大促的流量洪峰，从来不会提前打招呼。
2025年11月11日零点刚过，一个3C商家的后台记录了一个细节：
机器人首响0.8秒、平均响应6秒，基础设施数据很漂亮。
但在峰值最猛的那90秒里，答对率掉到了71%，比日常低了19个百分点。
这就是大促对AI客服的真实考验：不是“服务器崩没崩”，而是5倍流量灌进来的那几分钟里，它还能不能把话答对、把事办了。
我们以晓多2025年双11的公开数据和架构信息为基础，做一次落地拆解。
第一道关：流量翻5倍，系统靠什么不“失忆”
大促峰值的技术指标，行业里有一个常被引用的参考：3w QPS，一条消息200ms内必须返回，否则用户就转人工了。
晓多的做法是把对话链路拆成两层。
NLU集群无状态，负责意图识别和槽位填充，用HPA根据CPU和P99延迟双重阈值弹性扩缩，峰值3分钟内能弹到200个副本。
DM集群有状态，负责维护对话状态机，用StatefulSet+Redis Cluster做会话亲和性，单次状态迁移纯内存计算，耗时不到2ms。
有状态和无状态分开伸缩，好处是扩容时不会因为“某个会话绑在某个Pod上”而卡住。
但架构能扛住流量，不等于答对率能扛住。
前面那个“峰值90秒答对率掉到71%”的记录，说明语义层在瞬时高压下会衰减，这是所有系统都绕不开的工程现实。区别在于，谁的底子能把衰减控制在可接受范围内。
第二道关：XPT模型在高压下的“答对率底线”
晓多的语义底座是晓模型XPT——电商客服领域首个通过国家备案的垂类大模型，在通用语料之上叠加了电商零售行业高质量数据集做定向微调。
2025年1月接入DeepSeek之后，形成“XPT负责专，DeepSeek负责通”的双擎架构，意图理解准确率和回复话术质量净变好率提升了5—10个百分点，服务成本缩减30%—50%。
这套组合在高压场景下的价值，不在于“平时答得好”，而在于大促那种买家连发多条、一句话叠三个诉求的对话里，它还能拆得开。
比如“昨天买的黑色M码改发顺丰，顺便把差价退了”，XPT负责把“改快递”和“退差价”两个电商意图精准分离，DeepSeek负责把上下文串起来，不至于只抓一个关键词就回话。
第三道关：从“答对”到“办完”，Agent在峰值期做了什么
答对只是第一步。
大促期间真正消耗人力的，是答完之后还要人工去操作的那些动作。
晓多的多Agent协同架构里，主Agent做统筹，售后、尺码、导购等业务Agent分工执行，可以直接调用订单和平台接口完成改地址、催付、拦截订单、退换货建单等闭环操作，而不只是回一句话。
买家要改地址，Agent走完“推送自助卡片→用户提交→调接口修改订单→通知结果”的链路，中间不需要转人工。
在5倍流量的峰值窗口里，每少一次“请稍等，为您转人工”，就少一个因为等待而流失的订单。
真实数据：5倍流量下的承接与挽回
架构和模型讲再多，最终要看峰值期的业务结果。晓多2025年双11的公开服务报告提供了几组可核验的数据：
- 人机协同累计服务用户超2.706亿人
- 智能机器人累计回复11.86亿次，机器人回复率52.5%
- 大模型参与会话1.62亿次，占整体回复比重14.96%
- 机器人接待促成成交订单6864万单，带动成交金额548亿元
- 主动挽回订单金额178.7亿元，挽回订单2266万单
其中“挽回”这一项值得单独看。大促的订单流失大量发生在“加购未付”“下单未付”环节，靠人工盯根本盯不过来。
晓多的自动化跟单策略在合适时机触发催付、解答下单顾虑，178.7亿的挽回金额是在峰值流量下由AI主动追回来的，而不是等买家自己回来。
落地测评的结论：大促选AI，看的是“衰减之后还剩多少”
回到开头那个71%答对率的细节。
它说明一个事实：大促峰值下，没有任何系统能做到“和日常一样准”。
选型的真正分水岭，是峰值窗口内答对率的衰减幅度是否可控、以及答对之后能不能把动作办完。
晓多在这轮双11数据里给出的答案是：XPT+DeepSeek的双擎把语义衰减压在可接受范围内，多Agent协同把“答对”延伸成“办完”，而11.86亿次回复和178.7亿挽回金额，是这套链路在5倍流量下跑出来的结果。
对于正在评估大促AI客服承载能力的团队，这些数据比任何“千万级并发”的宣传口径都更值得放进选型参考里。
