ReglowAdmin 智能客服开发计划

一、产品目标

打造一个"不休息的员工"，具备三大核心能力：

掌握全面专业知识：基于 RAG（检索增强生成）架构，实时检索产品手册、FAQ、政策等知识库，准确回答客户问题，杜绝幻觉。
给客户提供情绪价值：先识别情绪，再共情，后解决，让客户感受到"有温度的服务"。
及时满足需求、促成交易、智能转人工：通过 Function Calling 对接业务系统，查商品/查订单/发起退款；遇到复杂情况自动生成摘要转人工，不丢上下文。

二、整体架构

用户端（H5/小程序/APP）
        │
        ▼
┌──────────────┐
│  SDK 脚本     │  ← 一段 JS，粘贴即可嵌入任意页面
└──────┬───────┘
       │
       ▼
┌──────────────────────────────────────────────┐
│              接入层 (FastAPI)                  │
│  /api/cs/chat  SSE流式   /api/cs/sdk.js       │
└──────────────────────┬───────────────────────┘
                       │
       ┌───────────────┼───────────────┐
       ▼               ▼               ▼
┌────────────┐  ┌────────────┐  ┌────────────┐
│  意图/情绪  │  │  RAG 检索  │  │  工具调用   │
│  识别      │  │  Redis向量  │  │  Function  │
│           │  │            │  │  Calling   │
└─────┬─────┘  └─────┬─────┘  └─────┬─────┘
      │              │              │
      └──────────────┼──────────────┘
                     ▼
         ┌───────────────────┐
         │   对话编排层       │
         │   Prompt + 知识拼接 │
         └────────┬──────────┘
                  ▼
         ┌───────────────────┐
         │   LLM 多厂商适配   │
         │   (复用 ai 模块)   │
         │ DeepSeek/通义/豆包 │
         │ 混元/智谱/Kimi    │
         └────────┬──────────┘
                  ▼
         ┌───────────────────┐
         │   人工协同层       │
         │   坐席工作台       │
         │   WebSocket 接管   │
         └───────────────────┘

三、技术选型

组件	方案	说明
LLM 对话	DeepSeek Flash（主力），GLM-4.6 Flash（免费兜底）	复用现有 `modules/ai/controller.py` 的多厂商能力
向量存储	Redis（现有）	无需引入 Milvus/Qdrant
Embedding	调用 API（通义/智谱 embedding 接口）	复用现有 API Key 配置
流式输出	SSE	FastAPI StreamingResponse，已有实现
实时通信	WebSocket	FastAPI 原生支持
后端框架	Python + FastAPI（现有）	复用项目基础设施
前端框架	Vue3 + TypeScript（现有）	复用 `components/reui/chat` 聊天组件
数据库	MySQL（现有）	新增 customer_service 相关表
鉴权	JWT（现有）	坐席端复用 auth 模块

四、成本估算

4.1 基础设施成本

项目	成本	说明
GPU/服务器	0 元	使用 API 调用模式，无需自建
向量数据库	0 元	使用现有 Redis，不引入新组件
服务器增量	几乎为 0	现有服务器够用

4.2 LLM 调用成本（按量付费）

模型	输入价格（元/百万token）	输出价格	单次对话估算
DeepSeek V4 Flash	~1	~2	~0.003 元
通义千问 Turbo	~2	~6	~0.008 元
通义千问 Plus	~4	~12	~0.015 元
智谱 GLM-4.6 Flash	免费	免费	0 元
DeepSeek V4 Pro	~4	~16	~0.02 元

单次对话估算：假设 2000 token 输入（含知识库片段）+ 500 token 输出

4.3 月成本估算

日均对话量	用 DeepSeek Flash	用 GLM Flash（免费）
100 次/天	~9 元/月	0 元
1,000 次/天	~90 元/月	0 元
10,000 次/天	~900 元/月	0 元（需关注速率限制）

