美团LongCat Interaction团队正式发布WOWService大模型交互系统白皮书，全面披露了该系统在美团智能客服全量业务中的实战部署细节。通过创新性地采用”数据+知识双驱动”策略与四阶段精细化训练体系，WOWService成功将复杂业务场景下的客服解决率提升了9个百分点，用户满意度显著提高12%，而训练标注量仅为传统方案的10%，展现出卓越的效率与效果优势。
核心技术框架解析：
数据知识双驱动机制
该系统通过融合结构化业务规则与海量真实对话日志进行联合训练，使模型在SKU信息、促销活动、售后服务等核心知识点的准确率高达96%。这种双驱动的训练方式有效解决了传统模型在复杂业务场景中知识碎片化的问题，显著提升了专业服务能力。
多智能体协同作战
WOWService创新性地构建了多智能体协同框架，其中主Agent负责智能任务分发，而子Agent则针对退款处理、地址修改、发票开具等细分场景进行专业优化。这种分工明确的协同机制使平均响应时长大幅缩短27%，大幅提升了用户服务效率。
自我优化闭环系统
系统建立了完整的自我优化闭环机制，每日自动抽取线上高评分对话进行智能标注，并将这些数据回流至训练体系，实现”7天一小迭代”的敏捷优化流程。这种持续进化的能力确保了模型始终保持最佳服务状态。
四大训练阶段详解：
持续预训练阶段
基于500亿token规模的领域专属语料库进行预训练，使基座模型能够充分熟悉本地生活服务领域的专业术语与表达习惯，为后续精准服务奠定坚实基础。
有监督微调阶段
采用仅10%的标注数据进行微调，却能达到传统方案100%标注数据的效果，训练成本节省高达75%。这种高效训练方式显著降低了模型优化的人力投入。
直接偏好优化（DPO）
通过构建正负样本集对模型进行风格校准，精准对齐”礼貌+高效”的服务风格要求，确保智能客服既专业又亲切，提升用户服务体验。
强化学习（RL）
建立线上实时奖励机制，将解决率与用户评分作为双重奖励指标，使模型能够自动学习并持续优化以达成商业目标，实现智能化自我进化。
业务落地成果：
多业务线全面覆盖
WOWService已在美团外卖、到店餐饮、酒店预订、出行服务等六大核心业务线规模化落地，展现出强大的跨场景适应能力。
高并发性能表现
在大促活动高峰期，系统可稳定承载超过8000QPS的并发请求，充分验证了其高可用性与高性能特性。
显著降本增效
整体客服人力成本节省18%，复杂场景一次性解决率高达84%，远超原有基座模型的处理水平，展现出卓越的业务价值。
开源计划展望：
团队已规划于2026年第一季度开源WOWService-Lite轻量版本，旨在降低技术门槛，帮助更多企业受益于大模型交互技术，推动行业智能化升级进程。
