更好的代理需要更好的文档
内容提要
瑞典金融科技公司Klarna使用OpenAI助手取代700名全职代理人，为公司带来4000万美元的收益。他们成功的秘诀是提供清晰且高质量的语言给模型，并建立知识图谱来提升客户服务和内部聊天机器人的质量。高质量的数据和人类努力的结合是实现最佳效果的关键。
延伸解读
文档质量决定AI代理成败
Klarna的案例表明，AI代理的成功并非仅靠先进模型，而是依赖于高质量的文档和培训手册。创始人引用“垃圾进，垃圾出”原则，强调为模型提供清晰、高质量的语言作为上下文至关重要。这提醒企业，在部署AI代理前，必须优先投资于文档的整理和优化，否则再强大的模型也难以发挥预期效果。
知识图谱与RAG的协同作用
Klarna建立了复杂的知识图谱，不仅提升了外部客户服务代表（包括人类和AI）的工具质量，还改善了内部聊天机器人Kiki。结合RAG技术，知识图谱为AI提供了可靠的事实依据，使其在关键业务场景中稳定执行任务。这种架构既利用了LLM的灵活性，又通过结构化知识确保了准确性，是AI代理落地的重要参考。
自建与采购的权衡
Klarna通过内部实验和自建AI获得了显著价值，但创始人指出，购买现成解决方案（如Glean和Sierra）也是可行选择。然而，无论自建还是采购，“垃圾进，垃圾出”原则依然适用。企业需评估自身数据质量和文档基础，若数据准备不足，直接采购可能无法复制Klarna的成功。决策时应优先考虑数据治理能力。
高质量数据优于模型规模
微软的研究《Textbooks Are All You Need》显示，在更好数据上训练的较小模型可以超越更大的模型。Klarna的经验与此呼应：通过优化文档和数据质量，AI代理在客户服务中达到了与人类代理相当的水平。这提示企业，在AI投资中，应更注重数据质量的提升，而非盲目追求模型参数规模，因为高质量数据能带来更高的经济回报。
Q&A
Klarna如何利用OpenAI助手提升客户服务？
Klarna使用OpenAI助手替代700名全职代理人，成功处理了三分之二的客户服务聊天，并为公司带来了4000万美元的收益。
Klarna在提升AI助手性能方面采取了哪些措施？
Klarna提供了清晰且高质量的语言作为模型的上下文，并建立了复杂的知识图谱来提升客户服务质量。
什么是RAG，它在Klarna的应用中有什么重要性？
RAG（检索增强生成）是行业标准，帮助大语言模型在关键任务中可靠执行，Klarna利用RAG来增强其AI助手的表现。
Klarna创始人对数据质量有什么看法？
Klarna创始人Sebastian Siemiatkowski强调了数据质量的重要性，引用了“垃圾进，垃圾出”的概念，指出高质量数据是成功的关键。
高质量数据在AI应用中有什么影响？
高质量数据能够提升AI模型的表现，微软的研究表明，较小的模型在更好数据上训练可以超越更大的模型。
Klarna的经验对其他企业有什么启示？
Klarna的经验表明，AI与人类努力结合时效果最佳，强调以客户为中心的方法是成功企业的核心。
