Skip to content

跨境客服助手(七):好答案怎么沉淀回知识库:收藏与工单两条进水管 ​

客服系统跑一段时间后,最有价值的内容往往不在知识库里,而在聊天记录里。

某个客服把“德国客户问清关滞留”解释得特别清楚,客户直接标记已解决;另一单的退货问题,客服用了三段话把“换货”和“退款”的区别讲明白了。这些回答比原始政策文件更贴近真实问法,但它们通常随着会话结束就沉底了。

一个自然的想法是:让模型自动总结、自动入库。这个项目没有这么做。

所有沉淀都只生产“候选”,必须由管理员逐条确认才能进入知识库。原因是知识库一旦被自动写入污染,后面的检索、证据门、评测会一起变坏,而且很难追溯是哪一条带偏的。

一、两条进水管,一个候选池 ​

两条通道的粒度不同:

  • 收藏是单条回答级别。客服在问答日志里点“收藏”,这条 assistant 消息成为一个候选;正文就是回答本身;
  • 工单是会话级别。会话完成、有已解决轮次后,管理员点“一键沉淀”,系统把这个订单号下所有已解决轮次聚合成一份候选。

当前版本没有独立工单表,sessions.host_context.orderNo(或 ticketNo)是唯一锚点。没有订单号的会话,退化为按自身会话号沉淀,不再强制要求工单号。

二、收藏候选:先过三道筛 ​

收藏看起来只是“复制一段回答”,但真正写进候选之前有三道筛:

python
if row is None:                       # 1. 必须是本会话的 assistant 消息
    return None
if row["channel"] == "admin_preview": # 2. 管理自测不进审核队列
    return None
body = strip_citation_marks(row["content"])
if not body:                          # 3. 剥完引用不能是空
    return None

管理自测会话(admin_preview)被单独排除,因为自测既不进统计,也不该污染审核队列。

strip_citation_marks 去掉的是回答里的内部证据标记:

python
_CITATION_MARK = re.compile(r"\s*\[[A-Za-z]\d+\]")

def strip_citation_marks(text: str) -> str:
    return _CITATION_MARK.sub("", text or "").strip()

[M37004]、[T12] 这类 ID 是给检索和引用卡片用的。一旦这段文字变成知识库正文,再被检索出来,模型可能把内部 ID 当成人话念给客户。所以入库前必须剥掉。

候选的标题取问题前 40 个字,超长补省略号;上下文只记非空字段:问题、国家、语言、订单号、身份来源、回答类型、引用条数。空值不写,审核页不会出现一屏“型号:—”。

三、工单候选:按订单号跨会话聚合 ​

工单通道的 SQL 比收藏复杂,因为它要回答两个问题:聚合哪些轮次、按什么去重。

聚合条件是“同一订单号下,所有 resolved = true 或 feedback = 'resolved' 的轮次”,按提问时间排序,每轮拼成:

text
第 1 轮
【客户问题】...
【回复要点】...

第 2 轮
【客户问题】...
【回复要点】...

如果只有一轮,不写“第 1 轮”前缀,避免正文看起来像模板。

这里有一个容易被忽略的产品判断:没有已解决轮次就不允许沉淀。接口直接返回 409,提示先让客服标记“已解决”。否则沉淀出来的就是一段未经验证的对话,和“人工确认”的初衷相悖。

四、幂等键:同一件事只能有一个待确认候选 ​

两条通道都可能被重复触发:客服连点两次收藏,管理员对同一订单点了两次“一键沉淀”。

候选表用 origin_ref 做幂等键,配合部分唯一索引:

sql
create unique index ... on settlements (channel, origin_ref)
where origin_ref is not null and status <> 'rejected';
  • 收藏:origin_ref = msg-<消息 id>,一条回答最多一个候选;
  • 工单:origin_ref = session:<订单号>,一张订单最多一个候选。

插入用 on conflict ... do nothing,冲突时把已有条目查出来返回,接口表现是“成功,但 created=false”,而不是报错。

rejected 不占键,这是刻意留的口子:一条候选被驳回后,允许重新提交;历史记录仍然保留,审核留痕不会丢。

五、确认入库:一个事务里做完四件事 ​

管理员点“确认”时,后端在一个事务里完成:

  1. 锁住这条候选(select ... for update),只允许 pending 状态;
  2. 生成一份 documents,source_type='ticket',把来源、沉淀 ID、审核人、确认时间写进 meta_json;
  3. 生成一条证据单元,正文用确认时修订后的文本,bm25_tokens 用 jieba 预分词,evidence_id 按 T{文档号}{序号} 生成并做唯一性探测;
  4. 更新候选状态为 confirmed,追加审核记录。

正文和出处定位允许在确认时修正——这是审核页存在的意义。候选人写的“出处”可能只是一个会话号,管理员可以改成更准确的描述。

驳回则简单得多:只改状态、追加理由,不入库。理由必填,因为它是后续复盘和培训的材料;没有理由的驳回等于把候选扔进黑洞。

六、向量失败,不让整次确认失败 ​

确认是同步动作,要调用 embedding 服务。如果向量服务挂了,最差的做法是让整个事务回滚——管理员会看到“确认失败”,但知识本身其实已经审核通过了。

这里的处理是降级入库:

python
try:
    vectors = _bounded_embedder(embedder).embed([text])
except Exception:
    return {"status": "failed",
            "message": "向量服务不可用:已入库,当前仅关键词可检索,可稍后重试"}
  • 向量调用超时压到 10 秒,避免按钮长时间转圈;
  • 向量维度不一致、写入失败,都用 savepoint 隔离,不影响主事务;
  • 返回值里带 vectorization.status,前端明确告诉管理员“已入库,但当前只有关键词能召回”。

这条切片仍然能被 BM25 命中,不是完全不可用。等向量服务恢复,可以重新补向量;至少知识没有因为一次外部依赖故障被挡在门外。

七、这套沉淀机制的边界 ​

  • 没有自动质量判断。收藏就是收藏,系统不判断这条回答是否真的正确;判断权在审核人;
  • 工单聚合依赖订单号。没有订单号的会话只能按会话号沉淀,跨会话聚合能力就没了;
  • 确认后只生成一条切片。一段很长的工单对话不会被再切分,检索时可能召回一整段,粒度偏粗;
  • 不写回宿主工单系统。沉淀是单向的,工单平台不会知道这条知识已经入库;
  • 审核权限只到管理员角色。没有多级审批,也没有按分类委派审核人。

它解决的是“好答案别丢了”,不是“知识库自动变好”。真正的质量仍然要靠人。

下一篇是最后一篇:怎么证明这些机制没有变坏。90 条分层用例、指标口径,以及三容器部署的边界。

本文阅读--次|全站访问--次|访客--人