前言

过去，很多在线智能客服经常被人吐槽为人工智障，随着ChatGPT等生成式大语言模型的兴起，我们有更简单的方案来实现一个更智能的在线客服。ChatGPT的通识问答能力很强，但落地到企业领域知识的时候，就容易胡说八道。

本文将为你详细介绍如何利用YCloud和OpenAI的相关接口能力，开发一个懂你业务的WhatsApp智能客服。（以YCloud为例）

YCloud是一家提供全球云通信的CPaaS服务公司，主要提供全球短信、邮件、语音验证码和WhatsApps等商业消息服务，并基于这些基础通信能力开发了Verify验证服务、Campaign多渠道消息营销服务、Contact CDP服务、Inbox WhatsApp客服坐席服务、Growth Tools营销增长工具等。2022年，YCloud和Meta官方达成合作，成为WhatsApp Business Platform在大中华区的首批解决方案提供商(WhatsApp BSP)。通过YCloud在线平台可以创建WhatsApp Business API账户，并获取WhatsApp Business API能力。YCloud通过整合WhatsApp Business API的能力，开发出了客服坐席Inbox平台，通过Inbox可以轻松对接WhatsApp商业账号和客服坐席，让一个账号可以服务成千上万的终端用户。

ChatGPT是OpenAI训练的大语言模型智能机器人，拥有较大的模型参数和语言预测能力。OpenAI也开放了和ChatGPT（3.5）底层能力一致的gpt-3.5-turbo 和 gpt-4模型能力接口，可以方便企业通过API调用的方式获取智能回复。

方案

了解下GPT的接口能力

首先，回归题目，我们要利用ChatGPT（或OpenAI的gpt接口）做一个智能客服，但你会发现ChatGPT可能根本不了解你公司的业务场景，你问它问题它有时候懂一点，有时候不懂，更可怕的是经常对不懂的东西胡说八道。那么我们有什么办法做一个不会胡说八道的智能客服呢？

先说说ChatGPT为什么容易胡说八道？因为它是一个预训练的生成式大模型，原理是通过学习大量的知识（数据），以概率最大化的方式输出文本。知识（数据）虽然来自互联网公开数据和一些合作厂商，但它的知识（数据）是来自2021年9月份之前的，而且因为学习的数据量巨大，当你的公司业务在互联网的曝光度还没那么高的时候，在它学习的权重里也会降低，导致了你问它跟你业务相关的问题，它也不是完全不知道，所以根据预测概率的方式，给你吐了一些胡说八道的回答。

因为没有其他相关知识，这个在机器学习领域叫Zero-Shot（零样本分类或零样本学习），一般对于通识类的问答会好一些。一些推理类的，在零样本学习的情况下，也会比较差，所以一般推理类可以通过提示语让它分步分析（step by step），中间产生的过程信息，反过来可以反哺它的推理，最终能提高推导质量。

所以在智能客服这个场景，我们应该使用它更擅长的Few-Shot能力，即小样本分类（或小样本学习）。我们在问它问题的时候，提前把一些相关的知识点告诉它，它就能从你的知识点里，总结和学习到信息，最后输出一个比较靠谱的问答结果

例如：在zero-shot的情况下，问它

YCloud有什么服务

很明显，它的知识里面，对YCloud是不了解的，但它通过Cloud这个关键字，推断YCloud可能是跟其他云厂商一样的。

然后我就给它一点样本参考：

YCloud是一家提供CPaaS服务的公司，他有哪些服务？

它回答

也很明显，它掌握的知识里包含CPaaS这个术语，而且知道CPaaS是干啥的，所以通过CPaaS猜测了YCloud大约有这些服务，虽然准确了一些，但依然不够格作为YCloud的客服代表，因为我们给它的知识点信息量太小了。

解决方案

所以解决它胡说八道的方案就呼之欲出了——提前告诉它YCloud的业务知识点，再让它体用强大的Few-Shot能力，根据我们提供的知识点回答问题

prompt:

你是一个YCloud智能客服，请根据下面的知识点回答问题。
知识点："""
<一些业务知识>
"""
问题：<知识点相关问题>

那么这时又有新问题来了，很多公司的业务知识点不少，很容易就触及了gpt的接口限制（例如gpt-3.5-turbo模型，每次请求的max_tokens 是4096，大约就是3000多个单词，而且这个max_tokens 是包含请求的内容的token数和输出的内容的token数。gpt4有8k和32k的token数，但他的单价比gpt-3.5贵几十倍）。每次问它前，都把公司所有的业务知识告诉它（比如YCloud的产品介绍文档:https://docs.ycloud.com/docs，足足有几万字，幸好是写得足够细粒度），显然不太可行，那有其他方案吗？

