多领域智能客服:基于Java的智能分发与定制化问答系统

简介: 本文介绍了如何通过Dify平台构建一个多领域AI客服系统,以解决传统AI客服在复杂业务场景中回答不准确的问题。该系统将客服模块按售前、售后和日常业务划分,利用Dify的API进行集成和调用,并通过知识库提供上下文支持,确保精准回应。架构设计中,首先部署Dify,创建并配置AI应用,编写提示词,管理知识库,封装API接口,实现问题分类与转发逻辑。最终,通过日志记录测试过程,验证系统的有效性。此方案适用于希望提升AI客服效果的企业。

一、引子

AI客服的概念早已不再新鲜,随着自然语言处理技术的不断进步,越来越多的企业尝试将 AI 客服引入实际业务中。然而,尽管大模型具备强大的语言理解能力,受限于业务场景的复杂性和大模型自身的局限性,AI 客服在许多企业中的应用落地效果并不理想。尤其是在面对多领域、多场景的客户需求时,单一的 AI 模型往往难以提供精准且符合上下文的回答,进而影响了用户体验和企业的运营效率。

二、业务梳理

业务场景的多样性使得客户问题不仅限于某一个方面。客户可能会询问产品信息(售前)、订单和退换货等服务(售后),以及公司政策或流程等日常事务(业务支持)。面对这些高度垂直化的需求,传统的 AI 客服难以兼顾各个领域,导致服务体验割裂、回答不准确。

为了解决这一问题,我们采用了一种更为灵活的方式,将客服系统按照业务维度进行划分,拆解为多个专门负责不同领域的 AI 客服模块。比如,可以按照问题类型分别构建售前售后日常业务三大问题领域的AI客服,对于用户发送的问题,首先通过一个中转服务利用AI进行判断属于那个领域的问题,再转发到适配的客服。

三、架构设计

在本次的设计中,我们需要用到一个平台 - Dify,我们通过它去连接大模型可以单独部署AI应用,这样在项目里只需要封装API进行调用即可,把业务系统与AI应用进行解耦。因此,我们可以抽象出业务架构图如下:
01.png
通过架构图可以看出,我们这个系统需要4个AI应用来支持,每个应用的开发和维护都通过Dify进行,我们的业务系统直接调用即可。

四、技术实现

部署Dify

本文对Dify的部署不予演示,感兴趣的同学直接去官网下载即可,部署非常简单,通过docker可以一键部署。

创建应用

接下来开始创建AI应用,应用开发的重点在提示词的编写。我们先以判断客户需求的AI客服为例,如下:
02.png

提示词如下:
03.png
04.png

提示词编写完成后,可以在右侧测试效果,同时记得点击发布,如下:
05.png

同理,另外三个业务客服都采用上述方式创建。这里我以业务客服为例,给大家展示下提示词,如下:
06.png

可以看到提示词里提到了知识库,知识库简单地说可以为AI提供一些上下文,比如我们客服的场景里就可以把相关客服的培训手册提供给应用。我们可以通过Dify直接管理知识库,也可以通过API操作,我们这里方便管理,直接上传即可。如下:
07.png
我们可以在知识库里可以直接创建,如下:
08.png
可以看到知识库文本的格式支持很广泛,如下:
09.png
我这里为了方便演示,就直接建一个客服中心的word文档,输入以下内容,如下:
10.png
数据的清洗和分段都可以自动进行,我们这步也不做什么调整,直接下一步就行,如下:
11.png
最后为我们的应用关联上,我们可以测试下开发票的效果,可以看到它根据知识库的内容回答,如下:
12.png

API封装

Dify已经对API封装的格式做了说明,如下:
13.png

这里需要说明下,我们在每个应用里创建的API-Key都是调用这个应用的凭证,所以在项目里调用应用都需要先生成它的Key,并把它配置在项目里,如下:

public class DifyServerConstants {
   

    /**
     * The base URL of the Dify API.
     */
    public static final String BASE_URL = "https://dify.xxxxxxxx.com.cn/v1";

    /**
     * XX应用api key
     */
    public static final String APP_API_KEY = "XXXXXXXXXX";
}

在实际中根据自己的应用使用情况可以把key都统一管理起来,常量类是种实现,写在配置文件里也是。然后我们基于官方的文档简单封装下,代码如下:

private String getResultByDify(String text, String BearerAuth) {
   
    //设置请求体
    JSONObject body = new JSONObject();
    body.put("query", text);
    body.put("response_mode", "blocking");
    // 注:这个userId是调用dify应用的必须参数,一般取当前登录用户即可,如没有特殊要求也可随意指定
    Long userId = LoginHelper.getUserId();
    body.put("inputs", "");
    // 封装请求体和请求头
    String jsonString = body.toJSONString();
    //发送post请求,阻塞式
    HttpHeaders headers = new HttpHeaders();
    headers.setContentType(MediaType.APPLICATION_JSON);
    headers.setAccept(List.of(MediaType.APPLICATION_JSON));
    headers.setBearerAuth(BearerAuth);
    // 封装请求体和请求头
    HttpEntity<String> entity = new HttpEntity<>(jsonString, headers);
    //url
    String url = DifyServerConstants.BASE_URL + "/chat-messages";
    //发送请求
    ResponseEntity<String> stringResponseEntity =
        restTemplate.postForEntity(url, entity, String.class);
    //获取answer字段
    if (ObjectUtil.isNotEmpty(stringResponseEntity.getBody())) {
   
