ARTICLE · 产品设计
半年人工喂出来的 AI 客服：从 0 到 1 打磨生产级 RAG 系统，越用越聪明
一语总结本文通过社交语言学习 App“空气小猪”的案例，深度解析了从 0 到 1 构建生产级 RAGAI 客服系统的技术路径，涵盖意图识别、问题泛化及数据飞轮闭环机制。
作者分享了在实际项目中打磨 AI 客服的经验。首先明确了为何在初期需要坚持人工客服半年以积累高质量语料；随后详细介绍了技术实现方案：通过指代消解解决上下文依赖问题，利用问题泛化（Query Expansion）提升召回率，并采用混合检索（向量+BM25）结合重排模型确保精度。最后，核心在于介绍了“数据飞轮”机制，通过置信度过滤、问题标准化和人工审核，解决知识库覆盖不足的问题，实现 AI 客服的持续进化。
- AI 客服构建的核心在于数据工程而非单纯模型
初期不应直接上线 AI，而是通过人工客服积累真实的、频对话语料，解决 RAG 系统中垃圾进垃圾出的问题。
- 指代消解与问题泛化是提升检索准确性的关键
用户提问往往碎片化且依赖上下文，需先通过指代消解还原完整语义，再生成多个相似表达的 Query 来提高召回命中率。
- 混合检索与重排是生产标配
结合向量检索的语义理解能力与 BM25 的关键词匹配能力，并引入重排模型（Reranker）对结果进行精细排序。
- 构建数据飞轮实现 AI 系统的持续闭环优化
通过置信度阈值（如 0.5）识别低分问题，经由标准化处理和人工审核后回哺知识库，形成自动进化的机制。
半年人工喂出来的 AI 客服：从 0 到 1 打磨生产级 RAG 系统，越用越聪明
作者分享了在实际项目中打磨 AI 客服的经验。首先明确了为何在初期需要坚持人工客服半年以积累高质量语料；随后详细介绍了技术实现方案：通过指代消解解决上下文依赖问题，利用问题泛化（Query Expansion）提升召回率，并采用混合检索（向量+BM25）结合重排模型确保精度。最后，核心在于介绍了“数据飞轮”机制，通过置信度过滤、问题标准化和人工审核，解决知识库覆盖不足的问题，实现 AI 客服的持续进化。
文章金句
"客服工作，无论简单复杂，在未来大概率会被 AI 替换。
"RAG 的本质是个数据工程。
"数据飞轮本质是一个持续反馈闭环：从用户交互中不断收集数据。