中国联通的一线销售(营业员、社区经理等)要反复练习套餐推荐、需求挖掘和异议处理。以前主要靠老员工带教、人工陪练,成本高,评价标准因人而异,练习效果也难以量化。本项目受联通委托开发:AI 扮演不同类型的客户,销售用语音或文字和它对练,结束后系统按话术规范自动评分并给出点评。训练记录保存在后台,管理者可以据此查看学员进度、组织考试和做统计分析。
点击空白处退出提示
中国联通的一线销售(营业员、社区经理等)要反复练习套餐推荐、需求挖掘和异议处理。以前主要靠老员工带教、人工陪练,成本高,评价标准因人而异,练习效果也难以量化。本项目受联通委托开发:AI 扮演不同类型的客户,销售用语音或文字和它对练,结束后系统按话术规范自动评分并给出点评。训练记录保存在后台,管理者可以据此查看学员进度、组织考试和做统计分析。
1. 学员端(微信小程序):选择训练场景后,和 AI 客户用语音或文字对练。按住说话,语音实时识别,AI 的回复会播报出来;识别失败时可以改用文字输入。对练结束后可查看总分、各维度得分和改进建议。
2. AI 对练:AI 按场景设定的客户画像、诉求和性格扮演客户,根据销售的回答推进对话。
3. 自动评分:按 5 个评分维度及其权重打分,其中包括合规性,能识别“永久不涨价”这类违规承诺。
4. 培训知识库:管理员导入话术资料,后台异步向量化,供对练和评分引用。
5. 训练与考试:配置训练场景、发布考试,并记录每次训练和考试的结果。
6. 管理后台(React):用户与权限管理、操作审计、训练数据统计。
我独立完成整个项目,从需求梳理、架构设计到小程序、React 管理后台、Spring Boot 业务后端和 FastAPI AI 服务的开发、测试与部署。
架构:业务后端管理用户、权限和训练数据,按任务、场景和知识版本组装 AI 请求;AI 服务只负责对话生成、评分、向量化和语音,结果由后端存为训练记录、报告和统计。
1. 知识库与检索:资料经过导入、审核、发布后才能使用。发布后版本冻结,训练和考试绑定具体版本,后续更新不影响已发布任务。发布时异步向量化写入 Milvus;向量库抽象为统一接口,可在 Milvus、Qdrant 和数据库存储之间切换。检索先按场景和分类过滤,没有命中就逐级放宽;向量库不可用时改用数据库中的向量计算相似度,再失败则退回关键词召回。
2. 角色扮演:Prompt 限定 AI 只以客户身份说话,不得给销售建议;客户回复和给学员的提示分字段输出,考试模式下提示强制为空。
3. 评分:模型只输出各维度原始分,总分由代码按权重计算,再叠加硬性规则:任一维度低于 25 分,总分压到及格线以下;问题条数越多,扣分越多;考试超时按不及格结算。模型调用失败时改用规则评分。自建评测集(6 类对话,每段评 5 次),发现评分只读取最后 6 行对话,前半段的违规承诺会被漏判。改为全量输入、超长时保留首尾后,及格判定从 4/6 正确提高到 6/6,标准差从 5.2 降到 2.1。
4. 语音:接入讯飞 ASR/TTS。后端签发 5 分钟有效的临时 token,小程序凭 token 拉取 TTS 音频流播放。
5. 工程:Flyway 管理表结构,RBAC 加数据范围控制权限;转写、向量化和报表导出统一走异步任务表,可查看状态、失败重试;TraceId 贯穿两个服务;用 Docker Compose + Nginx 部署。






评论