既然有了 VisionOS，我开始构思“沉浸式”的自动化面板，那感觉就像在脑子里直接拖拽数据流。但回到现实，今天搞定的还是最土最实在的东西：用 NLP 模型把客服对话给自动化了。
这活儿其实是被逼出来的。去年组团队那会儿，招了个客服专员，培训了俩月，一接复杂点的咨询还是得转给我。不是她不用心，是人脑处理“我的订单为什么显示已发货但物流三天没更新”和“你们这个会员续费能不能开发票”这种混杂问题时，天然会卡壳。我得给她画流程图，讲“如果-那么”规则树，讲到最后我自己都烦了。现在好了，我写了个脚本，接上 OpenAI 的 API（那时候还用着 text-davinci-003，贵但稳），把用户问题扔进去，让它先做意图分类。
分类逻辑不能靠它瞎猜。我建了个关键词-意图的映射库，比如“物流”、“快递”、“没收到”映射到“物流查询”；“发票”、“报销”、“税号”映射到“发票问题”。但光这样不够，用户会说“我付了钱但东西没影儿了，能不能给我个凭证报销”，这里头混了“支付”、“物流”、“发票”三个意图。我的处理流程是：先让模型做第一轮粗分类，输出一个主意图；然后根据主意图，调用对应的子流程函数；在子流程里，再用正则和关键词二次提取关键信息，比如订单号、手机尾号。最后，把结构化的信息喂给另一个专门生成回复的模型，让它用固定话术模板填进去。
API 比任何员工都理性。它不会因为今天和男朋友吵架就回复带情绪，也不会因为同一个傻逼问题问了二十遍而失去耐心。我设定的温度参数是0.2，回复稳定得像个机器——哦，它本来就是机器。但问题就出在这种“理性”上。有次测试，用户问“你们这破系统是不是又崩了？老子等了半天！”，模型一本正经地开始走“系统故障排查流程”，第一步就是“请提供您的账号ID以便我们查询”。它完全忽略了那句“破系统”和“老子”里包含的愤怒情绪，结果用户更火了。后来我加了个前置的情绪分析模块，如果检测到负面情绪值过高，就先回复一段安抚话术，再把问题扔进处理流水线。这算是给理性包了层人情味的糖衣。
深度拆解一下这个自动匹配逻辑吧。它本质是一个多层漏斗。第一层，脏数据清洗，去掉无意义的符号和表情（这里用了简单的正则，但有些颜文字真他妈难过滤）。第二层，意图识别，这里我融合了规则和模型：高频、固定的问题（如“怎么登录”）直接走规则库，秒回；复杂、模糊的描述才动用大模型，成本高但覆盖广。第三层，信息抽取，用 spaCy 结合自定义实体，从文本里抠出日期、金额、产品型号这些关键字段。第四层，决策路由，根据意图和实体，决定是调用订单 API、物流 API，还是转人工（转人工的阈值我设得很低，对于“我要起诉你们”这种，立刻转）。整个流程跑下来，平均响应时间 1.5 秒，而原来人工客服平均要 12 秒才敲出第一个“亲”。
但搞完这个，我反而更焦虑了。我引以为傲的、花了几年时间搭建的那些基于规则和爬虫的自动化脚本，在这个能理解模糊语言的模型面前，突然显得笨重又脆弱。就像你苦练了十年弓箭，人家掏出了一把狙击枪。你得重新学瞄准镜怎么用，学弹道计算，学风速修正。以前我焦虑的是流量和 SEO 算法，现在焦虑的是 token 消耗成本和提示工程怎么写效果最好。技能焦虑这玩意儿，真是刻在骨子里了，只不过敌人换了一茬。
盯着监控面板上那些自动流淌的对话记录，一条接一条，冰冷但高效。我在想，如果真有了 VisionOS 那种沉浸界面，我大概会把整个数据流做成 3D 管道，看问题像彩色小球一样滚入不同的分类槽，看 API 调用的光芒在各个模块间闪烁。那是一种绝对的控制感。但此刻，我只有屏幕上这串不断刷新的日志，和一杯已经凉透的黑咖啡。身体是第一生产力，这话没错，但脑子要是跟不上，身体再好也只是个健康的电池。该去健身了，今天还得做三组硬拉。