4.4 成本优化策略

高频简单问答用 GLM-4.6 Flash（免费）
复杂问题用 DeepSeek V4 Flash（极便宜）
高端推理场景按需切换到 V4 Pro
多厂商架构天然支持灵活分流

五、开发计划

阶段一：MVP（让机器人能答）

完成后，用户粘贴 SDK 代码即可在 H5/小程序/APP 上打开聊天窗口，AI 基于知识库回答问题。

任务 1：数据库表设计 + Alembic 迁移

新增 5 张表，复用项目现有 Base + TimestampMixin + SoftDeleteMixin：

表名	用途	关键字段
`cs_knowledge_base`	知识库	name, description, status, embedding_model
`cs_knowledge_chunk`	知识块	kb_id, content, vector (JSON), chunk_index, source
`cs_session`	会话	visitor_id, source, status (bot/human/closed), employee_id
`cs_message`	消息	session_id, role, content, source_chunks, tool_calls
`cs_config`	客服配置	model, system_prompt, welcome_message, business_hours, transfer_rules

文件路径：coding/backend-python/modules/customer_service/model.py

任务 2：知识库管理（RAG 核心）

功能：

后台 CRUD 知识库，支持上传文档（txt/md/pdf）或手动录入 FAQ
文档自动切分（按段落/语义）→ 调用 embedding API 向量化 → 存入 Redis 向量索引
混合检索：向量相似度 + 关键词匹配 + 元数据过滤

复用现有：

Redis（向量搜索）
AI 模块的 API Key 配置

文件路径：

coding/backend-python/modules/customer_service/knowledge.py — 文档处理 + 向量化
coding/backend-python/modules/customer_service/retrieval.py — 检索服务

任务 3：对话编排服务

功能：

System Prompt 管理（角色、语气、边界、输出格式）
检索知识库片段 → 拼入 messages.context
调用 ai/controller.py 已有的多厂商 LLM
流式输出（SSE）

核心 Prompt 结构：

System:
- 你是XX公司的智能客服
- 只基于提供的资料回答，不知道就说不知道
- 涉及价格/库存必须调用工具查实时数据
- 先共情再解决，不超过两句共情
- 每条回答标注来源

Context:
- [检索到的知识片段1]（来源：退款政策文档）
- [检索到的知识片段2]（来源：FAQ第3条）

User: 如何退货？

文件路径：coding/backend-python/modules/customer_service/service.py

任务 4：客服 SDK 脚本生成器 ⭐ 核心

功能：后端生成一段自包含的 JS 脚本，用户粘贴到任意 HTML 即可嵌入智能客服。

<!-- 一行代码接入 -->
<script src="https://your-domain.com/api/cs/sdk.js?app_id=xxx"></script>

SDK 特性：

自包含的悬浮按钮 + 聊天窗口（Web Component，不污染宿主页面）
支持自定义样式（主题色、位置、大小）
支持全屏模式（移动端适配）
会话持久化（localStorage 存 session_id）
离线降级（网络断开时显示"客服不在线"）
小程序端提供 Taro 组件包
APP 端通过 WebView 加载 SDK

文件路径：

coding/backend-python/modules/customer_service/sdk_builder.py — SDK 代码生成器
coding/backend-python/modules/customer_service/static/sdk-template.js — SDK 前端模板

任务 5：客户端对话 API

功能：

POST /api/cs/chat：公开接口（无需登录），SSE 流式输出
GET /api/cs/history：获取历史消息
基于 session_id 隔离不同用户
Redis 频率限制（防刷，每分钟最多 N 条）
记录每条消息到 cs_message 表

文件路径：coding/backend-python/modules/customer_service/controller.py

任务 6：后台管理前端

功能：

知识库管理页（创建/编辑/删除/上传文档/重建索引/查看检索效果）
客服配置页（模型选择、欢迎语、营业时间、转人工规则、SDK 代码生成器）
对话记录页（查看历史会话、消息详情、知识引用来源）

