1. 从两个产品线说起为什么要把数字人和知识引擎放在一起看腾讯数字人和大模型知识引擎这两个名字放在同一个标题里其实透露了一个很明确的信号数字人不再是单纯的“虚拟形象展示”它正在变成大模型能力的“前台交互层”。而大模型知识引擎则是支撑这个交互层“言之有物”的“后台大脑”。我最早接触数字人项目是在几年前那时候市面上的方案基本是两种路子一种是纯CG建模加预设动画数字人只能按照脚本念稿子问它稍微偏一点的问题就露馅另一种是接个简单的检索式问答用户问什么它去知识库里匹配关键词匹配到了就念出来匹配不到就装傻。这两种方案的本质问题是一样的——数字人没有真正的“理解”能力它只是一个会动的喇叭。大模型出来之后情况变了。大模型能理解自然语言能推理能组织语言但它也有自己的毛病容易胡说八道对垂直领域的知识掌握不精准而且直接拿通用大模型去回答企业业务问题往往答不到点子上。这时候“知识引擎”的价值就出来了——它相当于给大模型配了一个专属的、可管控的知识库让大模型的回答有据可依。所以腾讯把数字人和大模型知识引擎放在一起讲逻辑是通的数字人负责“像人一样交互”知识引擎负责“像专家一样回答”。两者结合才能做出真正能用的智能服务。这篇文章我会从产品架构、核心能力、实操落地、常见坑点几个维度把这两个东西拆开揉碎讲清楚。不管你是刚接触这个领域的技术人员还是正在选型的企业决策者应该都能从中找到对自己有用的东西。2. 腾讯数字人产品线拆解它到底能做什么2.1 数字人的三种形态与适用场景腾讯的数字人产品并不是一个单一的东西它按交互深度和实现方式大致可以分成三条线。我按自己的理解给它归了个类不一定跟官方文档完全一致但实际选型的时候这个分类更好用。第一种是播报型数字人。这种数字人的核心能力是“把文本变成带口型、带表情的视频”。你给它一段稿子它就能生成一个看起来像真人在说话的视频。技术实现上通常是TTS语音合成加口型驱动加表情动画。这种方案适合什么场景新闻播报、课程录制、产品介绍视频、企业宣传片。它的优点是制作成本低、出片快不需要真人出镜。缺点是交互性差基本是单向输出。第二种是交互型数字人。这种数字人能跟用户实时对话用户问什么它答什么带语音识别、自然语言理解、语音合成、口型同步这一整套链路。它适合的场景是智能客服、虚拟助手、展厅导览、银行网点咨询。交互型数字人的技术门槛比播报型高一个量级因为它要处理实时性、多轮对话、打断恢复这些问题。第三种是驱动型数字人。这种数字人本身不一定是AI它可能是真人通过动捕设备实时驱动的虚拟形象。比如虚拟主播、虚拟偶像、元宇宙场景里的Avatar。腾讯在这块有动捕和实时渲染的技术积累但这条线跟大模型知识引擎的关系没那么直接所以后面重点讲前两种。选型的时候有个简单的判断标准如果你的需求是“批量生产视频内容”选播报型如果你的需求是“替代或辅助人工坐席”选交互型。别一上来就追求最复杂的方案很多场景播报型加个简单的关键词问答就够用了。2.2 数字人的核心技术链路数字人看起来简单不就是个会说话的虚拟形象吗但真正做过的人知道这里面每一环都有坑。我把核心链路拆成五段来说。第一段是形象生成。腾讯的方案支持两种方式一种是基于真人照片或视频生成2D数字人另一种是基于3D建模的3D数字人。2D方案成本低、生成快适合快速上线3D方案表现力强、可定制程度高但制作周期长、成本高。我实测下来2D数字人在大多数客服场景下已经够用了用户不会太在意你是2D还是3D他们在意的是你回答得对不对、快不快。第二段是语音合成。这是决定数字人“像不像人”的关键环节。腾讯的TTS技术在国内属于第一梯队支持多音色、多语种、情感调节。这里有个细节数字人的语音不能太“完美”太完美反而显得假。适当的停顿、语气词、呼吸声反而让用户觉得自然。我在配置TTS参数的时候通常会把语速调到正常人的0.9到1.0倍太快了用户听不清太慢了显得迟钝。