AI搜索普及后，用户咨询层次变深了。以前进私域问"这个产品是什么"，现在进私域问"这个产品和XX比哪个更适合我"——表层信息已在AI搜索消化，私域承接的是AI答不了的深度问题。承接策略要从"答得上"升级到"答得深"。
一、咨询层次变化——从表层问答到深度追问
AI搜索用户进私域有两个变化。一是跳过基础信息——直接问"我敏感肌泛红时用这款会不会刺激"。二是自带对比框架——问"A和B哪个更适合我"，已有候选产品和对比维度。咨询从信息传递变成问题解决。
深度问题没有标准答案。"会不会刺激"取决于肤质、场景、搭配——需要追问才能回答。承接策略是反向追问+证据供给——追问关键信息，供给决策依据（成分表、用户反馈），而非直接给结论。
二、证据供给——回答要有依据而非凭嘴说
深度咨询用户要的是依据而非结论。问"这个成分安全吗"，答"安全"不够，要供给成分来源、风险等级、适用人群。证据供给靠知识库接入——产品信息、成分数据、用户反馈结构化入库，回答时检索证据。
证据供给建立信任。直接答"安全"用户怀疑，附上"成分来自XX检测，风险等级低"用户就信了。证据不用多——3-5条关键证据够了，太多看不完。
三、反向追问——信息不足时先问再答
深度咨询经常信息不足。问"这款适合我吗"，不知道肤质、场景、预算，没法答。直接猜容易错，反向追问必要——问肤质、问问题、问预算。
追问靠缺失信息检测+追问生成。检测缺什么关键信息，生成追问补全。追问要克制——一次最多2-3个，问多了用户烦。补全后再作答，准确率高很多。
智能咨询承接三环节对照
环节 | 核心动作 | 工程要点 | 价值 |
|---|---|---|---|
深度问答 | 问题解决 | 跳过基础信息 | 答得深 |
证据供给 | 知识库检索+依据 | 3-5条关键证据 | 建立信任 |
反向追问 | 缺失检测+补全 | 一次最多2-3个 | 提高准确率 |
深度咨询承接与证据供给实现
class SmartConsult: def handle(self, raw): missing = self.detect_missing(raw) if missing: return self.ask_clarify(raw, missing) # 信息不足先追问 evidence = self.kb.retrieve(raw, top_k=5) # 知识库检索证据 if not evidence: return self.safe_answer(raw) return self.deep_answer(raw, evidence) # 证据+推理回答 def detect_missing(self, raw): required = {"skin_type", "problem", "budget"} return required - raw.extracted_fields def deep_answer(self, raw, evidence): claim = self.llm.reason(raw, evidence) return f"{claim}\n依据：{evidence.summary}"落地建议
深度咨询从知识库做起——先结构化入库产品信息和成分数据。反向追问要克制——一次最多2-3个。证据供给是信任关键——附上来源、风险、反馈比直接给结论靠谱。微信侧的消息收发、知识库检索和追问补全由Eyun这类个人微信API平台 提供，深度问答和证据供给在自建服务实现，接口字段以平台开发文档为准。
