← 返回首页 📚 实战课程
📑 本篇章节导航 (共5章,点击直达)
本节目标(学完能回答的面试题)核心知识(1小时精讲内容)面试速记卡(考前30秒速看)练习题(自测)学习资料

L29 - AI智能客服与知识库项目模板

本节目标(学完能回答的面试题)

核心知识(1小时精讲内容)

1. 智能客服Agent架构


┌──────────────────────────────────────────────┐
│              用户(小程序/Web)                   │
│                 ↓ WebSocket/SSE                │
│           Spring Boot网关层                    │
│                 ↓                              │
│  ┌──────────────────────────────────────┐     │
│  │           Agent引擎                   │     │
│  │  IntentClassifier → 意图识别          │     │
│  │  ToolRouter        → 工具路由分发      │     │
│  │  DialogueManager   → 多轮对话管理      │     │
│  │  EmotionDetector   → 情绪识别          │     │
│  └──────────────────────────────────────┘     │
│      ↓           ↓           ↓           ↓     │
│    RAG检索    Function    工单系统    人工转接   │
│    (知识库)   Calling     (RabbitMQ)  (WebSocket)│
│      ↓           ↓                            │
│    Milvus    内部API                          │
└──────────────────────────────────────────────┘

意图识别路由:


用户消息进入后,先做意图分类:

  FAQ问答   → 走RAG检索知识库(占40%)
  订单查询  → Function Calling调订单API(占25%)
  物流查询  → Function Calling调物流API(占15%)
  售后问题  → 自动创建工单+MQ通知(占10%)
  投诉/情绪 → 情绪识别+转人工(占5%)
  闲聊      → 小模型直接回复(占5%)

Spring AI实现:
  chatClient.prompt()
      .user(userMessage)
      .functions("queryOrders", "queryLogistics", "createTicket")
      .call()
      .content();
  // 模型自动识别意图 → 选择工具 → 执行 → 生成回答

2. 情绪识别与人工转接


情绪识别三级判断:
  1. 关键词匹配: "投诉/差评/退款/垃圾/骗人" → 负面
  2. LLM情绪分析: 调用模型判断(正面/中性/负面)
  3. 连续负面: 连续3轮负面 → 自动触发转人工

转人工实现:
  WebSocket建立客服-用户通道
  → 历史对话摘要自动发给人工客服(LLM生成3句话摘要)
  → 人工接管后Agent退出
  → 人工结束后Agent可重新接管

摘要实现:
  String summary = chatClient.prompt()
      .system("将对话压缩为3句话: 1)用户问题 2)已尝试方案 3)当前诉求")
      .user(chatHistory)
      .call()
      .content();

3. 工单自动创建(RabbitMQ解耦)


触发条件:
  - Agent连续2次无法回答满意
  - 涉及退款/赔偿需人工审核
  - 用户主动要求人工服务

流程:
  Agent判断需创建工单
    → Function Calling调createTicket
    → RabbitMQ发送工单消息
    → 客服后台实时通知
    → 工单状态变更回调通知用户

MQ解耦的好处:
  1. Agent不阻塞等待(用户体验好)
  2. 客服后台可按优先级排序(情绪等级/金额)
  3. 峰值缓冲(大促期间工单暴增不丢消息)
  4. 工单系统故障不影响主对话流程

4. RAG知识库问答系统


系统架构:
  用户(Vue前端)
      ↓ HTTP/SSE
  Spring Boot网关层(Controller + Advisor链)
      ↓
  ┌─────────────────────────────────┐
  │         核心服务层                │
  │  DocumentService  → 文档导入/分块  │
  │  EmbeddingService → 向量化        │
  │  RetrievalService → 检索+重排序    │
  │  ChatService      → LLM对话生成   │
  │  SessionService   → 会话管理       │
  └─────────────────────────────────┘
      ↓                ↓              ↓
    Milvus          Redis          DeepSeek
    (向量存储)      (缓存/会话)    (大模型API)