第三段是口型同步。这是数字人最容易被挑毛病的地方。口型对不上用户一眼就看出是假的。腾讯的方案是基于音素和视素映射来做口型驱动简单说就是把语音拆成一个个音素然后对应到口型动作上。实测下来中文的口型同步难度比英文高因为中文有大量同音字和声调变化。如果你的数字人要念专业术语或者人名最好提前做一下发音词典的配置。第四段是自然语言理解。这就是大模型知识引擎介入的地方。用户说的话先经过ASR转成文本然后送到知识引擎去理解意图、检索知识、生成回答。这一段的质量直接决定了数字人“聪不聪明”。第五段是交互管理。包括多轮对话管理、打断处理、超时处理、转人工策略等。这一段最容易被忽视但实际用起来问题最多。比如用户说到一半突然不说了数字人是继续等还是追问用户同时问两个问题数字人先回答哪个这些都需要在交互管理层做策略配置。2.3 数字人产品的实际能力边界说几个我实际测试下来的结论可能跟宣传材料上写的不太一样。数字人的形象逼真度已经很高了2D数字人在手机屏幕上基本看不出是假的3D数字人在大屏上也能做到以假乱真。但动作自然度还有提升空间特别是手部动作和身体姿态有时候会显得僵硬。数字人的语音交互延迟在良好网络条件下可以做到1.5秒以内这个水平已经接近真人对话的体验了。但如果知识引擎的检索和生成逻辑太复杂延迟会明显增加。我见过一个案例因为知识库太大、检索策略太复杂用户问一个问题要等四五秒才回答体验就很差了。数字人的多轮对话能力在限定领域内表现不错但跨领域切换的时候容易乱。比如你问完产品价格突然问天气它可能会把天气问题也当成产品咨询来处理。这个问题的根源不在数字人本身而在知识引擎的意图识别和领域切换策略。3. 大模型知识引擎让数字人“言之有物”的底层逻辑3.1 知识引擎解决的核心问题大模型知识引擎说白了就是给大模型配一个“专属图书馆”加一个“图书管理员”。大模型本身的知识是训练时灌进去的有时间截止点而且对垂直领域的细节掌握不精准。知识引擎的作用是当用户提问时先去图书馆里找到最相关的资料然后把资料和大模型的理解能力结合起来生成一个准确的回答。这个思路在业界叫RAG检索增强生成但腾讯的知识引擎产品化程度比较高把很多工程细节封装好了。我把它拆成三个核心能力来看。第一个能力是知识接入。支持多种格式的文档导入包括PDF、Word、Excel、网页、数据库等。导入之后会自动做切片、向量化、索引。这里有个关键参数是切片长度切得太短上下文不完整切得太长检索精度下降。我的经验是中文文档切片长度在300到500字之间比较合适具体要看文档的密度。第二个能力是检索召回。用户提问后系统会从知识库里找出最相关的若干条内容。检索策略通常是向量检索加关键词检索的混合模式。向量检索擅长语义匹配关键词检索擅长精确匹配。两者结合召回率和准确率都能兼顾。第三个能力是生成控制。找到相关资料后大模型基于这些资料生成回答。这里最重要的是“幻觉控制”——不能让大模型自由发挥必须让它严格基于检索到的内容来回答。腾讯的知识引擎支持配置“不知道”策略就是当检索不到相关内容时数字人应该怎么回应。这个策略配置得好不好直接决定了用户会不会被误导。3.2 知识引擎的架构分层从工程角度看知识引擎可以分成四层。我用一个实际项目的架构来举例说明。最底层是数据层。存放原始文档、切片后的文本块、向量索引、元数据。这一层的关键是数据治理——文档要清洗、去重、格式化不然垃圾进垃圾出。我见过一个项目客户直接把几年的客服聊天记录导进去里面大量重复和无效内容导致检索结果乱七八糟。第二层是检索层。负责把用户问题转成向量然后从索引里找最相似的文本块。这一层的核心参数是召回数量Top K和相似度阈值。Top K设得太小可能漏掉关键信息设得太大会引入噪音。