复用组件：components/reui/chat/ 聊天组件

文件路径：coding/frontend-admin/src/views/customer_service/

阶段二：能干活 + 能转人工

任务 7：Function Calling 工具层

功能：定义业务工具，LLM 自主决定调用。

工具名	功能	安全级别
`query_product`	查商品信息	只读
`check_stock`	查实时库存	只读
`query_order`	查订单状态/物流	只读
`calc_price`	算价格/优惠	只读
`create_ticket`	建工单	写入
`transfer_human`	转人工	特殊
`apply_coupon`	发券	写入（需确认）
`create_refund`	发起退款	写入（需确认）

安全分级：

只读类：LLM 直接调用
写入类：LLM 组织方案 + 业务校验 + 用户确认 → 执行
高风险（大额退款/改账户）：必须转人工

文件路径：coding/backend-python/modules/customer_service/tools.py

任务 8：智能转人工

转人工触发条件：

情绪高强度负面（愤怒/投诉）
LLM 连续 2 轮置信度低或无法解决
涉及高风险操作需人工确认
客户明确要求人工
命中敏感场景（法律、医疗、大额资金）

转人工流程：

LLM 生成会话摘要（问题、已处理、待办、情绪状态）
WebSocket 实时通知坐席（带摘要 + 等待中人数）
历史上下文一并移交，不让客户复述
转人工后机器人退到辅助位（帮坐席查资料、起草回复）

文件路径：

coding/backend-python/modules/customer_service/transfer.py
coding/backend-python/modules/customer_service/ws.py — WebSocket 管理器

任务 9：坐席工作台

功能：

实时对话列表（等待中/进行中/已结束）
人工接管对话（WebSocket 双向通信）
AI 辅助回复（LLM 起草，坐席确认后发送）
会话摘要视图 + 知识库快速搜索
工单管理（创建/分配/处理/关闭/关联会话）

文件路径：coding/frontend-admin/src/views/customer_service/workspace/

阶段三：有温度 + 能销售

任务 10：情绪识别与共情

功能：

对话前先做情绪 + 意图识别（LLM 输出结构化 JSON）
{ "emotion": "frustrated|angry|anxious|neutral|happy", "intensity": "high|medium|low", "intent": "complaint|consult|refund|purchase", "urgency": "high|normal" }
高强度负面情绪 → 自动进入安抚模式 + 提升优先级 + 预警转人工
Few-shot 注入安抚话术库
动态调整回复风格（愤怒简洁直接，犹豫引导促单）

效果指标：情绪识别准确率、安抚后满意度提升、复购率变化

任务 11：销售话术与推荐

功能：

需求挖掘（引导式提问：场景/预算/用途）
基于库存和知识库做智能推荐（关联商品/套餐/凑单优惠）
促单话术 Few-shot（限时优惠/库存紧张/凑单建议）
约束规则：不硬推、不过度承诺、先满足需求再推荐

文件路径：coding/backend-python/modules/customer_service/prompts/sales.py

任务 12：评测与运营

功能：

会话日志全量记录（含知识引用链路 trace）
评测集管理 + 定期回归测试
业务指标看板：
- 一次性解决率
- 转人工率
- 客户满意度
- 平均对话轮次
- 下单转化率 / 客单价提升
知识回流（未解决问题 → 补充知识 → 重新评测）

文件路径：coding/backend-python/modules/customer_service/evaluation.py

六、任序与依赖

阶段一（基础设施）
1. 数据库表 ────────▶ 2. 知识库 ────▶ 3. 对话编排 ──▶ 5. 对话API ──▶ 4. SDK生成器
                       │                                           │
                       └───────────────────────────────────────────▶ 6. 后台前端
                                                                          │
阶段二（能干活 + 能转人工）                                                  │
7. 工具层 ──▶ 8. 转人工 ──▶ 9. 坐席工作台 ──────────────────────────────┤
                                                                          │
阶段三（有温度 + 能销售）                                                  │
10. 情绪识别 ──▶ 11. 销售话术 ──▶ 12. 评测运营 ─────────────────────────┘