混合检索+Rerank流程:


第一步: 混合检索
  Dense向量检索(Milvus): 语义匹配 → Top-20
  Sparse BM25(Milvus 2.5): 关键词匹配 → Top-20
  RRF融合排序 → Top-10

第二步: Rerank重排序
  bge-reranker-v2-m3精排 → 过滤<0.7

第三步: Prompt组装
  System: "基于上下文回答,无法回答请说明"
  Context: 检索文档片段(控制4000 token内)
  Question: 用户问题

优化历程:
  v1.0 纯向量检索:       准确率72%
  v2.0 混合检索:          准确率83%
  v3.0 + Rerank重排序:    准确率91%

5. Advisor链(知识库系统)


请求处理链:
  用户请求 → RateLimitAdvisor(限流)
           → SensitiveWordAdvisor(敏感词过滤)
           → CacheAdvisor(语义缓存命中检查)
           → LoggingAdvisor(审计日志)
           → RAG检索 + LLM生成
           → CacheAdvisor(缓存存储)
           → 返回响应

语义缓存实现:
  用户问题 → Embedding → 与缓存向量做余弦相似度
  > 0.95 → 命中缓存(不调大模型)
  < 0.95 → 走正常RAG流程,结果写入缓存

效果: 缓存命中率35%,API成本降低35%

6. 双模型路由+成本控制


问题: 所有问题都调API,月费用超预算
方案:
  简单问题(FAQ/闲聊) → 本地小模型(Ollama qwen2.5:3b),免费
  复杂问题(推理/专业) → DeepSeek API
  路由判断: 问题长度+关键词规则(后续升级为LLM分类)

效果: API调用量降低55%

7. 面试包装话术(作为第二项目)


这两个项目是你AI定价系统之外的第二项目,
面试中作为"AI工程能力"的补充证明。

智能客服(推荐作为第二项目):
  面试官: "除了定价系统,你还做过什么AI项目?"
  回答: "我还做了一个AI智能客服系统,核心是Agent模式——
  用Function Calling让Agent自主调用订单/物流/工单等API,
  替代了传统决策树。意图识别准确率从78%提升到93%,
  62%的问题AI自动解决。"

知识库问答(备选第二项目):
  回答: "我还做过一个RAG知识库问答系统。
  核心亮点是混合检索(Dense+Sparse)+Rerank重排序,
  检索准确率从72%提升到91%。
  还有Agentic RAG自适应检索——Agent根据问题复杂度
  动态选择检索策略。"

两个项目的差异化:
  AI定价系统 = AI + 业务深度融合(主打项目)
  智能客服   = Agent架构 + Function Calling(第二项目)
  知识库问答 = RAG检索链路优化(备选第二项目)

8. 项目成果对比


┌────────────────┬──────────────┬──────────────┐
│     指标        │  智能客服     │  知识库问答   │
├────────────────┼──────────────┼──────────────┤
│ 意图识别准确率  │ 93%          │ -            │
│ FAQ准确率      │ 95%+         │ 91%          │
│ 自动解决率      │ 62%          │ -            │
│ 首字响应时间    │ 1.5s         │ < 800ms      │
│ 缓存命中率      │ -            │ 35%          │
│ 日均对话量      │ 2000+        │ 500+         │
│ 人工效率提升    │ 40%          │ -            │
└────────────────┴──────────────┴──────────────┘

面试速记卡(考前30秒速看)

练习题(自测)

1. 画出智能客服的Agent架构图,标注5种意图的处理路径

2. Agent模式替代传统决策树(if-else)的优势是什么?举出3点

3. 混合检索为什么比纯向量检索效果好?用"SKU编号"为例说明

4. 如果面试官问"你做过几个AI项目",你怎么组织回答?

5. 情绪识别+人工转接的设计思路是什么?为什么要生成对话摘要?

学习资料