我的经验是Top K设在3到5之间比较平衡相似度阈值设在0.7左右。第三层是生成层。大模型接收用户问题和检索到的文本块生成最终回答。这一层要配置提示词模板告诉大模型怎么组织语言、怎么引用来源、遇到不确定的情况怎么处理。提示词写得好不好对回答质量影响巨大。第四层是应用层。对接数字人、客服系统、企业微信等前端。这一层要处理多轮对话状态、用户身份识别、权限控制等业务逻辑。3.3 知识引擎与通用大模型的本质区别很多人会问我直接用通用大模型不就行了吗为什么要搞个知识引擎这个问题我被人问过不下二十次。答案很简单通用大模型是“通才”知识引擎是“专才”。通用大模型的知识来自公开训练数据它知道很多常识但不知道你公司的产品价格、内部流程、客户案例。你问它“我们公司最新的退款政策是什么”它只能瞎编。知识引擎的作用就是把这些私有知识注入进去让大模型在回答时“有据可依”。另一个区别是可控性。通用大模型的回答你没法控制它可能说出不合适的话。知识引擎可以通过检索范围限制、提示词约束、敏感词过滤等手段把回答控制在安全范围内。对于企业应用来说可控性比聪明程度更重要。还有一个区别是可追溯性。知识引擎可以告诉你这个回答是从哪篇文档的哪一段生成的方便核查和纠错。通用大模型给不出这种溯源信息。4. 数字人加知识引擎的联合落地实操4.1 从零搭建一个数字人知识问答系统的完整流程我拿一个实际做过的项目来举例。客户是一家做企业培训的公司他们想做一个“AI培训讲师”能回答学员关于课程内容的问题。需求很明确数字人形象要专业回答要准确不能胡说。第一步是知识库准备。我们把客户的课程讲义、FAQ文档、历史答疑记录整理成结构化文档。这里有个坑客户的文档格式五花八门有PPT、有Word、有微信聊天记录截图。PPT里的内容很多是提纲式的缺少上下文聊天记录里大量口语化表达和错别字。我们花了大概一周时间做数据清洗和格式化把内容统一成Markdown格式每段控制在400字左右。第二步是知识引擎配置。在腾讯的知识引擎控制台创建知识库导入清洗后的文档。配置切片策略为“按段落切片”切片长度400字重叠50字。检索策略选择“混合检索”向量检索权重0.7关键词检索权重0.3。Top K设为4相似度阈值0.65。提示词模板里明确写了“请基于以下参考资料回答问题如果参考资料中没有相关信息请回答‘这个问题我暂时没有找到相关资料建议您咨询课程顾问’。”第三步是数字人配置。选择一个职业女性形象音色选择“知性女声”语速0.95倍。配置欢迎语和引导语。设置打断策略为“允许打断”超时时间设为8秒。配置转人工策略当用户连续两次表示不满意或者问题涉及退款、投诉等敏感词时自动转人工。第四步是联调测试。我们准备了200个测试问题覆盖课程内容、价格、退费政策、讲师背景等。测试结果准确率大概85%有10%的问题回答不完整5%的问题触发了“不知道”策略。对于回答不完整的问题我们通过补充知识库内容来优化对于触发“不知道”的问题我们检查是知识库确实没有还是检索策略有问题。第五步是上线和迭代。上线后我们持续监控对话日志每周做一次bad case分析。发现的高频问题会补充到知识库发现的检索偏差会调整检索参数。这个迭代过程持续了大概两个月准确率提升到了92%左右。4.2 关键参数配置与调优经验上面提到了很多参数我这里集中说一下我的调优经验。这些参数没有绝对的最优值要根据具体场景来调。参数推荐范围调优逻辑踩坑记录切片长度300-500字太短上下文不完整太长检索精度下降试过800字切片检索出来的内容经常答非所问切片重叠50-100字防止关键信息被切断重叠太少会导致跨切片的问题回答不完整Top K3-5太少漏信息太多引噪音设成10的时候大模型经常被无关内容带偏相似度阈值0.6-0.75太低召回无关内容太高漏掉相关内容设0.8的时候很多合理问题都触发“不知道”语速0.9-1.0倍太快听不清太慢显得迟钝1.2倍速在手机端听起来很赶超时时间6-10秒太短用户没说完就打断太长显得卡顿设3秒的时候用户还在思考就被打断了还有一个参数是温度值Temperature控制大模型生成回答的随机性。