2025-03-18-【大模型】AI客服系统搭建

引言

随着 DeepSeek、混元等国产大模型的崛起，低成本构建智能客服已成为企业降本增效的首选。本文将详细介绍两种主流场景（微信小程序、微信客服）的 AI 接入方案，涵盖低代码平台与自建后端两种路径，并重点解决“转人工”等核心痛点。

场景一：微信小程序 AI 客服

小程序客服是用户触达最频繁的场景。

方案 A：腾讯云开发 AI+ (低代码/快速验证)

适合无服务器运维经验，希望快速上线的个人或小团队。

核心流程：

1. 开通环境：在微信开发者工具中点击“云开发”，开通按量付费环境。
2. 启用 AI 能力：进入云开发控制台 -> AI 智能客服 -> 选择模型（推荐 DeepSeek-R1 或 混元）。
3. 知识库配置：上传产品文档（PDF/Markdown/Word），系统会自动进行分片和向量化处理。
4. 对接客服：在小程序后台 -> 客服 -> 消息推送 -> 开启并指向云开发环境。

🔴 痛点解决：如何转人工？
云开发 AI 客服默认托管了消息回复。若需转人工，通常有以下两种方式：

• 关键词触发（配置式）：在云开发后台设置“转人工”关键词（如“人工”、“客服”），触发后系统暂停 AI 回复。
• 云函数拦截（编程式）：
  若需要更灵活的逻辑，可接管消息推送。在云函数中判断用户意图，若为转人工，则返回特定 XML 消息：

  {
    "MsgType": "transfer_customer_service"
  }

方案 B：自建后端 + 微信消息推送 (高自由度/企业级)

适合需要深度定制业务逻辑（如查询订单状态、鉴权、多轮对话）的场景。

架构设计：

• 接入层：微信小程序后台配置 消息推送 -> 指向自建服务器 URL (https)。
• 逻辑层：Node.js/Python/Go 服务，负责解析 XML/JSON 消息、业务逻辑处理。
• 模型层：调用 DeepSeek / OpenAI / 腾讯混元 API。
• 知识库：Dify / FastGPT / 自建 RAG (Elasticsearch/Milvus)。

核心代码实现 (Node.js + Express 示例)：

const express = require("express");
const axios = require("axios");
const app = express();

// 接收微信服务器推送的消息
app.post("/wechat-message", async (req, res) => {
  // 假设已通过 xml-parser 中间件解析了 body
  const { ToUserName, FromUserName, Content, MsgType } = req.body.xml;

  // 1. 关键词转人工判断
  if (Content === "转人工" || Content === "人工") {
    // 返回特定 XML 结构，微信服务器收到后会将会话转发给网页版客服工具
    return res.send(`
      <xml>
        <ToUserName><![CDATA[${FromUserName}]]></ToUserName>
        <FromUserName><![CDATA[${ToUserName}]]></FromUserName>
        <CreateTime>${Date.now()}</CreateTime>
        <MsgType><![CDATA[transfer_customer_service]]></MsgType>
      </xml>
    `);
  }

  // 2. 调用 AI 模型获取回复 (示例调用 DeepSeek)
  try {
    const aiResponse = await callDeepSeekAPI(Content); // 封装好的 API 调用函数

    // 3. 回复用户 AI 生成的内容
    res.send(`
      <xml>
        <ToUserName><![CDATA[${FromUserName}]]></ToUserName>
        <FromUserName><![CDATA[${ToUserName}]]></FromUserName>
        <CreateTime>${Date.now()}</CreateTime>
        <MsgType><![CDATA[text]]></MsgType>
        <Content><![CDATA[${aiResponse}]]></Content>
      </xml>
    `);
  } catch (error) {
    console.error("AI Error:", error);
    res.send("success"); // 失败时快速响应，避免微信重试
  }
});

function callDeepSeekAPI(prompt) {
  // 实现调用 DeepSeek API 的逻辑
  return "这是 AI 回复的内容";
}

场景二：微信客服 (企业微信生态)

微信客服（不同于小程序客服）支持在微信内、App、网页等多渠道接入，适合企业级服务，且支持更丰富的消息类型。

推荐方案：Dify / Coze + 微信客服

利用 Dify 或 Coze 强大的工作流编排能力，零代码对接微信客服。

搭建步骤：

1. 准备知识库 (RAG)

• 数据准备：
  • FAQ 问答对：整理 Excel 表格（列：问题、答案、关键词），适合精确匹配。
  • 非结构化文档：上传产品手册、操作指南 PDF/Word，适合模糊检索。
• 导入平台：在 Dify/Coze 中创建知识库，建议选择“混合检索”（关键词+向量）以获得最佳效果。

2. 编排智能体 (Agent)

• 人设提示词 (Prompt)：

  你是一个专业的 SaaS 软件售前顾问。
  请基于【知识库】中的内容回答用户问题。
  如果知识库中没有相关信息，请礼貌地引导用户回复“转人工”以获取帮助，严禁编造事实。

• 工作流设计：
  • Start -> 意图识别 (售前/售后/投诉) -> 知识库检索 -> LLM 生成 -> End
  • 高级技巧：如果意图识别为“投诉”或“紧急”，直接输出特定文案引导人工。

3. 渠道发布

• Dify：
  1. 进入应用 -> “发布” -> “第三方集成”。
  2. 选择“微信客服”。
  3. 按照指引填写企业微信的 CorpID、Secret 等信息。
  4. 使用企业微信管理员扫码授权。
• Coze：
  1. 发布页面 -> 勾选“微信客服”。
  2. 配置相关 ID 并授权。

场景三：常见问题与优化策略

1. 回复速度慢 (Time to First Token)

• 原因：大模型推理需要时间（通常 2-5 秒），而微信被动回复接口要求 5 秒内响应。
• 解决方案：
  • 异步回复：收到用户消息后，立即返回空串（success）或“正在思考中…”的提示，防止微信报错。然后通过“客服消息接口”（主动调用 API）异步下发 AI 生成的回复。
  • 流式输出：虽然微信客户端不支持打字机效果，但后端可以流式接收 LLM 结果，积攒一句话就发一条，减少用户等待感。

2. 幻觉问题（一本正经胡说八道）

• 解决方案：
  • 降低 Temperature：将模型温度设置为 0.1 - 0.3，降低随机性。
  • 严格约束 Prompt：明确“仅依据上下文回答，不知道就说不知道”。
  • 引用归源：在回复末尾加上“信息来源：[文档名称]”，增加可信度。

3. 多轮对话上下文丢失

• 解决方案：
  • 微信接口是无状态的。自建后端需要使用 Redis 或数据库存储 OpenID 对应的最近 10-20 轮对话记录。
  • 每次请求 LLM 时，将历史记录拼接在 Prompt 中发送。

总结与选型建议

需求场景	推荐方案	优点	缺点
个人开发者 / 快速验证	腾讯云开发 AI+	开箱即用，无运维成本	定制化能力弱，按量付费
企业内部 / 复杂业务	自建后端 + Dify	数据私有，可集成业务系统（查单等）	需要一定的开发和运维能力
多渠道统一管理	Coze + 微信客服	渠道支持广，工作流强大	依赖第三方平台稳定性

建议从 Dify + 微信客服 开始尝试，既能体验 RAG 的强大，又能平滑过渡到企业级应用。