多智能体智能客服系统产品系统Vibe Coding

某跨境电商企业，日均咨询量 5000+。人工客服平均响应要 8 分钟，夜间时段（22:00-08:00）完全没有人值守，客户流失严重。

更麻烦的是「过度承诺」问题：通用 LLM 客服为了把话讲圆，会在订单已经发货的情况下答应客户退款，直接造成资损。这类错误每发生一次都是实打实的钱。

企业需要的不是一个「能聊天的机器人」，而是一个「知道什么能答应、什么不能答应」的客服系统。

一、Supervisor 意图路由
主控 Agent 精准识别售前咨询、订单问题、售后服务、投诉四类意图，分流到对应的处理链路；同时设计多轮对话状态机，支持意图修正与平滑切换。

二、记忆与会话持久化
短期对话记忆使用 Redis，长期用户画像与历史工单使用 PostgreSQL 持久化，保证更换会话后仍能识别老客户。

三、RAG 知识库与动态更新
构建商品、政策、FAQ 三大知识库，采用「嵌入向量召回 + 精排」两段式检索；后台系统变更（如促销政策调整）时通过消息队列触发知识库热更新，不需要重启服务。

四、双重校验兜底
除 Agent 自身置信度阈值触发人工介入外，针对涉及金额、退换货的敏感回复，额外增加一层硬规则拦截（例如「已发货超 48 小时不得仅退款」）。若 Agent 输出与规则冲突，强制替换为合规话术。

五、人工闭环回流
人工修正的结果自动回流至微调数据集，每周迭代一次。

我负责这个项目的 AI 应用开发，核心做了三块：

1. 意图路由与对话状态机
基于 LangGraph 设计主控 Agent，四类意图识别准确率达到 90% 以上。多轮对话的状态管理是真正的难点——用户中途改主意、问错方向时，状态要能平滑切换而不是从头开始。

2. RAG 知识库与热更新管道
三大知识库的检索链路，以及「政策一改就自动更新」的消息队列管道。

3. 双重校验兜底
除了 AI 自身的置信度判断，我额外加了一层规则引擎。因为纯靠模型判断「这句话能不能说」不够可靠——尤其是涉及钱的部分。

技术栈：LangGraph / LangChain / FastAPI / 向量数据库 / 嵌入模型 / 大语言模型 / Redis / PostgreSQL / Docker / Prometheus / Grafana

踩过的三个坑：
· 模型「过度承诺」——订单已发货还答应退款。光靠 Prompt 约束不可靠，最后加了规则层做硬拦截。
· 知识库更新延迟——早期政策改了要等下次重启才生效，客户按旧政策被承诺，造成纠纷。后来做了消息队列触发的热更新。
· 意图误判的连锁反应——一次误判会让整个对话走偏。后来加了置信度兜底，不确定就转人工。