既然不想被情绪内耗，我就用最新 RAG 做了一个永远准时的客服。今天下午三点，一个老客户在群里@我，问一个关于 n8n 工作流里 OpenAI 函数调用传参格式的问题。搁两年前，我肯定秒回，然后陷入长达半小时的“手把手”教学，最后对方可能还觉得我没讲清楚。现在？我直接把问题复制粘贴进我自己搭的客服系统，三秒后，一段带着具体代码示例、参数说明和常见错误排查的回复就生成了，我检查了一下，复制，发送。整个过程不到十秒，客户满意，我情绪毫无波动。
这种平静，是用过去三年无数次深夜调试和交付泥潭换来的。2019年那会儿，我带着三个人做外包，最大的噩梦就是客服。客户不分昼夜地提问，从“这个按钮怎么点不了”到“你们这个逻辑是不是有问题”，每一个问题都是一次情绪抽水。团队里的小孩要么回复太慢被投诉，要么回复错了背锅，最后全堆到我这儿。我成了那个24小时在线的救火队长，身体垮了，脾气爆了，赚的那点钱全交医院和按摩店了。那时候我就发誓，一定要把这部分最消耗人的“情绪劳动”给自动化掉，但当时的技术栈，顶多做个关键词匹配的问答库，稍微复杂点的问题就抓瞎，还得人上。
真正的转机是 RAG 技术栈的成熟，尤其是去年以来，向量数据库、嵌入模型、重排序这些组件都平民化了。我用的方案不复杂但有效：用 FastAPI 搭了个后端，前端就是个极简的输入框。核心流程是，用户问题进来，先用一个轻量级的意图分类模型（我微调了 BGE 的一个小模型）判断是不是需要查知识库，如果是，就走 RAG 管道。知识库是我过去几年积累的所有文档、聊天记录、代码片段，用 Unstructured 库预处理后，切成大小不等的块，用 text-embedding-3-small 做成向量，塞进 Qdrant。检索环节我下了狠功夫，不是简单做余弦相似度。我先用查询扩展，拿原始问题让 GPT-4 生成三个相关的变体问题，四个问题一起去做向量检索，召回 top 20 的片段。这还没完，再用一个交叉编码器（cross-encoder）对这20个片段做精排，选出相关性最高的3-5个。最后，把这几个片段和原始问题一起，构造一个严格的提示词，扔给 GPT-4-turbo 生成最终答案。提示词里我锁死了：“仅基于提供的上下文信息回答，如果信息不足，直接说‘根据现有资料无法确认’，严禁编造。”
这里面的魔鬼细节太多了。比如分块策略，一开始我用固定的 512 个 token 长度，结果经常把一段完整操作步骤拦腰切断，检索出来的片段前言不搭后语。后来改用了基于语义的分割，优先在句号、段落结束处切，并且允许少量重叠，效果立竿见影。再比如重排序模型，直接用开源的 bge-reranker-large，虽然推理慢点，但准确率比单纯看向量距离高出一个档次，这点延迟在客服场景里完全可接受。最难搞的是拒答，就是当知识库里真的没有答案时，不能让 AI 胡说。我设置了两道防线：一是检索出的片段，经过重排序后，如果最高分低于一个阈值，直接触发“无法回答”；二是在给 GPT 的指令里反复强调，并且让它在生成答案后，自我评估一下答案在上下文中是否有明确依据。
这个系统跑起来之后，我算了一笔账。它帮我拦截了大概70%的重复性、事实性咨询。剩下的30%，要么是特别复杂的定制化需求（这本来就是该收费的），要么是知识库真的没有覆盖到的盲区（这正好提示我该补充哪些文档）。我的时间被解放出来，去研究更前沿的 AI 智能体工作流设计，去写更深的教程。更重要的是，我的情绪账户不再被这些琐碎问题持续扣款。我不再需要因为一个重复了十遍的问题而烦躁，也不再需要因为半夜被吵醒而充满怨气。API 不会累，不会情绪化，不会请假，它就在那里，永远以相同的标准、相同的速度提供服务。
这就是超级个体的尊严。尊严不是来自于你能多快回复消息，而是来自于你有多大的能力，把那些消耗你的、低价值的重复劳动，封装成一段沉默但精准运行的代码。你不再是人肉客服，你是系统的设计者和守护者。当客户得到秒回且准确的答案时，他们不会知道背后是 RAG 管道在高速运转，他们只会觉得你专业、可靠。而这种“可靠”的印象，才是个人 IP 最坚实的底座。情绪内耗是效率的黑洞，而技术，是填平这个黑洞最硬的砂石。
