客户那边又炸了，凌晨两点微信群里还在刷屏。我盯着屏幕，脑子里就一个念头：这破事儿能不能别他妈再找我了。上个月刚用 Python 的 requests 库配合 BeautifulSoup 把竞品官网的 FAQ 爬了个底朝天，现在又要处理自家客服的历史对话数据。三万条聊天记录，Excel 打开都卡，更别说让人去看了。
我让助理把聊天记录导成 JSON，字段乱得跟车祸现场一样。用户消息、客服回复、时间戳混在一起，还有一堆“嗯嗯”、“好的呢”这种无效信息。第一步是清洗，用正则表达式匹配时间格式，再用 Pandas 把对话按会话 ID 和轮次重新组织。光是处理转义字符和异常编码就花了三个晚上，中间还因为内存溢出崩了两次。我算是明白了，数据预处理这活儿，脏、累、还没成就感，但跳过它后面全是坑。
清洗完的数据扔给 TensorFlow 搞了个最简单的 seq2seq 模型，用 LSTM 单元。训练集就是历史问答对，目标让模型学会根据用户问题生成客服风格的回复。一开始效果惨不忍睹，生成的不是车轱辘话就是完全无关的句子。调参调到怀疑人生，注意力机制加上了，词嵌入维度从 128 调到 512，batch size 改来改去，loss 曲线还是像过山车。后来发现是训练数据里太多“请稍等”、“我帮您查一下”这种过渡句，模型学废了，以为这就是标准答案。又回头加规则过滤，把这类无效对话对剔除。
模型跑起来那天，我把它挂到测试环境，模拟了五百个并发请求。回复速度是快了，平均响应 200 毫秒，但仔细看内容，还是透着一股“机器味儿”。比如用户问“快递怎么还没到”，它可能回“关于快递问题，请您提供单号哦”，而不会像真人客服那样先接一句“理解您焦急的心情”。这中间的差别，就是那点“人情味”，而模型暂时还学不会这个。不过对于标准问题，比如“退货流程是什么”、“保修期多久”，它已经能给出准确、统一的答案了。
API 永不请假，且不交社保。这句话是我在监控日志里看到零错误记录时，脑子里蹦出来的。那个客服组长小王，上个月因为孩子发烧请了三天假，整个排班表全乱了。现在这个模型，凌晨三点、国庆长假，随时待命。它不会抱怨，不会情绪化，不会要求涨薪。从成本角度看，它完美。但我知道，这只是第一步。现在的模型还是个“鹦鹉”，它只是重复它看到过的模式，离真正的“理解”和“应对”还差得远。比如遇到没见过的奇葩问题，它就会开始胡言乱语。
这让我想起李子柒。以前觉得她那套太慢，种个菜要等一季，酿个酱油要等一年。互联网要的是快，是增长黑客，是 A/B 测试每小时迭代一次。但现在我有点懂了，她那种“慢”是在构建一个完整的、自洽的系统。春种秋收，环环相扣，急不来。我做这个客服模型也一样。爬数据、洗数据、训练、调优、对抗攻击测试……每一步都急不得。你跳过数据清洗，模型就学一堆垃圾；你省掉人工审核，上线就可能说出政治不正确的话。这不是写个爬虫脚本一夜之间就能爆流量的事儿，这是挖渠，一锹一锹地挖，水才能自己流过来。
团队里的小孩问我，要不要上 GPT-3 的 API，说那个更牛。我算了笔账，按我们这咨询量，一个月 API 调用费能再养两个客服。算了，还是自己训的这个小模型划算，虽然笨点，但听话，成本可控。技术这玩意儿，有时候不是越新越好，而是越合适越好。我现在追求的，不是炫技，是稳定地、低成本地解决问题。就像李子柒的菜园子，可能没有现代农业大棚产量高，但它能持续运转，且每一环都在自己掌控之中。
深夜，脚本还在跑着新一轮的训练。我关掉显示器，屋里只剩机箱风扇的低鸣。这是一种很奇怪的踏实感，你知道有个东西在替你干活，而且会一直干下去。它不懂疲惫，但它也永远不懂，屏幕另一端那个等快递的人，到底有多着急。这就是代价。
