面向中小型教培与职业教育机构的课后答疑场景立项。机构痛点有三:一是学员提问集中在晚上,答疑老师人手不足,响应慢;二是同一类问题反复回答,教学质量依赖个人经验;三是教务类咨询(发票、回看、退费政策)混在业务答疑里,占用大量老师时间。这类问题用通用聊天机器人回答风险高,容易编造课时和政策,因此需要一套「AI 先答、老师复核」的系统,既能提效,又保证每一条对外答复可控可追溯。
点击空白处退出提示
面向中小型教培与职业教育机构的课后答疑场景立项。机构痛点有三:一是学员提问集中在晚上,答疑老师人手不足,响应慢;二是同一类问题反复回答,教学质量依赖个人经验;三是教务类咨询(发票、回看、退费政策)混在业务答疑里,占用大量老师时间。这类问题用通用聊天机器人回答风险高,容易编造课时和政策,因此需要一套「AI 先答、老师复核」的系统,既能提效,又保证每一条对外答复可控可追溯。
系统分为五个模块。一、答疑工作台:按等待时长与置信度排序的待处理队列,AI 低置信度问题自动转人工,高优标签(退费、发票、投诉)强制置顶。二、AI 草稿复核:AI 生成答复后附引用来源,老师可一键重新生成、插入知识库引用、转其他老师,确认后才发送给学员。三、知识库管理:支持讲义、FAQ、错题集批量导入,自动切片与向量化,切片可查看原文定位。四、教务问答分流:发票、回看、退费等政策类问题走独立知识库,命中即自动答,并记录政策版本。五、答疑报表:自动解决率、平均响应时长、满意度、薄弱知识点分布,按周推送机构负责人。
本人负责整体技术方案与核心模块开发:后端用 Python + Flask 提供答疑队列、复核、知识库接口,检索层用 ElasticSearch 做切片索引与混合召回,前端用 Vue 实现工作台与复核界面;负责切片策略与召回阈值的调优,把低置信度问题正确转人工;对接机构现有小程序与企业微信入口。难点在于答案可控性:通过强制引用来源、政策类问题单独建库、无依据即拒答三条规则,把 AI 编造风险压到可接受范围。



评论