2027 届秋招 · 求职作品集 · AI 机器人运营(客服智能化方向)

王康睿

在政务大厅跑过现场,
也接待过上百位考生和家长。现在想把这套经验用在 AI 客服机器人上。

海南大学 · 乡村治理 · 管理学学士(211 / 国家“双一流”建设高校),2027 届。
面对面接待过 100 多位咨询者,独立跑完 15 个服务场所的暗访检查。 这里放了三件东西:一个能跑的客服机器人,一套看数据的运营中台,还有我做过的那份质检工作。

100+ 面对面咨询接待人次 高考志愿咨询助理 · 连续两期返聘
15 服务场所暗访检查 海口市营商环境局 6S 调研项目
40+ 问题归因与闭环 形成可追溯问题清单与月度评分
16.4pp 机器人自助解决率提升 作品二 · 6 个版本迭代验证
Works

三件作品

作品一是机器人本身,作品二看它的数据,作品三是我做过的那份质检工作。 三件事是连着的:作品三练出来的检查表,改成了作品二的质检表;作品一里机器人产生的会话日志, 是作品二分析的原材料。

作品 01

TourBot · 旅游场景智能客服机器人

可交互原型 · 建议先打开「调试模式」再提问

以携程机票/酒店/火车票退改签为背景,从 0 设计一版机器人:15 类意图识别、必填槽位多轮追问、情绪识别、5 条转人工策略,并且做到每一轮对话都输出可归因的结构化日志。

意图识别槽位追问情绪识别转人工策略Prompt 工程全链路留痕
15 类 意图体系覆盖三大业务域
0.45 置信度阈值,可运营的旋钮
5 条 转人工策略规则
7 环节 单轮对话完整链路
打开作品 →
作品 02

客服机器人运营中台

用数据回答"它到底好不好用、先改哪里"

把机器人产生的会话日志变成可决策的数据:6 项核心指标与口径定义、会话漏斗、转人工原因帕累托分析、badcase 归因看板、知识库排期、话术 A/B 实验,并用 6 个版本迭代验证自助解决率从 61.8% 提升到 78.2%。

指标体系会话漏斗帕累托归因Badcase 看板知识库运营A/B 实验
6 项 核心指标 + 口径定义
9,832 转人工会话逐条归因
+0.37 话术 A/B 的 CSAT 提升
61.8→78.2% 自助解决率迭代结果
打开作品 →
作品 03

一线服务质检 · 6S 调研复盘

真实项目 · 这件是我已经做完的工作

2026 年 7 月起在海口市营商环境局的调研项目里做服务质检:检查表自己搭,15 个场所自己跑,43 项问题自己归类,按月出评分报告。作品二里那张对话质检表,就是从这张表改出来的。

检查表设计现场暗访问题归类月度评分真实项目
15 个 暗访检查的场所
43 项 归类整理的问题
2 份 月度检查记录
4 列 检查表的结构
打开作品 →
Match

对照岗位要求,逐条给出我的证据

下面这张表按这类岗位的常见要求整理。每条要求后面都写了我在哪做过, 大部分能点开看到具体内容。

岗位关注点 我的对应证据 位置
设计机器人交互流程,迭代机器人能力 独立完成 15 类意图体系与 7 环节对话链路设计;6 个版本迭代日志可追溯每次改动与对应指标变化 作品一 + 作品二
理解语义识别 / 文本分类 / 意图识别 实现「动作词优先 + 业务域加权 + 中文二元组相似度」三路意图打分与 Sigmoid 置信度归一化,输出 Top-3 候选与打分依据;自建 12 条回归用例,并修复了自查发现的 2 类误判 作品一「对话流程」章节
了解 Prompt 概念与应用 为大模型版机器人设计了完整 System Prompt:硬性约束、槽位追问规则、情绪场景少样本示例 作品一「Prompt 工程」章节
数据敏感,能通过数据驱动优化 定义 6 项指标口径,做会话漏斗与转人工原因帕累托,把 9,832 通转人工会话逐条归因并排期 作品二「运营中台」
用户体验意识与产品打磨能力 发现"转人工后要用户重讲一遍"是体验断点,推动上下文透传 + 共情话术前置,A/B 验证 CSAT +0.37、人工时长 -56s 作品二「话术 A/B 实验」
客服业务理解与跨部门沟通协作 一线接待 100+ 人次、连续两期返聘;6S 项目独立对接 15 个服务场所,协调化解考生与家长沟通分歧 作品三 + 简历
Skills

从经历到作品,中间隔了三步

给自己打分不太靠谱,所以我换成这种写法:左边是我经历过的事,中间是从里面练出来的方法, 右边是这些方法最后变成了什么。三列之间有先后,不是并列的清单。

01 起点

我经历过什么

100+ 人次 面对面咨询接待,两期返聘
15 个场所 服务质检暗访,检查表自己搭
43 项问题 归类、排序、按月出评分

知道用户会怎么问,也练过把一堆乱问题理出条理

02 方法

我练出了什么

可判定 把"好不好"拆成能逐条打勾的项
排序 按影响量级排,不按谁先提
验证 改动必须带对照,否则不算数

这一步的完整过程写在作品三里

03 产出

它变成了什么

作品一 15 类意图的客服机器人
作品二 指标看板与 badcase 归因
78.2% 6 个版本迭代后的解决率

三个都能点开,数字都对得上

Next

三件作品都有没做完的地方

这些不足我现在写出来,比等到面试被问出来要好。以下四件事是我接下来想补的。

01

找真人测一遍

现在 badcase 是我自己按方法构造的,缺真人语料。想找 10 个没用过的人走一遍流程,把他们的问法记下来替换掉我编的那些。

02

阈值不该拍脑袋

情绪分 3 分、置信度 0.45,这两个数现在还是经验值。理想做法是用 badcase 数据回归出来,而不是我定。

03

接一次真的大模型

现在用规则引擎是为了结果可复现、方便测试。接 LLM 之后我会保留规则层做兜底,防止它随口承诺赔付。

04

把真实质检表带进来

作品三的检查表目前只在政务场景验证过,想知道它放进真实的客服团队里,哪些列要加、哪些要删。

想直接看作品? 建议从作品一的机器人 Demo 开始,打开调试模式能看到完整的意图识别与决策过程。