知识问答场景建议设低一点0.1到0.3之间让回答更稳定、更保守。设太高的话同样的问法每次回答都不一样用户会觉得不靠谱。4.3 多轮对话与上下文管理数字人跟用户的对话往往不是一问一答就结束的多轮对话是常态。这里面的坑比单轮问答多得多。上下文窗口管理是第一个难点。大模型的上下文长度是有限的多轮对话积累下来很容易超限。我的做法是只保留最近3到5轮对话作为上下文更早的对话做摘要处理。摘要的内容包括用户的核心诉求、已经确认的信息、待解决的问题。指代消解是第二个难点。用户说“它多少钱”这个“它”指的是什么如果上一轮在聊产品A那“它”就是产品A如果上一轮聊了产品A和产品B那就需要更复杂的消解逻辑。我的经验是在提示词里明确要求大模型结合上下文理解指代同时在知识引擎的检索环节把上一轮的用户问题也作为检索输入的一部分。话题切换是第三个难点。用户聊着产品价格突然问“你们公司在哪里”数字人应该能识别出话题切换而不是把公司地址当成产品信息来检索。这个需要在意图识别层面做配置给不同意图设置不同的知识库范围。打断处理是第四个难点。用户说话说到一半数字人就开始回答这是最让人烦躁的体验。我的配置是ASR检测到用户停顿超过1.5秒才认为说完如果用户在数字人回答过程中开始说话立即停止当前回答重新识别用户意图。5. 常见问题与排查技巧实录5.1 数字人回答不准确怎么办这是最高频的问题。用户问了一个问题数字人的回答要么答非所问要么不完整要么直接说“不知道”。排查思路我总结成一个决策树。先看知识库里有没有。直接在知识引擎的检索测试界面输入用户问题看能不能召回到相关文档。如果召不回说明知识库覆盖不够需要补充内容。这里有个技巧不要只补充标准答案要把用户的各种问法都考虑进去。比如“怎么退款”和“退费流程”和“不想学了能退钱吗”表达的是同一个意思但关键词完全不同。再看检索参数是否合理。如果知识库里有相关内容但召不回大概率是检索参数问题。先调低相似度阈值试试如果还不行检查切片策略是不是把关键信息切断了。我遇到过一个案例一个表格被切成了三段用户问表格里的数据检索只能召回到其中一段导致回答不完整。解决办法是把表格作为整体不切片或者用特殊标记把表格内容关联起来。最后看提示词模板。如果检索到了正确内容但回答还是不对那就是提示词的问题。检查提示词里有没有明确要求“基于参考资料回答”有没有给出回答格式的示例。有时候大模型会“自作聪明”把参考资料和自己的知识混在一起说这时候需要在提示词里强调“只使用参考资料中的信息”。5.2 数字人交互延迟过高怎么优化延迟问题会直接毁掉用户体验。我实测下来端到端延迟超过3秒用户就会明显感觉到卡顿超过5秒用户可能直接挂断。延迟的来源主要有四个ASR识别、知识检索、大模型生成、TTS合成。优化要分段来做。ASR识别的延迟通常在300到500毫秒优化空间不大。如果延迟明显偏高检查网络状况和音频质量。知识检索的延迟跟知识库大小和检索策略有关。向量检索比关键词检索慢混合检索更慢。优化手段包括减少Top K、降低向量维度、使用更快的索引结构。如果知识库特别大可以考虑做分层检索先粗筛再精排。大模型生成是延迟的大头通常占整个链路的50%以上。优化手段包括使用更小的模型、限制生成长度、开启流式输出。流式输出是个好东西数字人可以边生成边说话用户感知到的延迟会大幅降低。TTS合成的延迟通常在200到400毫秒。如果使用流式TTS可以做到边生成边合成进一步降低延迟。我的经验是把端到端延迟控制在2秒以内用户基本感知不到卡顿。