既然不想买服务器，我就在边缘计算上动脑筋，那总得把省下来的钱花在刀刃上。客服这块的人力开销，每个月看着都肉疼，尤其是那些重复了一万遍的“怎么登录”、“密码忘了怎么办”、“订单没收到”。招来的小孩，培训三天，干俩月就跑，我他妈都快成客服培训专业户了。行，服务器钱省了，这人力成本，我得用 API 给它啃下来。
这次试的是基于 BERT 的句子相似度匹配，没上微调，直接用预训练模型计算语义向量。流程很简单：我把历史客服对话里那些高频、标准的问题和答案，抽出来做成一个“知识库”，每条 Q-A 对就是一个向量。用户新问题进来，同样转成向量，然后去库里算余弦相似度，取最高的那个，直接把答案吐回去。技术栈就 Python + sentence-transformers 库，跑在我那台破笔记本上，通过 nginx 反向代理出去，对外就是个简单的 HTTP API。关键点在于，我根本没搞意图识别或者实体抽取那些花里胡哨的，就死磕“相似度”。因为绝大多数问题，用户问得再乱七八糟，核心意思就那几个变体。“我登不进去了”和“账号无法登录”，在向量空间里离得其实非常近。
匹配逻辑我调了三天。最开始直接取 Top-1，发现经常跑偏，用户问“发货地是哪里”，它可能匹配到“发货时间要多久”，因为句子结构太像了。后来我加了个阈值，相似度低于 0.75 的，直接转人工（其实也是转到我微信上）。但阈值设高了，很多其实能回答的问题也被拦下了，设低了又瞎匹配。最后搞了个动态策略：Top-1 相似度 > 0.85，直接自动回复；在 0.7 到 0.85 之间，把 Top-3 的候选答案连同相似度得分，推给一个简易的审核后台（就我一个用户），我点一下就能确认发送，这相当于半自动标注，还能积累数据；低于 0.7，才转人工。这么一来，大部分简单问题被拦截了，模糊地带的问题我花一秒点一下，真正复杂的才需要人处理。
最让我感慨的不是技术多牛逼，而是这东西的“稳定性”。它不会闹情绪，不会嫌问题傻，不会在月底琢磨涨工资，更不会在凌晨三点给我打电话说不想干了。API 调用一次的成本，几乎可以忽略不计，尤其是和我付出的管理成本、情绪成本相比。我训练一个员工，得讲产品逻辑、沟通话术、安抚技巧，还得防着他被客户骂崩了心态。这模型呢？我喂给它 500 条历史问答，它就把那套业务逻辑吃得透透的，回答得比有些新员工还标准。有时候我看着后台日志，那些它自动处理掉的问题，心里就一个想法：我过去几年到底在干嘛？花那么多时间管人，解决人的问题，而不是业务本身的问题。
当然有翻车的时候。有次用户问“你们的苹果产品有货吗”，我们是个卖健身补剂的，但知识库里有一条关于“苹果味蛋白粉”的问答。好家伙，相似度冲到了 0.82，模型兴高采烈地回复了苹果味蛋白粉的库存信息。用户估计一脸懵逼。这事给我提了个醒，语义相似度解决不了指代歧义和领域边界问题。后来我在预处理时加了个简单的关键词过滤，提到“手机”、“电脑”这类明显跨界词的问题，直接降低相似度权重或者转人工。模型是死的，业务是活的，最终还是得靠规则去兜底。
身体还是有点跟不上了。搞这玩意儿那几天，又坐到了凌晨，脖子僵硬得跟锈了一样。现在不敢像前几年那样硬熬了，到点必须起来活动，做几组深蹲。不然省下来的钱，怕不是最后都得送给医院。管理团队那两年落下的颈椎病和焦虑，现在还在还债。不过想想，至少现在焦虑的源头，从“人”变成了“模型参数”和“阈值”，后者虽然也头疼，但不会让我心累。这算是一种进步吧。
边缘计算省了服务器硬成本，AI 自动化在啃人力软成本。这条路算是摸到点门道了。接下来得想想，怎么把多个这样的“边缘智能体”用 n8n 之类的工具串起来，形成一个能自我流转的自动化业务流程。单点智能解决了，流程的“缝合”才是下一个战场。
