当AI实习生坚持认为一个「永远不会推进」的客服需求可以实现时，一场零成本的技术冒险就此展开本文将揭秘如何利用腾讯云函数和RAG技术，在没有技术团队和服务器的情况下，打造出24小时在线的AI客服系统，并分享产品经理在与AI协作过程中那些令人意外的发现与成长。
一、一个「永远不会推进」的需求我们公司的客服负责人有个需求：给小程序装一个能 7×24 小时值班的 AI 客服需求背景很简单：每天询问量不超过 100 条，但时间分布散，人工覆盖 24 小时至少需要 5 个客服轮班。
客服部已经沉淀了一套非常成熟的问答 SOP，传统客服简单培训就能上手——理论上 AI 也可以但问题来了：我们公司的技术开发全部外包，内部不存代码资产，开发资源极其有限这类需求的排期现实是 1-3 个月，而且大概率让位给更紧急的业务需求。
用产品经理的话说：这是一个「永远不会被推进的项目」本着「事事有回音」的原则，我没有直接拒绝，而是打开了和 AI 的对话框，开始做 research——本意是找到一堆无法落地的客观理由，给需求方一个有据可查的回复。
结果 Claude 告诉我：这是个可以实现的需求我内心 OS：这 AI 实习生怎么读不懂画外音呢？非要逼人进步二、架构选型：怎么做到月费 ¥0既然 AI 坚持说能做，那就只能一步步往下走第一个决策：用什么来跑这个服务？
买云服务器？最便宜的也要 ¥40-100/月，而且要运维对一个没有技术团队的产品经理来说，服务器崩了根本不知道怎么办AI 给出的方案是腾讯云函数（SCF）——用事件驱动的 Serverless 架构，只有真正收到消息时才运行代码，其余时间完全不计费。
对照我们的实际用量算一下：
结论：长期在免费额度内，月费约 ¥0（一次性SCF投入￥40+少量模型MAAS费用）整体架构链路如下：用户发消息→ 微信服务器（AES 加密 XML）→ 腾讯云函数（FastAPI）→ RAG 检索知识库 + AI 生成回复。
→ 调用微信 API 发送回复AI 模型选用 DeepSeek，API 按量付费，100 条消息的 token 成本基本可以忽略不计整个系统没有服务器、没有数据库、没有运维——产品经理能看懂的架构
三、知识库：把客服 SOP 装进 AI 的脑子这套系统真正有价值的地方，是 RAG（检索增强生成） 机制AI 的通病是「胡说」——当它不知道答案时，会用听起来合理的话糊弄过去对客服场景来说，这是致命的解决方案是给 AI 一个知识库。
用户发来消息时，系统先检索知识库里的标准问答，把匹配的内容塞进 AI 的提示词，AI 只需要用它自己的语言把这个答案输出给用户知识库的每条记录长这样：{“question”: “如何申请退款？”,“answer”: “支持收到商品后 7 天无理由退款，请在「我的订单」中申请。
”,“keywords”: [“退款”, “退货”, “7天”, “无理由”],“image_url”: “”}关键词命中 + 汉字重叠的双重评分机制，确保检索结果的相关性客服负责人只需要维护这份 JSON 文件，不需要懂代码。
把原有的 SOP 整理进去，AI 就能按标准答案回复——可以正确调用客服负责人提供的回答模板，这也是客服负责人最终点头认可的核心原因四、最大的坑：人才是那个慢的项目最难熬的阶段，不是设计，而是部署选定云函数后，遇到了第一个硬核问题：云函数运行环境是 Python 3.10，我本机是 Python 3.12——中间有几个依赖包存在版本不兼容。
更坑的是，压缩包的打包方式也有讲究，必须通过 Python 脚本压缩，否则会出现文件丢失这些问题我一开始完全不知道于是进入了「提交→失败→复制日志→给 AI 分析→修改→再提交」的死循环，前后重复了十几次。
，才最终找到根本原因并成功部署事后我复盘，这个过程里有一个让我难受的发现：人才是那个拖慢进度的因素原因有两个：我对项目依赖、环境架构的知识储备不足，无法在部署失败时第一时间定位问题，只能靠反复试错积累认知。
人类的「复制粘贴速度」远远慢于 AI 的 token 阅读速度如果 AI 能自己提交部署、查看日志、修改代码，这个问题可能几分钟就解决了这给了我一个下一阶段的方向：尝试用腾讯云 CloudBase Framework 的 CLI 模式，让 AI 自行完成部署和日志查询，把人从这个「传话筒」的角色里解放出来。
五、落地效果：媲美初级客服，24h 不间断经过内部测试，这套系统目前的回答水平可以媲美初级客服，客服负责人认为已达到可用标准它能做到的事：常见问题的标准答案，按知识库模板精准回复多轮对话记忆（保留最近 5 轮上下文）。
「正在输入」状态提示，用户体验接近人工24 小时不间断，不需要排班它做不到的事——也不需要做到：处理复杂的投诉、纠纷、异常订单这些场景直接触发「转人工」关键词，切换到真实客服这是这套系统的核心定位：AI 承担 24h 的首响层，复杂问题交还给人
不是要取代客服，而是把客服从「凌晨 3 点还要守着手机回”你们几点开门”」这件事里解放出来六、给同行的一句真心话如果你是同样没有技术背景的产品经理，看完这篇文章想复刻这个项目，我只想说一件事：用平常心去对待落地项目这个目标。
我们本来就在用 AI 不断拓宽自己的能力边界，对自己宽容些落地项目时，你甚至可以用专业的语言告诉 AI 困难之处，质疑落地的可能性——如果这个问题真的可以解决，AI 会一步步指引你如果不行，你也得到了一个有据可查的答案。
失败的项目，不过是浪费了一些 token，换来一些经验而那些创造的过程，等待 AI 回复时的学习和思考，才是我们在这个时代最宝贵的个人资产AI 时代，从信息时代开始就已经如此——工作产出不是严格和工作时长挂钩的。
在工作中慢一点学，可能反而会更快地产出那个「读不懂画外音的 AI 实习生」教会我的，大概就是这件事。
