基于大模型的智能客服系统，可扩展到千行白业-千知

基于大模型的智能客服系统

源代码

https://www.gitpp.com/parking/project0716gvv91708

智能客服需求很大，但是做好不容易，开源一套基于大模型的智能客服系统

可提供静态知识问答(静态数据)、动态知识问答（数据库），业务办理（api调用）等功能，同时系统具有自我学习能力。定期的反思可让系统变得更强大。

系统架构

系统基于LangGraph构建，采用图形化工作流结构，主要结构如下：系统架构图

🛠️ 技术栈

ragflow

:ragflow提供了一个很好是知识库管理平台，所以本项目的知识管理部分，依托于 ragflow（用户需自行下载）
xinference

:xinference 提供了一个模型的全生命周期的管理，所以关于本项目用到的情感识别模型、embedding 模型，以及后期的本地化大模型都采用 xinference 来部署（用户需自行下载）。
LangGraph

: 构建工作流和状态管理，本项目的智能体和对话管理部分几乎都是依赖于 langgraph。
LangChain

: 基础组件库
MCP

: 以mcp技术弹性接入第三方服务，诸如高德mcp server，12306mcp servser

✨ 功能亮点

现有基于大模型的客服系统的问题分析

总是以被动式的形式提供服务，用户问一个问题，智能客服回答一个问题。被动式的回答总是给人心理感觉还是个机器；
回答的答案太过长篇大论，智能客服回答的答案虽然能解决用户问题，但是篇幅通常过长、内容需要用户进行阅读和理解；
非个性化回答，任何人问同一个问题，答案都几乎一样，这是现有智能客服的范式导致。回答的答案不会考虑用户的历史画像。

基于大模型的智能客服系统的两点

主动+被动的形式来提供服务：当用户问题和知识库答案粒度不匹配时，智能客服会选择生成一个问题，要求用户澄清，如果匹配，则生成答案。这让用户从心理上感觉智能客服更新一个人。
超短的答案回复，第一点的描述中，实现了一个漏斗式的问答交互，通过不断的问题澄清和追问，实现了主动的心理感受之外，也附带的实现了让每一次的回复都足够的短和精准。省去了用户的长时间理解，同时也给实时的语音交互和实时电话的接入提供了技术支持。
个性化的问答：整个客服系统会通过历史咨询的历史来沉淀出用户画像，回答时会跟进用户画像实现个性化服务；
闭环系统优化：系统设计了一个强大的记忆模块：可沉淀：用户画像、事实记忆、情景记忆等内容。反哺现有知识库。实现闭关增强。
具备可选的多语言模块，支持多语言问答的同时，兼顾了问答的准确性
具备可选的安全模块，能够对用户问题和智能客服回答的问题做安全审查。避免出现不合规内容。
具备可选的多语言情绪识别模块，能够实时检测用户的情绪，使得客服系统可以根据用户的情绪来调整回答的语气、以及考虑是否切到人工（如果有人工坐席）

🚀产品功能展示

静态知识库问答能力（RAG）：多轮问答支持+多模态支持+实时语音支持

案例截图 1 案例截图 2 案例截图 3

动态实时数据库问答能力（Text2sql）：可智能识别涉及到的航班信息，并弹出订阅按钮，与后端订阅功能打通

案例截图 1 案例截图 2 案例截图 3

业务办理能力（动态参数收集，调用后台 api）

案例截图 1 案例截图 2

情感识别能力（规则触发、关键词触发、情感触发）

案例截图 1 案例截图 2

多语言能力（支持多语种，包括小语种）

智能客服市场虽大却常被诟病为“智障客服”，核心原因在于技术局限性、用户体验设计缺陷、企业服务理念偏差及行业生态不成熟四大维度的系统性问题，

具体分析如下：

一、技术局限性：AI能力与复杂场景的错配

自然语言处理（NLP）的瓶颈
智能客服依赖NLP技术理解用户意图，但自然语言具有高度复杂性和多义性。例如，用户询问“我的订单怎么还没到？”可能涉及物流延迟、地址错误、系统故障等多种场景，而传统NLP模型往往只能匹配关键词（如“订单”“没到”），无法结合上下文（如订单时间、物流状态）进行深度推理，导致回答与问题不符。
知识图谱的缺陷
智能客服的知识库通常基于结构化数据构建，但现实场景中，用户问题常包含口语化表达、隐喻或行业黑话（如“我的包裹是不是被外星人劫持了？”）。若知识图谱未覆盖此类非标准化表述，系统会因无法匹配而陷入“死循环”或给出无关回答。
多模态交互的缺失
用户可能通过语音、文字、表情甚至视频描述问题（如展示破损商品），但多数智能客服仅支持单一文本交互，无法综合分析多模态信息。例如，用户用语音愤怒投诉时，系统若无法识别情绪强度，可能仍机械回复“请描述具体问题”，进一步激化矛盾。