如果做不到至少要做到“首字延迟”在1秒以内就是用户说完后1秒内数字人开始有反应这样用户会觉得系统在响应。5.3 知识库更新与维护的坑知识库不是建好就完事了它需要持续更新和维护。这里面有几个坑我踩过。版本管理是个大问题。产品价格变了、政策调整了知识库要同步更新。如果没有版本管理旧版本的内容还在库里检索的时候可能召回到过时信息。我的做法是给每个文档打上生效日期和失效日期标签检索时自动过滤掉失效内容。冲突检测是另一个问题。不同文档对同一件事的描述可能不一致比如两个文档里的退款政策不一样。用户问到的时候检索可能同时召回到两个冲突的内容大模型就懵了。解决办法是建立知识审核机制新内容入库前先做冲突检测有冲突的人工裁决。冷启动问题也值得说。新知识库刚建好的时候内容少检索效果差。我的做法是先导入一批高质量的种子文档覆盖高频问题然后通过用户反馈逐步补充。不要一开始就追求大而全先把核心场景跑通。5.4 常见问题速查表问题现象可能原因排查方法解决方案回答“不知道”知识库无相关内容检索测试输入原问题补充知识库内容回答“不知道”相似度阈值过高调低阈值重试阈值降到0.6-0.65答非所问检索召回错误内容查看召回结果调整切片策略或检索权重回答不完整切片切断关键信息检查切片边界增加切片重叠或调整切片点回答包含无关信息Top K过大减少Top K从5降到3多轮对话混乱上下文管理问题查看对话历史限制上下文轮数做摘要延迟过高大模型生成慢分段计时开启流式输出限制生成长度口型不同步TTS与口型驱动不匹配检查音素映射配置发音词典调整同步参数语音不自然TTS参数不当试听不同参数语速0.9-1.0适当加入停顿打断体验差打断策略配置不当模拟打断场景调整VAD灵敏度和打断响应时间6. 这套方案适合谁用不适合谁用6.1 适合的场景企业培训与考核是我见过最成功的落地场景之一。数字人讲师可以7x24小时回答学员问题知识引擎保证回答的准确性。而且数字人不会累、不会烦同一个问题被问一百遍态度都一样。对于培训量大、讲师资源紧张的企业这套方案ROI很高。智能客服与售后支持是另一个成熟场景。数字人客服可以处理大量重复性问题把人工坐席解放出来处理复杂问题。知识引擎可以对接工单系统、产品数据库回答关于订单状态、退换货政策、产品使用方法等问题。展厅导览与产品介绍也很适合。数字人讲解员可以给访客介绍产品、回答常见问题知识引擎可以对接产品手册和FAQ。相比真人讲解员数字人成本低、可复制性强而且可以同时服务多个访客。政务咨询与公共服务场景也在逐步落地。数字人可以回答办事流程、材料清单、政策解读等问题知识引擎对接官方文档和政策文件。这个场景对准确性和合规性要求极高知识引擎的可控性和可追溯性正好满足需求。6.2 不适合的场景需要深度情感交流的场景比如心理咨询、临终关怀数字人目前还替代不了真人。数字人可以识别情绪但很难做出真正有温度的回应。需要复杂推理和判断的场景比如法律咨询、医疗诊断知识引擎可以提供参考资料但最终判断还是需要专业人士来做。数字人可以作为辅助工具但不能替代专业判断。创意类和开放式场景比如头脑风暴、艺术创作数字人的表现还比较有限。知识引擎擅长的是“有据可查”的问题对于“无中生有”的创意需求帮助不大。高频变化的业务场景如果知识库需要每天甚至每小时更新维护成本会很高。这种情况下要么接受一定的信息滞后要么投入大量人力做知识运营。6.3 成本与投入的实话最后说点实在的。这套方案不是零成本的我按自己的经验给个大概的投入范围。技术成本方面数字人形象定制从几千到几万不等知识引擎按调用量计费大模型API按token计费。一个中等规模的应用日均1000次对话月成本大概在几千到一万这个量级。具体要看数字人形象的精美程度和知识库的规模。人力成本往往被低估。知识库的建设和维护需要专人负责包括内容整理、参数调优、bad case分析、持续迭代。