共计 1897 个字符，预计需要花费 5 分钟才能阅读完成。

传统规则引擎与 AI 对话系统的区别

1. 规则引擎依赖预设条件分支（if-else），AI 系统通过语义理解处理未见过的问题。
2. 规则引擎需人工维护大量对话路径，AI 系统可自动学习对话逻辑。
3. 规则引擎处理固定句式效果稳定，AI 系统擅长处理自然语言变体但需提示词引导。

意图识别模板设计

咨询类模板

{
  "instruction": "识别用户产品咨询意图",
  "examples": [{"query": "这个手机续航多久", "intent": "product_spec"},
    {"query": "相机像素是多少", "intent": "product_spec"}
  ],
  "response_template": "关于 {product_feature} 的规格是：{spec_value}"
}

投诉类模板

{"negative_keywords": ["不满意", "投诉", "差评"],
  "confirmation_phrase": "您是否遇到以下问题",
  "error_handling": "请提供订单号以便我们核查"
}

转人工规则

if any(word in query.lower() for word in ["人工", "客服", "转接"]):
    return {"action": "transfer", "priority": "urgent"}

上下文管理方案

Session 模式

1. 基于对话 ID 维护临时存储
2. 默认过期时间 15 分钟
3. 适合短周期连续对话

Memory 模式

1. 使用向量数据库存储历史
2. 支持长期记忆回溯
3. 实现代码示例：

   from datetime import timedelta
   
   class DialogMemory:
       def __init__(self, user_id: str):
           self.memory = VectorDB(namespace=user_id)
           self.ttl = timedelta(days=30)
   
       def recall(self, query: str) -> list[dict]:
           return self.memory.search(query, top_k=3)

多轮对话实现

import openai
from typing import Literal

class DialogAgent:
    def __init__(self, api_key: str):
        self.client = openai.Client(api_key=api_key)
        self.context = []

    def chat(self, query: str) -> str:
        """
        处理多轮对话的核心状态机
        Args:
            query: 用户当前输入
        Returns:
            str: 生成的回复内容
        """
        try:
            # 状态判断（示例）if "价格" in query and len(self.context) > 2:
                return self._handle_price_question()

            response = self.client.chat.completions.create(
                model="gpt-3.5-turbo",
                messages=[{"role": "system", "content": "你是有礼貌的客服助手"},
                    *self.context,
                    {"role": "user", "content": query}
                ],
                temperature=0.7
            )

            # 更新上下文
            self.context.append({"role": "assistant", "content": response.choices[0].message.content})
            return response.choices[0].message.content

        except openai.APITimeoutError:
            return "请求超时，请稍后重试"

错误处理策略

1. 超时处理
2. 设置 3 秒 API 超时阈值

3. 准备降级回复模板

   

4. 敏感词过滤

   BLACKLIST = ["诈骗", "赌博"]
   
   def contains_sensitive(text: str) -> bool:
       return any(bad_word in text for bad_word in BLACKLIST)

5. 歧义检测

6. 当置信度 <0.6 时触发澄清提问
7. 示例：” 您是想咨询产品功能还是售后服务？”

性能优化技巧

1. 缓存机制
2. 对高频问题建立回答缓存

3. 使用 LRU 缓存算法

4. 批量处理

5. 聚合多个用户问题后统一调用 API

6. 降低每分钟请求次数

7. 预处理优化

8. 提前过滤无意义输入（如纯符号）
9. 实施请求限流

开放问题思考

1. 评估提示词质量时，应更关注准确率还是用户满意度？如何量化？
2. 在没有历史对话数据时，有哪些低成本获取种子数据的方法？

提示词工程是持续迭代的过程，建议建立 A / B 测试框架验证不同模板效果。实际部署时注意监控 API 错误码 429 和 503。