二、用户体验设计缺陷：从“工具”到“障碍”的异化

转人工路径的“迷宫化”
企业为降低人工成本，常将转人工入口隐藏在多层菜单中，或设置繁琐的验证流程（如输入订单号、选择问题类型、重复描述问题）。用户需经历“智能客服→语音导航→按键选择→人工排队”的漫长路径，导致简单问题复杂化。
回复的模板化与机械化
部分智能客服为覆盖所有场景，采用“如果…则…”的规则库驱动，导致回答千篇一律。例如，用户询问“退款何时到账？”，系统可能机械回复“退款将在3-7个工作日内处理”，却未结合用户账户类型（如信用卡、支付宝）、退款阶段（已审核、已打款）等动态信息提供精准答案。
缺乏个性化与上下文记忆
智能客服通常无法记住用户历史交互记录，导致每次对话需重复提供信息。例如，用户上周刚咨询过物流问题，本周再次询问时，系统仍要求提供订单号，而非主动告知“您的包裹已于昨日送达，请注意查收”。

三、企业服务理念偏差：效率至上与用户价值的失衡

将智能客服视为“成本削减工具”
部分企业过度追求降本，将智能客服作为人工客服的完全替代品，甚至取消人工坐席。例如，某电商平台在“618”期间因智能客服无法处理爆仓投诉，导致用户差评激增，最终被迫恢复24小时人工服务。
忽视服务场景的差异化需求
不同行业对客服的要求差异显著。例如：

金融行业

：用户咨询贷款政策时，需智能客服结合用户信用评分、收入水平等动态数据提供个性化方案，而非简单转发通用条款。
医疗行业

：患者询问药品副作用时，智能客服需具备医学知识图谱，能区分“头痛”是常见反应还是严重过敏，而非仅回复“请参考说明书”。

数据驱动的“伪个性化”
部分企业通过用户浏览历史推荐产品，却未真正理解需求。例如，用户频繁搜索“婴儿奶粉”可能因朋友生子需送礼，而非自身需求，但智能客服可能盲目推送奶粉广告，引发反感。

四、行业生态不成熟：标准缺失与恶性竞争

技术供应商的“低水平内卷”
智能客服市场准入门槛低，大量供应商以“低价中标”策略抢占市场，导致产品同质化严重。为压缩成本，部分供应商采用开源模型+简单规则库的组合，而非投入资源研发行业专属大模型，最终交付的智能客服仅能处理20%-30%的常见问题。
缺乏统一的服务质量标准
目前智能客服的评估指标仍以“响应时间”“问题解决率”等效率维度为主，忽视“用户满意度”“情感共鸣”等体验维度。例如，某银行智能客服虽能在1秒内回复，但因回答生硬导致用户宁可排队等人工，形成“效率越高，体验越差”的悖论。
监管与伦理的滞后性
智能客服在数据收集、隐私保护、算法偏见等方面存在风险。例如，部分智能客服通过分析用户语音语调判断情绪，可能涉及隐私侵权；若训练数据存在性别、地域偏见，可能导致对特定用户群体的歧视性回答。

破局之路：从“技术驱动”到“价值共生”

技术升级：构建行业大模型
结合垂直领域数据（如电商的商品库、金融的风控规则）训练专属大模型，提升智能客服对复杂场景的理解能力。例如，某银行通过引入金融大模型，使智能客服对贷款政策的解答准确率从65%提升至92%。
体验优化：设计“无感转接”流程
通过AI预判用户需求，自动触发转人工条件（如情绪激动、问题复杂度超阈值），并实现对话上下文的无缝传递。例如，某电商平台将转人工时间从3分钟缩短至15秒，用户满意度提升40%。
理念转变：从“降本”到“增值”
将智能客服定位为“用户洞察入口”，通过分析交互数据优化产品与服务。例如，某家电品牌通过智能客服发现用户对“静音功能”的投诉集中，推动研发团队改进产品设计，最终提升市场份额。
生态共建：推动行业标准制定
联合行业协会、监管机构制定智能客服的服务质量标准（如响应时效、情感支持能力），并建立黑名单制度淘汰低质供应商，倒逼行业升级。