随着大语言模型（LLM）与 RAG（检索增强生成）技术的成熟，传统客服系统正面临三大痛点：
人力成本高：7×24 小时人工客服团队成本居高不下，大促期间咨询量激增，坐席难以弹性扩容。
响应效率低：用户咨询分散在电话、在线聊天、工单等多个渠道，知识库更新滞后，答案不统一。
知识沉淀难：企业积累的产品文档、售后政策、FAQ 难以被有效检索和复用，新客服培训周期长。
与此同时，企业对于"AI 能真正落地"的需求越来越明确：不仅要能聊天，还要接得住业务、查得到知识、转得了人工、算得清数据。
本项目正是面向这一需求打造的一套 AI 智能客服系统，基于 RAG 知识库问答 + 多 Agent 协作架构，帮助企业在售后咨询、产品答疑、工单分流等场景实现自动化与智能化。
系统采用左侧导航 + 主对话区的经典客服工作台布局，覆盖从"用户咨询"到"人工接管"的完整链路。
1. 智能客服（会话 / 转人工）
用户进入即自动创建会话，系统欢迎语引导咨询；
用户提问后，系统自动在知识库中检索匹配，给出带来源标识的自动回答（如"已为你匹配知识库自动回答"）；
支持一键「转人工」，将会话无缝交接给人工坐席，保留完整上下文；
支持「结束会话」，会话记录自动归档，便于后续质检与数据分析。
2. 客服工作台（接待 / 排队）
人工坐席统一工作台，展示待接待、排队中、进行中的会话列表；
支持会话分配、排队提醒、多会话并行处理；
与 AI 会话无缝衔接，转人工后坐席可直接看到 AI 已给出的回答与用户历史。
3. 我的知识库（文档管理 / 检索）
支持上传 Markdown、PDF、Word、TXT 等格式文档，自动切片、向量化入库；
提供知识条目管理、检索测试、命中率查看；
可针对不同业务线维护多套知识库（售后、物流、支付、发票等）。
4. 数据统计（会话 / 命中率）
统计会话总量、AI 自动解决率、转人工率、知识库命中率等核心指标；
帮助运营团队持续优化知识库内容与 AI 回答质量。
系统架构设计：基于 Spring Boot + Spring AI 搭建后端服务，MySQL 存储会话与业务数据，Milvus 负责向量检索，Redis 管理会话状态与缓存，Docker Compose 一键编排部署。
RAG 知识库管道搭建：设计 Markdown 结构化切片策略（按问答标题切分、保留关键词与关联问题 metadata），通过 Spring AI 的 Embedding 与 VectorStore 接口将文档向量化写入 Milvus，实现检索增强问答。
会话与转人工链路开发：实现会话状态 Redis 管理、上下文传递、人工排队队列与坐席工作台对接，保证 AI 与人工无缝衔接。
前端工作台开发：基于 Vite + React 搭建客服工作台界面，覆盖智能客服、客服工作台、AI 问答、知识库管理、数据统计五大模块。
技术栈：Spring AI、Spring Boot、MySQL 8、Milvus、Redis、Vite + Vue、Docker Compose、Nginx。
评论