        JSONObject jsonObject = JSONObject.parseObject(stringResponseEntity.getBody());
        String answer = jsonObject.getString("answer");
        //去掉markdown
        answer = StrUtil.removeAll(answer, "```json");
        answer = StrUtil.removeAll(answer, "```");
        return answer;
    }
    return null;
}

我们可以把它声明为一个接口或者工具类,只需要传入问题和应用的key就可以实现通用调用了,如下:

String answer = getResultByDify(question, DifyServerConstants.XXX_KEY);

转发逻辑实现

编写一个接口用来接收用户输入的问题,代码如下:

  /**
     * 根据问题分类并调用相应的Dify服务获取答案
     *
     * @param userQuery 用户提出的问题
     * @param BearerAuth Dify的Bearer token
     * @return Dify返回的答案
     */
    public String handleUserQuery(String userQuery, String BearerAuth) {
   
        // 调用分类模型,获取类型
        String domainJson = getResultByDify(userQuery, BearerAuth);
        // 解析结果json并返回类型
        int domainType = extractTypeFromJson(domainJson);// 根据分类结果调用不同的Dify服务
        switch (domainType) {
   
            case 1:
                return getResultByDify(userQuery, BearerAuth);  // 售前
            case 2:
                return getResultByDify(userQuery, BearerAuth); // 售后
            case 3:
                return getResultByDify(userQuery, BearerAuth); // 日常业务
            // 后续可扩展的其他领域,如技术支持
            default:
                return "抱歉,我无法识别您的问题类别。";
        }
    }

另外,还需要对AI返回的结果解析下,代码如下:

    /**
     * 从分类结果的JSON中提取领域类型
     *
     * @param jsonResponse 分类结果的JSON字符串
     * @return 领域类型数字
     */
    private int extractTypeFromJson(String jsonResponse) {
   
        JSONObject jsonObject = JSONObject.parseObject(jsonResponse);
        return jsonObject.getInteger("type");
    }

至此,我们就简单地实现了这个AI客服智能分发系统,我们通过日志记录下一次测试过程,如下:

14.png

五、小结

其实上述的这个小demo仅仅依靠dify的工作流就可以实现多应用的协作,但实际业务中,我们可能会遇到在现有的客服系统中去集成AI;或者我们的系统需要先接入AI客服,但客户问题并未得到解决,再接入人工客服,自然就需要我们需要相应的服务管理。因此,本文重点在实现的思路和方案上,希望对大家有所帮助!

目录
相关文章
|
10月前
|
存储 自然语言处理 关系型数据库
基于阿里云通义千问开发智能客服与问答系统
在企业的数字化转型过程中,智能客服系统已成为提高客户满意度和降低运营成本的重要手段。阿里云的通义千问作为一款强大的大语言模型,具有自然语言理解、对话生成、知识检索等能力,非常适合用来开发智能客服与问答系统。 通过本博客,我们将演示如何基于阿里云的通义千问模型,结合阿里云相关产品如函数计算(FC)、API网关、RDS等,搭建一个功能齐全的智能客服系统。
1097 5
|
JavaScript Java 测试技术
基于Java的线上招聘问答系统的设计与实现(源码+lw+部署文档+讲解等)
基于Java的线上招聘问答系统的设计与实现(源码+lw+部署文档+讲解等)
114 1
|
Java
客服端和服务器的原理高中生都知道,我还不懂-java网络编程技术
客服端和服务器的原理高中生都知道,我还不懂-java网络编程技术
136 0
|
Java 数据库连接 数据库
Java项目:在线博客问答系统(java+Springboot+jsp+maven+mysql)
Java项目:在线博客问答系统(java+Springboot+jsp+maven+mysql)
303 0
Java项目:在线博客问答系统(java+Springboot+jsp+maven+mysql)
|
Java
Java项目案例:酒店前台客服管理系统
import java.util.Scanner; public class HelloWorld { public static void main(String[] args){ String [][] room = new String[12][10]; System.
1287 0
|
18天前
|
数据采集 存储 弹性计算
高并发Java爬虫的瓶颈分析与动态线程优化方案
高并发Java爬虫的瓶颈分析与动态线程优化方案
Java 数据库 Spring
56 0
|
1月前
|
算法 Java
Java多线程编程:实现线程间数据共享机制
以上就是Java中几种主要处理多线程序列化资源以及协调各自独立运行但需相互配合以完成任务threads 的技术手段与策略。正确应用上述技术将大大增强你程序稳定性与效率同时也降低bug出现率因此深刻理解每项技术背后理论至关重要.
82 16
|
2月前
|
缓存 并行计算 安全
关于Java多线程详解
本文深入讲解Java多线程编程,涵盖基础概念、线程创建与管理、同步机制、并发工具类、线程池、线程安全集合、实战案例及常见问题解决方案,助你掌握高性能并发编程技巧,应对多线程开发中的挑战。
|
2月前
|
数据采集 存储 前端开发
Java爬虫性能优化:多线程抓取JSP动态数据实践
Java爬虫性能优化:多线程抓取JSP动态数据实践