我的经验是一个成熟的知识库至少需要0.5到1个人力持续投入。如果没人维护知识库会很快过时效果会越来越差。时间成本也要考虑。从零开始搭建到上线可用快的话两三周慢的话两三个月。主要时间花在知识库准备和调优上。如果知识库内容多、格式乱时间会更长。我的建议是先用最小可行方案跑起来选一个高频、边界清晰的场景做试点验证效果后再逐步扩展。不要一上来就追求大而全那样很容易陷入“什么都想做什么都做不好”的困境。7. 我踩过的几个印象深刻的坑说几个具体的故事都是真实踩过的坑希望能帮你少走弯路。第一个坑是知识库“贪多嚼不烂”。有个项目客户把公司所有文档一股脑全导进去了包括会议纪要、内部邮件、甚至员工手册。结果用户问产品问题检索出来的却是会议纪要里的一句闲聊。后来我们做了知识分层把文档按重要性和相关性分级检索时优先从高优先级文档里找。这个教训是知识库不是越大越好精准比数量重要。第二个坑是提示词“写得太客气”。早期我写的提示词是“请尽量基于参考资料回答问题”结果大模型经常“尽量”之外自由发挥。后来改成“必须严格基于参考资料回答参考资料中没有的内容不得编造”效果明显好转。提示词要强硬不要给大模型留发挥空间。第三个坑是忽视“不知道”策略。一开始我觉得数字人说“不知道”很丢脸就配置成“尽量回答”。结果用户问了一个知识库里没有的问题数字人编了一个听起来很合理但完全错误的答案。用户信以为真造成了实际损失。后来我把“不知道”策略改成“坦诚告知并引导转人工”虽然看起来没那么“智能”但用户信任度反而更高了。第四个坑是测试不充分。上线前我们只测了100个标准问题效果很好。上线后用户的各种奇葩问法都来了什么方言、错别字、中英文混搭、一句话问三个问题系统直接懵了。后来我们建立了bad case收集机制每周分析用户真实问题持续优化。这个教训是测试用例要尽可能覆盖真实场景的多样性不要只测“标准问法”。第五个坑是忽略数字人的“人设一致性”。数字人的形象是职业女性但回答风格有时候很正式有时候很随意用户会觉得“人格分裂”。后来我们在提示词里明确了人设专业、亲切、简洁回答长度控制在三句话以内。人设一致了用户对数字人的信任感明显提升。8. 后续可以怎么扩展这套方案跑通之后有几个扩展方向值得考虑。多模态交互是一个方向。现在的数字人主要是语音交互未来可以加入视觉识别比如用户上传一张产品照片数字人能识别并回答相关问题。腾讯在这块有技术储备但产品化还需要时间。多数字人协同是另一个方向。不同数字人负责不同领域用户的问题先经过路由分发再交给对应的数字人回答。比如一个负责售前咨询一个负责售后支持一个负责技术支持。这样每个数字人的知识库可以更聚焦回答质量更高。主动服务也值得探索。现在的数字人基本是“被动应答”用户问什么答什么。未来可以结合用户行为数据做主动推荐和提醒。比如用户在看某个产品页面停留很久数字人可以主动问“需要我介绍一下这款产品的详细参数吗”。跨渠道一致性是个实际需求。同一个数字人在网页、APP、小程序、企业微信里都能用而且对话历史可以打通。用户今天在网页上问了一半明天在APP上继续问数字人应该记得之前的对话。这需要统一的用户身份识别和对话状态管理。效果评估体系也需要建立。现在很多项目上线后缺乏系统的效果评估不知道到底好不好。可以建立一套指标体系包括回答准确率、用户满意度、转人工率、平均对话轮次等用数据驱动优化。我个人在实际操作中的体会是数字人和知识引擎这套组合技术本身已经比较成熟了真正的挑战在运营。知识库的持续维护、bad case的及时处理、用户反馈的闭环这些“脏活累活”才是决定项目成败的关键。技术选型的时候不要只看功能列表要看这个产品有没有提供好用的运营工具有没有完善的文档和社区支持。这些东西在demo阶段看不出差别但到了实际运营阶段差距会非常明显。
