欢迎大家来到我的第一个系列文章： 从0到1完成一个企业级AI售前机器人的实战指南。
我是一个十年前端程序员，也是react contributor，2022年底随着chatGPT的爆火，跟大多数开发一样，开始了AI技术的学习。
直到2023年初我发现AI技术并不是普通开发的出路，于是开始转型AI应用层设计与落地。
我相信AI在未来将会是基础设施，而对于普通人而言，基础设施的机会不在基础设施本身。
我目前已经完成了多款智能问答产品的上线了、以及TOB产品的功能AI化升级。
对各类AI应用落地的方案和思路积累了很多踩坑和迭代经验。
本专栏将会基于我过去几年的经验，进行全方位的AI产品的核心流程拆解！
在真实的项目中工程化的串联prompt、RAG、function call、微调、Agent等AI应用层技术的详细的落地方案和踩坑避坑。
力求完整的记录一款AI产品的Agent流程设计，知识库处理、代码编写、测试上线、迭代全流程。
系列文章会揭露AI产品中大家常常遇到的问题 和陷阱 与应对策略。
例如：
- 模型如何进行选择？
- 产品tokens消耗太多怎么办？
- 流程开发完，对话时间开销太多怎么办？
- MCP在AI产品开发中的真实应用。
- RAG工程落地的细节设计与踩坑。
- 微调怎么调？什么时候调？
- Agent和workflow分别的应用的场景。
- 一个AI产品的上线，我们都需要有哪些部分的开销？
- 等其他AI产品的问题
会把三年来的经验，以及随着大模型能力的更新，我们做出的最新变化和应对策略，都随着系列文章的深入，逐步展现给大家。👏👏👏
接下来，我们进入正文，开始打造我们的企业级AI售前机器人。
AI售前机器人需求洞察
真传一句话，假传万卷书。
需求的洞察其实就是一句话：哪里有痛点，哪里就有需求。
每个产品都是为了解决某个或某些痛点而生的，就像梁宁老师在《真需求》里提到的：一件事情能成，是因为它本来就该成。
因为是人的需求，才让一件事成立与存在。不是你，也会是其他人做出符合人们需求的东西。
哪怕在AI时代，这个规律也不会变，人们可能不会为了AI付费，但是他们一定会愿意为解决痛点的方案付费。
我认为，AI售前机器人就是一件本来就该成的事情，主要是因为它可以为企业解决以下这些痛点：
- 7*24小时在线
- 秒级响应速度，在客户咨询黄金6秒中进行回复
- 不会出现知识断层，新产品上线后无需培训时间
- 不会有负面情绪，不存在人为风险
- 不用担心离职
- 成本远低于售前人员
ps：说到这里，心疼售前同学一分钟。不知道有没有老板会看到这个系列的文章啊🤔🤔
AI售前机器人需求确定
为了确保能够满足解决上述痛点，我们的产品设计需要满足以下这些需求：
基本需求
基本需求是用户满意度的基线，这类需求是用户所必需的，如果得不到满足，就会引发用户的强烈不满。 对于这类需求，我们预期要完成的是：
- 能够进行任务判断，例如支持：
售后的任务引导向售后的电话 - 能够介绍我们的产品，例如支持介绍：
基本信息、能力、规格、价格、套餐、活动价、案例 - 能够回答用户关于产品的问题，例如支持回答：
套餐A和B的区别？ 某产品可以做到XX事么？ - 能够基于用户的信息推荐产品，例如支持回答：
我是XXX，能用你们什么产品？ - 能够引导用户留资，并且存储数据库，与访客约定回访时间。
- 能够分析需求，提供初步的合同模版。
期望需求
期望需求是对产品体验有显著影响的非必需需求。实现的越好，用户越满意，但是如果缺失或者体验不好，用户会感到失望。但是程度不像基本需求那么强烈。
- 具备多模态能力，例如支持：
用户上传一张图片，这个是你们的哪款产品？ - 生成对话纪要，提供售前人员参考
未来我们还会逐步添加一些新的需求进入，目前暂定完成上述这些需求。
AI售前机器人Agent流程设计
针对产品的需求设计，我们设计这款产品的第一版本的Agent流程设计如下：
这套Agent流程的设计可涵盖我们所有的技术点，例如我们要用RAG获取数据，我们要用function call来进行留资参数的提取，我们要用大模型进行当前场景的判断，等等。
当用户发起提问(query)时，我们要带着历史对话记录(history)，然后经历下述主要的三个步骤：
- 先经过意图的判断和问题拆分，这里要判断的是：
- 当前问题是否与售前相关
- 如果与售前无关，则推荐其他部门联系方式
- 如果与售前相关，则判断归属于哪类意图：谈合同、留资、需要产品推荐、咨询某产品、需要产品介绍。
- 如果是闲聊，则过一遍知识库，然后按照人设进行闲聊
-
确认了意图之后，我们要针对每个意图进行独立的流程设计
- 谈合同：需求分析 + 推送合同模板
- 留资：存储 + 与访客约定回访时间
- 需要产品推荐：获取相关资料 + 资料相关性验证（后面解释）
- 咨询某产品：获取相关资料 + 资料相关性验证（后面解释）
- 需要产品介绍：获取相关资料 + 资料相关性验证（后面解释）
-
最终进行整合回复
整个过程中还会有非常细分的逻辑，我们真正开始编写程序的时候，再进行逐一细化讲解。
下篇预告
我们确定好了要做执行的流程后，就可以准备做RAG需要使用到的知识库数据了。
构建RAG（检索增强生成）知识库，提供精准的上下文信息，减少模型幻觉。
我们将讲解RAG工程中数据如何处理 以及RAG工程中的踩坑和解决方案。
-
涵盖我们可能拥有的数据
pdf、word、txt、excel、图片等格式的处理方式。 -
非结构化数据：切片、结构化数据：QA、结构化数据：表格，分别的使用场景与优劣势等。
-
RAG工程中真实落地的工程解决方案。
结语
希望这个系列能够打造成各位落地AI产品时的实战手册！
大家多多点赞 + 关注，给点动力，更新的快快的！