产品智能客服产品系统

互联网普及多年，在生活中方方面面都有体现，为了提高用户的购买意愿和售后满意度，很多公司都开设了客服岗位，但人工客服往往具有以下缺点：具有情绪，当情绪不稳定时，往往会带来负面影响。需要休息，除非公司愿意提高成本，招聘人工24小时服务，且在人疲惫时工作效率会降低。考虑到以上因素，一套24小时智能回复的客服系统，有着明显的优势。

自然语言处理（NLP）模块：这是系统的“大脑”，负责理解用户的真实意图。它通过分词、词性标注、句法分析等技术解析用户输入，并能识别用户情绪，使回应更具人情味。基于机器学习技术，该模块能不断从历史对话中学习，提升意图识别的准确率。
知识库模块：作为系统的“知识百科全书”，它存储了所有预定义的问答对、产品信息和业务规则。其质量直接决定回答的准确性。统一的知识库还能保证在不同渠道（如官网、APP、微信）提供的答案是一致的。
对话管理模块：该模块如同对话的“导演”，负责控制整个会话的节奏和逻辑。它能根据上下文准确理解用户问题，进行多轮对话，并在必要时平滑地将对话转交给人工客服

l 项目流程：

客服系统方案制定，模型选型，技术选型
数据集收集，先通过网络公开数据集进行训练，经评估后再通过大模型生成专业领域的数据集进行二次训练
数据集处理及清洗，为保证训练效果，对数据集进行评估和分类后，在进行如去重、纠错、敏感数据筛选等操作
模型训练，使用llamafactory工具，以Qlora方法进行微调
考虑实际业务场景，选用chroma数据库以及bge嵌入模型来搭建RAG系统
对RAG进行优化，如：QAQ，混合检索、rerank等
设计提示词，增强智能客服的回答逻辑以及准确性
使用opencompass对模型进行评估
模型部署
l 项目职责:
负责多源数据集的采集、清洗与增强，包括公开数据筛选、大模型合成数据生成及质量评估，并进行去重、纠错与敏感信息过滤，构建高质量训练语料
基于LLaMA-Factory工具链，采用QLoRA等高效微调技术对模型进行迭代训练与性能优化，提升客服任务响应准确率
设计并优化RAG系统架构，集成Chroma向量数据库与BGE嵌入模型，应用多路检索、重排序（ReRank）及查询增强技术，显著改善检索精度与应答相关性
开发结构化提示词模板，增强模型应答逻辑性与可控性，协同完成模型评估与生产环境部署
l项目成果：
成功构建并部署一套面向外部咨询与内部查询的高效AI客服系统，在多项自动评价指标中表现优异
通过引入合成数据增强与RAG架构优化，系统在专业领域问答中的响应准确率提升约28%，有效缓解了幻觉现象，显著改善多轮对话连贯性与用户意图理解能力
系统支持毫秒级实时响应，可同时处理千级别并发查询，目前已上线并稳定运行，承担超过80%的日常客服咨询，用户满意度调查得分达4.6/5，大幅降低人工客服负载与运营成本