YCloud产品介绍文档

通过语义查找相关内容

传统使用分词+关键字+Query重写实现模糊搜索的方案，虽然也能匹配到一些相关的内容，但远不如通过语义匹配的方式，找到跟用户语义更相关的内容。OpenAI提供相关的能力，叫 embeddings。embeddings的接口功能上就是输入一串文本，返回一个长度为1538的向量（vector，类似数组，但有维度属性，每个元素不能和其他元素更换位置）。这个向量就是代表了输入的文本通过GPT的模型抽取出来的语义特征。这个特征有1538个维度，如果有两个特征相近的文本，基本可以断定它们之间关联性是比较强的。

那么有什么东西可以判断两个或者多个文本的特征相似度呢？简单地，可以通过求余弦相似度（cosine similarity）的方式，对比两组向量的余弦相似度值（最大为1，最小0），值越大代表两个向量越接近（类似于三角函数里用cosθ衡量两条线的夹角一样）。当然也有成熟的向量数据库产品、中间件，适用于对比数据规模较大的向量之间的特征。有了这个接口能力之后，我们只需要把产品文档进行拆分到小颗粒度，尽量让每个产品的介绍文字tokens数不超过3000个token，另外预留1000左右个token给客户输入和AI进行输出（注意这是为openai的gpt3.5模型适配的，如果其他的LLM可以提供更多的token能力，可以适当放宽限制）。然后把这些产品介绍变成一个个的知识点，形成知识向量库。用户输入查询内容之后，我们先通过embeddings把用户输入的内容抽取特征，再跟知识库向量库进行对比排序，找出语义最接近的产品介绍，作为Few-Shot 的知识点，传递给GPT，GPT根据这些知识点回答用户的问题基本就靠谱了。在向量比对的过程中，可以根据自己公司的业务情况，调整向量相似度的阈值，如果最接近的知识库仍然低于这个阈值（比如0.7、0.8，根据业务实际调整），此时可以留一个勾子（hook），告诉用户该问题无法回答（或者把回答转交给真人客服），从而不会胡说八道。

方案小结

以上就是做一个不会乱说话，且懂你业务的智能客服的总体方案，我们总结一下：

1.整理知识库，将每个知识块大小控制在OpenAI接口的限制范围内（不排除其他LLM可以更大的token），然后形成知识向量库

2.对用户的输入进行向量化特征抽取，之后对比查找最接近的知识向量库

3.将匹配到的知识和问题，组装成提示语（prompt），使用OpenAI的chat/completions接口进行智能问答

其他方案？

另一个让OpenAI懂你的业务的方案，是用微调（fine-tune），但我目前不推荐。

因为OpenAI训练出的1750亿参数的大模型，是因为它阅读了大几千亿的token，才沉淀出来的模型（知识），相当于在一个大规模的参数模型上，通过微调的方式让它改动一些参数以适应你的业务形态。那么可以想见，你需要微调的token数应该不少，因为它原来被洗脑了很多其他知识，需要再反复给它洗脑洗成懂你的业务知识。

此外目前OpenAI开放支持的微调模型，只有早期的ada、babbage、curie、davinci，这些模型的能力远远弱于gpt 3.5和gpt4，相当于你在一个弱很多的模型上做微调，除了成本高，效果还比较差。

所以目前阶段我是不建议用微调的，也许未来OpenAI开放了3.5甚至4的微调能力之后，可以再试试看。其他的LLM也有支持微调的，在成本可控，质量性能好的情况下，微调是一个不错的方案，而且是一个终极方案——每个企业可以拥有自己的业务大模型（成本可以接受的话）。

用YCloud打通WhatsApp

接下来，我们把这个客服，通过YCloud打通WhatsApp Business API，就变成一个可以对客户提供问答功能的WhatsApp智能客服了。总共就这么几步：

1. 首先注册YCloud账户；

2. 创建WhatsApp账户，连接到WhatsApp的手机号码（需要一些企业认证过程以及号码的验证过程）；

3. 进入YCloud Inbox平台，创建一个WhatsApp 收件箱，该收件箱连接第2步创建的WhatsApp账户；

4. 创建AgentBot机器人（请联系YCloud商务，可以优先开通功能）和实现上面应答的业务逻辑；

5. 反复更新调整知识库，让AI回答更精准。

最后看一下效果

可以看出，基本是参考相关的知识点来回答的，非常靠谱。这里有一个有意思的点，当用户用英文提问时，AI用英文回答，当用户用中文提问时，AI用中文回答。这对ChatGPT来说并不难，但我的知识库内容其实是全英文的，并没有中文在里面，难道OpenAI的embeddings能力这么强，可以全语言匹配吗？并不是，是因为我在实现这个bot的实际上做了一些Trick：

