既然不想招客服，我就写了个“自进化”回复机器人。这项目说白了，就是穷，就是抠，就是被2019年那波扩张搞怕了。当时招了俩客服，工资社保加起来一万多，结果呢？80%的问题都是重复的：“怎么安装？”“密码忘了怎么办？”“支持XX功能吗？”我他妈自己看着后台那些一模一样的提问都烦，还得付钱让人去复制粘贴。2020年断尾求生，第一刀就砍了客服岗，但问题总得解决，不然用户流失更可怕。
所以思路很粗暴：用技术替代人力，而且这次要更聪明点，不能只是关键词匹配。我管它叫“自进化”，核心就两点：一、基于用户真实对话数据训练；二、能自己判断回答的好坏，然后迭代。听起来很AI对吧？其实2021年那会儿，大模型还没现在这么普及，我用的还是最土的办法——规则引擎+语义相似度计算+一个不断增长的问答知识库。
数据库表结构是核心。我设计了四张主表。第一张 `qa_pairs`，存标准问答对，这是知识库的种子。字段很简单：`id`, `question`（原始问题文本）, `answer`, `category_id`, `created_at`。初期我手动录了大概200条高频问题。
第二张 `user_dialogs`，记录所有真实的用户对话。每条记录包括：`session_id`（会话标识）, `user_query`（用户输入）, `matched_qa_id`（系统匹配到的标准问答ID，可为空）, `system_reply`（系统实际回复）, `user_feedback`（用户后续行为标识，比如是否继续追问、是否点击“有帮助”）。这张表是金矿，所有“进化”的原料都来自这里。
第三张 `similarity_mapping`，这是“自进化”的关键。当用户输入一个问题，系统会用TF-IDF加余弦相似度去匹配 `qa_pairs` 里的问题。如果匹配度超过阈值（比如0.7），就直接返回答案；如果低于阈值但高于另一个下限（比如0.4），系统会返回一个相近的答案，并记录这次匹配关系——`source_qa_id`, `target_user_query`, `similarity_score`。这意味着，系统发现了一个“新问法”对应一个“老答案”。
第四张 `feedback_loops`，负责闭环。系统每次回复后，会监测用户后续行为：如果用户收到回复后会话结束（没再追问），就给这次匹配+1分；如果用户紧接着追问或点了“未解决”，就-1分。同时，我写了个定时任务，每天凌晨跑一次，分析 `similarity_mapping` 表里那些得分高、出现频率高的“新问法”，自动把它们作为新的 `question` 变体，关联到原有的 `qa_pairs` 里。这就完成了第一次“进化”：知识库自己学会了同一种答案的多种问法。
技术实现上全是坑。语义相似度计算，一开始用Jieba分词加scikit-learn，线上响应慢，还得缓存。用户输入千奇百怪，“安装不了”和“无法安装”算相似，但“为啥装不上”就得靠规则预处理归一化。最头疼的是负反馈循环，有一次因为一个关键问题匹配错了，导致一连串用户都点“未解决”，系统那天的自动进化差点把正确的问答对给覆盖掉，吓得我赶紧加了人工审核开关。
现在回头看，这东西就是个粗糙的专家系统雏形，离真正的AI差得远。但它在2021年确实帮我扛住了90%的客服压力，成本几乎是零。更重要的是，它让我彻底明白了一件事：所谓智能，在业务里，往往就是从“记录一切”开始的。你不需要一开始就搞懂多深的算法，先把数据流设计好，让数据能流动起来，能产生闭环，迭代就会自然发生。
当时每天盯着后台，看那些自动新增的问答变体，有种在养电子宠物的感觉。它吃进去的是用户的唠叨，吐出来的是稍微规整一点的知识。这大概就是做产品最原始的快乐：用一堆IF-THEN规则和数据库表，笨拙地模拟一个会学习的生命。