建议执行顺序：严格按阶段顺序推进，每个阶段内部按编号顺序执行。阶段一完成即可上线使用，后续阶段为增量迭代。

七、文件结构总览

coding/backend-python/
├── modules/
│   └── customer_service/
│       ├── __init__.py
│       ├── model.py          # 数据库模型（5张表）
│       ├── router.py         # 路由注册
│       ├── controller.py     # API 控制器
│       ├── service.py        # 对话编排 + Prompt 管理
│       ├── schema.py         # Pydantic 请求/响应模型
│       ├── knowledge.py      # 知识库管理（上传/切分/向量化）
│       ├── retrieval.py      # 向量检索 + RAG
│       ├── tools.py          # Function Calling 工具定义
│       ├── transfer.py       # 转人工逻辑
│       ├── evaluation.py     # 评测与运营
│       ├── sdk_builder.py    # SDK 代码生成器
│       ├── ws.py             # WebSocket 管理器
│       ├── prompts/
│       │   ├── system.py     # System Prompt 模板
│       │   ├── emotion.py    # 情绪识别 Prompt
│       │   └── sales.py      # 销售话术 Few-shot
│       └── static/
│           └── sdk-template.js  # SDK 前端模板
├── alembic/versions/
│   └── cs_init.py            # 客服模块迁移文件

coding/frontend-admin/
└── src/
    └── views/
        └── customer_service/
            ├── kb/            # 知识库管理页
            ├── config/        # 客服配置页
            ├── history/       # 对话记录页
            └── workspace/     # 坐席工作台

八、RAG 知识检索增强原理

工作原理

用户提问："怎么退货？"
        ↓
① 向量化：问题转成向量（embedding）
        ↓
② 检索：Redis 向量搜索 → 找最相似的知识片段
        ↓
   找到："7天无理由退货，需保留吊牌，联系客服发起..."
        ↓
③ 拼装 Prompt：
   System: 根据以下资料回答，资料没有就说不知道
   Context: [检索到的片段 + 来源标注]
   User: 怎么退货？
        ↓
④ LLM 生成："我们支持7天无理由退货，保留吊牌即可..."
        ↓
⑤ 返回（可标注来源：来自《退货政策》第3条）

关键组件

组件	作用	本项目方案
文档处理	切分、清洗	markdown/txt/pdf 解析 + 语义切分
向量化（Embedding）	文本 → 数字向量	调用通义/智谱 embedding API
向量存储	存向量 + 检索	Redis（现有，不新增组件）
知识检索	相似度搜索	向量 + 关键词混合检索 + 重排序
生成	基于检索结果回答	DeepSeek/通义等 LLM

九、关键指标

指标	说明	目标
一次性解决率	无需转人工或多次交互即解决	> 60%
知识准确率	回答与知识库一致的比例	> 95%
转人工率	最终转人工的比例	< 30%
平均响应时长	首字延迟	< 1.5 秒
客户满意度	对话后满意度评分	> 4.2/5
转换率提升	接入前后下单转化率变化	+10%

十、注意事项

先做知识，再做情绪，最后做销售——地基不稳，上层白做。
不要一上来就做全自动 Agent——先从"LLM + 规则编排 + RAG"开始，稳定后再逐步放权。
危险操作必须二次确认 + 人工兜底——退款、改账户等不能全交给 LLM。
建评测集，每两周回一次——没有度量的智能客服就是盲飞。
SDK 是核心——后端再好，用户端接入体验差就没意义。SDK 要做到"一行代码接入，3 分钟上线"。

ReglowAdmin 智能客服完成度评估与下一步计划

评估日期：2026-06-28评估范围：对照 ReglowAdmin智能客服开发计划.md 中的三大阶段、12项任务

项目快速模板

基于 Reglow 基础库的开箱即用项目脚手架

内容锚点

一、产品目标
二、整体架构
三、技术选型
四、成本估算
五、开发计划
六、任序与依赖
七、文件结构总览
八、RAG 知识检索增强原理
- 工作原理
- 关键组件
九、关键指标
十、注意事项