1. 归一化

所谓归一化就是把所有输入都转化为相同的衡量尺度，再进行对比。比如，在国内短信审核的时候，有些短信内容是这样的："亲爱的+5扣扣幺幺⑤巴巴①三你好。。。"，对于这种文案，我们人类的大脑会自动将其归一化为"亲爱的加我QQ1158813你好。。。"，并果断将其驳回。而具体到我们智能客服这个例子，由于我们的知识库都是英文，所以我们需要把用户的输入也统一翻译成英文（没错，翻译也可以用gpt来做，不同的只是提示语），再用embeddings进行向量对比。拿到知识库之后，用户输入的问题原封不动传给gpt，它就会按照用户提问的语言来进行回答。

2. 模板化输出

如果想让AI输出的内容显得更专业（更有温度）一些，可以把专业（有温度）的文案模板作为提示语的一部分告诉它，让它按模板输出。

prompt:

你是一个YCloud智能客服，请根据下面的知识点回答问题：
知识点："""
<一些业务知识>
"""
问题：<知识点相关问题>
回答模板:"""
亲爱的，你好
{{你的回答}}
希望我的回复可以帮到您，祝您一切顺利~
"""

<内容> 为需要提前准备的内容

{{你的回答}} 为prompt的一种模板写法，让AI能关注到他的内容应该怎么放置。

3. 温度调节

Chat Completions接口中有一个temperature参数是用来控制模型输出的内容的个性化程度的。取值是0-1（注意有些接口是0-1，有些是0-2，但作用是类似的），越小代表输出的内容越精准，越大代表内容越个性（花里胡哨）。具体到智能客服这个场景，我希望它不要油嘴滑舌，所以我设置为0，更精确的回答（注意依然无法100%精确）。

结语

好了，介绍了这么多，是不是发现实现一个智能客服挺容易的？

其实这些功能都在OpenAI官方的cookbook里有介绍，特别embeddings的能力，绝对是容易被只跟它在线聊天的人忽视的非常牛X的能力。像很多的基于文档的问答、语义化搜索，也都是基于这个方案来做的。

用YCloud实现WhatsApp客服有两种路径，一种是自己通过YCloud提供的WhatsApp Business Platform API + YCloud相应的webhook推送，在webhook server里面实现问答逻辑。另一种是通过YCloud已有的Inbox平台，创建Agentbot（需要联系YCloud的商务，提供你的应用场景，由于目前火爆，需要排队审核）来实现。通过Inbox实现的好处是，有一个专业的客服平台，真人客服可以上去直接看机器人和用户聊天的情况，审查AI的回复术语，对于回答不好（真无法100%保证不会说错）的地方，及时进行调整，问答逻辑上遇到不懂的问题（比如匹配不到关联性较强的知识库）也可以切换成人工接管回复，这样可以给终端用户更好的用户体验。

用YCloud Inbox对接客服坐席

智能客服不仅限于做搜索，其实售前的跟单话术，只要提炼出知识点，也可以用智能客服来做的。甚至可以借鉴上面的实现逻辑，做一个在线的商品推荐机器人（因为商品信息大多数情况下是公开可见的）。

风险提示

最后做一下风险提示：由于OpenAI是一家私人公司，我上面传递的数据都是公开网页上的知识点，不涉及到任何用户、公司、国家的敏感数据，所以可以放心调用。大家在实现类似的业务时，也请考虑自身的数据是否敏感，特别是涉及到个人、公司、国家的敏感信息，一定要做好管控，遵守业务所在国家的法律法规，防止造成不必要的损失或者法律风险。

后话

在实现上述的WhatsApp智能客服过程中，我全程都是跟GPT4结对编程的，主要的代码实现逻辑都是GPT4写的，我更多是提出问题和一些不合理的点（比如一些不熟悉的web接口定义，提bug等），让GPT4持续改进代码。这里开个坑，后面再补一篇如何与GPT4进行结对编程，敬请期待~~

参考资料：

1. OpenAI官方cookbook: https://github.com/openai/openai-cookbook

2. YCloud官网: https://www.ycloud.com/ 或 点击阅读原文

3. 如何提高zero-shot时的推理能力：Let's think step by step：https://arxiv.org/abs/2205.11916

4. 一些支持向量搜索的数据库：redis、pinecone、milvus、zilliz等等

注：本文授权转载于公众号：AI探戈。