层流程控制系统
-
信息提取
- 提取用户提供的所有信息，顺序不限。
- 存储所有检测到的实体（课程、时间表、预算等），仅在缺失时才询问。
-
动态优先路由
- 若用户直接提问（价格、退款、分期），立即回答，即使“顺序被打乱”。
- 回答后，温和地回到报名流程。
-
上下文感知响应
- 记住用户之前说过的话以及已经回答过的内容。
- 避免重复提问——机器人“倾听”，而不是毫无用处。
一个自适应流程的真实案例
-
User: “我在考虑数据科学或机器学习，需要周末班，价格范围是多少？”
Bot: 同时回答这三部分，然后询问与用户背景相关的后续问题。 -
User: “退款政策是什么？”
Bot: 立即回答，然后返回课程匹配问题而不重新开始。 -
User: “我会一点 Python。”
Bot: 利用该上下文推荐最佳入门路径并提供课程细节。 -
User: “你们有分期付款选项吗？”
Bot: 在正文中提供分期付款细节并直接进入报名。
Result: 无摩擦，无强制顺序，无重复。
重要的边缘情况
| 情境 | 期望的机器人行为 |
|---|---|
| 重复提问（措辞不同） | 确认并重申之前的答案，询问该问题是否仍然是阻碍。 |
| 离题的岔开 | 礼貌地确认后，温和地将话题引回注册流程。 |
| 不完整的回答（“不多”） | 以友好的方式进行澄清，而不是自行假设。 |
| 在选项之间犹豫不决 | 提出一个单一、简洁的偏好问题，以揭示正确的路径。 |
| 快速连问 | 在一条信息中提供紧凑的多项答案，而不是挑选单个回答。 |
结果
| 指标 | 自适应流程前 | 自适应流程后 |
|---|---|---|
| 对话完成率 | 12 % | 78 % |
| 放弃前的平均消息数 | ~4 | >10 |
| 用户情绪 | “机器人不听。” | 积极 – “机器人感觉很有帮助。” |
自适应流程将一个表现不佳的聊天机器人转变为高效的招生助理，显著缩小了机器人与人工转化率之间的差距。
近期成功
- Enrollment conversion 达到 71 %。
- Complaints 大幅下降。
- Feedback 从沮丧转变为惊讶，觉得机器人“实际上理解了一切”。
核心课程
人类的沟通不是线性的。他们以突发、离题、打断以及多意图的方式交流。
- 如果你的机器人强迫人类遵循脚本，转化率将保持低位。
- 如果你的机器人能够适应人类的行为，转化率会提升。
我们并不是通过编写更好的脚本来提升结果，而是抛弃脚本，构建一个自适应系统，在用户所在的情境中与其交互。
轮到你
- 当用户不遵循聊天机器人的预期流程时，你如何处理？
- 在流程管理中，你面临的最大挑战是什么？
- 你是否遇到过多意图消息导致机器人出错的情况？
作者 Farhan Habib Faraz
PowerInAI 的高级提示工程师兼团队负责人
构建能够适应人类的 AI 自动化系统
Tags: conversationalai, flowcontrol, chatbot, ux, nlp, promptengineering