窗外是上海凌晨三点的寂静，只有机箱风扇的低鸣和键盘敲击声在回应我。三十二岁，感觉身体被掏空，但脑子却异常清醒。双十一的倒计时像悬在头顶的剑，几个用我SaaS系统的商家老板，电话里声音都带着哭腔了——他们的客服小姑娘，已经被“什么时候发货？”“还能再便宜五块吗？”这类问题淹到崩溃边缘。
传统的自动回复？那玩意儿就是个摆设。买家问“我昨天买的黑色L码，今天能发吗？”，它只会机械地回复“亲，发货时间一般是1-3天哦”，这简直是火上浇油。必须得拦截，得理解，得像个真人一样判断出买家到底在问什么。那几天，“意图识别”这个词在我脑子里嗡嗡作响，像着了魔。
我翻遍了当时能找到的所有第三方NLP API文档，百度、腾讯、还有几个初创公司的。价格、响应速度、准确率，一个个参数对比下来，眼睛都花了。最后选了一家，不是因为最好，而是因为它的“自定义词槽”功能最灵活，而且按调用量计费，对刚起步的商家友好。商业逻辑很简单：帮他们省下一个客服的人力成本，我的SaaS订阅费就显得微不足道了。这是最直接的降本增效，也是我当时能抓住的最实在的价值锚点。
真正的硬骨头是语料库。我把那几个商家导出的、乱七八糟的、长达半年的历史聊天记录拿过来。天哪，那是什么鬼东西。各种错别字、方言、表情符号、前言不搭后语。清洗数据的过程就像在泥潭里淘金。我用Python写脚本，正则表达式匹配掉无意义的语气词和广告，把相似的问题归类。比如“发了吗”、“发货没”、“怎么还不发”，统统归到“查询物流”这个意图下。然后手动给每个意图配上最精准、最有人情味的回复模板。这不是技术活，这是体力活，更是对客户业务的理解活。我一边写代码，一边在心里骂，当初怎么就没想过数据会脏成这样？但骂归骂，手不能停。
对接API的那个晚上，我记得特别清楚。在杭州一家快捷酒店的房间里，空气里有股淡淡的霉味。我把测试脚本挂上，模拟高峰期的并发请求。第一次返回“意图置信度”只有0.3，失败。调整分词策略，加入更多业务专属词典，再试。0.5，0.6，0.7……心跳跟着那个数字一起飙升。当置信度稳定在0.75以上时，我知道，这东西能用了。但心里还是没底，真到了双十一那天，面对成千上万真实的、千奇百怪的问法，它会不会当场死给我看？
十一月十一日零点。我自己的系统后台监控着数据流。消息涌入的速度像决堤的洪水。然后，我看到拦截机器人开始工作了。它沉默地、高效地识别着：“优惠券怎么用”——匹配到“活动咨询”，自动回复。“地址写错了”——匹配到“订单修改”，触发转人工标志。“快发货！”——匹配到“催促物流”，用预设的安抚话术回复。后台的数字跳动着：拦截率30%，50%，最后稳定在接近70%。这意味着，七成的重复、基础、消耗人力的问询，被这个我连夜拼凑出来的东西扛住了。
那一刻，我靠在椅背上，长出了一口气。不是如释重负，而是一种……强烈的、滚烫的赋能感。我的代码，我清洗的数据，我选择的API，真的成了商家客服面前的“防波堤”。一种粗糙但有效的商业价值，通过技术实现了。窗外的天色开始泛白，新的一天，也是战斗正酣的一天。我关掉监控界面，心里想，也许明年，可以试试结合一下简单的上下文记忆，让机器人能处理“我刚刚问的发货，那如果我现在改地址呢？”这种连续问题。
路还长。但这一步，踩实了。
