既然不想招客服，我就写了个“自进化”回复机器人。这玩意儿听起来像科幻，其实就是个带反馈回路的爬虫加规则引擎，再套上GPT的皮。今天端午，外面全是饭局邀约，微信响个不停，我全推了。38岁，代谢明显慢了，昨晚多吃半碗饭，今早体脂秤数字就往上跳，比股市反应还快。自律是通往自由的唯一入场券，这话现在信了，年轻时觉得是鸡汤。
推掉所有局，把自己关在书房。目标很明确：把那个半死不活的客服系统彻底干掉。去年招过两个兼职客服，管理成本高得吓人，回复模板僵化，用户一问复杂点就转人工，转来转去最后还是我处理。这哪是解放生产力，是给自己上了两道枷锁。现在有GPT-4 API了，不能再这么蠢下去。
“自进化”的核心逻辑是让机器自己从成功对话里学。我拆了三层。第一层，传统规则匹配，用正则和关键词抓高频、确定性问题，比如“发货时间”、“退货流程”。这部分稳定，但天花板低。第二层，GPT直接生成，处理开放性问题。但光这样不行，成本高，回复质量还不稳定，有时胡说八道。关键在第三层：反馈与沉淀。每次GPT生成回复后，系统会多等一步，如果用户接下来没有再追问（或者给了正面反馈如“谢谢”），这次问答对就会被自动抓取、清洗，然后作为一个高质量样本，沉淀到第一层的规则库或者一个“优质答案向量库”里。
技术细节上，爬虫部分要处理DOM树动态加载，用Playwright比Selenium稳一点。反馈回路用n8n搭了个简易工作流，监控对话结束状态。最难的是样本清洗，怎么判断一次对话是“成功”的？不能光看用户没说“不对”，得结合对话轮次长度、用户最后发言的情绪（用简单的情感分析API），甚至用户后续是否有退款投诉行为（从电商后台拉数据）。这部分的规则我调了一下午，阈值设高了学不到东西，设低了会把垃圾对话也收进来，污染知识库。
搞到晚上九点，初步跑通了。测试了几十个历史客服对话，系统自动抓出了七个可以固化的新问答对，比如关于“产品A和产品B具体材质区别”这种以前需要我亲自回的长问题。看着那些自动生成的规则条目，有点感慨。2021年那会儿，我还在吭哧吭哧写微信小程序，用Axure画原型，觉得掌握了这些工具就能横着走。ChatGPT一来，全成了玩具。现在不是会不会用AI的问题，是能不能用AI构建自动造血系统的问题。技能恐慌没停过，只是换了个战场。
饿得不行，冰箱里拿了份鸡胸肉沙拉。嚼着菜叶子，想起白天推掉的酒肉饭局。不是不想去，是身体和精力真的分配不过来了。管理团队那两年，应酬多，体重飙了二十斤，整天乏得跟电池漏电一样。现在回归超级个体，时间回来了，但健康的债得一点点还。体能管理成了和写代码一样的日常任务。或许这就是中年人的真实状态：面前永远有个需要攻克的问题，或是技术上的，或是身体上的。没有一劳永逸，只有持续迭代。就像这个“自进化”机器人，我也得不断给自己打补丁，在代码和沙拉之间，寻找那点可怜的自由度。
