微信智能客服系统产品系统

微信智能客服系统面向企业微信生态的智能客服场景，解决企业在微信客服渠道中的三大痛点：
人力成本高：7×24 小时客服团队成本巨大，高峰期咨询量暴增难以应对。
知识传递难：产品政策、合规要求、操作指南等专业知识分散，客服响应效率低。
服务质量不稳：人员水平参差不齐，回答准确性和一致性难以保证。
系统通过 AI + RAG 技术，让企业微信客服具备自动回答合规咨询、业务政策等专业问题的能力，同时支持闲聊对话与敏感内容拦截。

企业微信接入
支持微信客服通道和企业微信应用通道双通道接入
AES-256 消息加解密，URL 握手验证

多类型消息处理
文本消息：意图识别 → AI 对话 / RAG 检索 → 自动回复
图片 / 视频消息：自动下载并归档至 MinIO 对象存储
语音消息：下载 → MinIO 存储 → 百炼 ASR 语音转文字 → AI 处理

工程架构：基于 Spring Boot 3.2.5 + Java 17，Maven 多模块结构（common / business / rag / starter），遵循 DDD 分层架构。基础设施层通过端口-适配器模式解耦外部依赖。

微信消息安全通信与多类型分发：微信客服回调采用 AES-256 加密 XML，消息类型涵盖文本、图片、视频、语音、事件等。通过策略模式设计 KfMessageHandler 统一接口，由 Dispatcher 自动匹配 Handler，新增类型无需修改已有代码。封装了完整的签名校验与解密工具链。

AI 三分类意图识别：用户问题分为聊天、敏感、知识检索三类。难点在于合规咨询与敏感内容的边界易混淆。方案是"输入本身违规才判敏感，询问合规问题判检索"，Qwen-Plus 模型识别，失败时降级到检索流程避免零回复。三种意图由独立的策略 Handler 处理，逻辑清晰可维护。

RAG 多路检索与质量控制：单一检索易漏召回或误召回。采用语义检索和 BM25 全文检索并行执行的多路召回，按 chunkId 去重合并。结果经 DashScope Rerank 精排和阈值过滤，低相关度直接返回固定回复而非强行生成，保证回答准确。通过 ParentChunk 映射确保返回完整语义段落。

FAQ 零额外开销匹配：启动时预计算 FAQ Embedding 加载到内存，复用检索阶段已计算的用户向量做余弦相似度匹配，零额外 API 开销。配合 MD5 精确匹配缓存，毫秒级响应。

多轮对话记忆压缩：Redis 存储短期记忆，超出消息数或 Token 阈值时，异步触发 LLM 摘要压缩，保留摘要加最近几轮原文，在有限 Token 预算内维持上下文。语音消息端到端处理：