人容易带着情绪上班，我就用最新 RAG 实现了一个自动语义匹配、永远保持理性的客服。对着屏幕模拟了一个滑动的物理动作，把客户群里那些带着火药味的、语焉不详的、半夜三更发来的语音转文字，一股脑儿扔进了我昨晚刚调好的流程里。看着 n8n 节点一个个亮起绿色，最后在 Slack 频道里弹出那条语气平稳、逻辑清晰、甚至还带点安抚意味的回复，我靠在椅背上，感觉这十年兜兜转转，终于摸到了点“优雅”的边。
十年前，2016年，我处理客户情绪的方式是硬扛。那时候哪有什么 RAG，连个像样的中文分词库都难找。客户在微信上骂一句，我这边心跳能飙到一百二，然后手忙脚乱地去翻知识库文档，复制粘贴，祈祷对方能看懂。效率？不存在的。情绪劳动才是最大的成本，一天下来脑子是木的，胃是疼的。后来搞团队，指望着招人来分担，结果发现管理带来的情绪内耗是几何级数增长。你不仅要处理客户的情绪，还得处理员工的情绪、合伙人的情绪，最后你自己的情绪像个高压锅，随时要炸。那几年赚的钱，差不多都付了医药费和心理咨询费。
现在这个流程，核心就三块。第一块是摄入和清洗。微信、邮件、工单系统的消息通过 webhook 进到 n8n，语音的用 Whisper 转，图片里带字的用 OCR 扒，乱码和表情符号先过滤一轮。关键在这里：我加了个情绪极性分析的轻量级模型跑一遍，不是为了让 AI 共情，恰恰相反，是为了把“愤怒”、“焦虑”、“催促”这些情绪标签打上，然后从原始query里剥离掉。剥离不是删除，是存档。剩下的才是相对干净的“事实描述”和“核心诉求”。这一步太重要了，人脑很难做到，我们总会下意识地被对方的语气带跑偏。
第二块才是 RAG 的戏肉。我用的不是简单的向量检索。光靠 embedding 相似度，经常匹配出一些似是而非的废话。我搞了个混合检索层。先走关键词快速筛，用的是老手艺，TF-IDF 加上一些业务词表，把知识库（现在是一堆不断更新的 Notion 页面和 API 文档）里可能相关的文档圈出来。再用 Cohere 的 embed 模型做稠密向量检索，在圈定的范围里找语义最接近的。这还没完，最后加了个重排序模型，对 Top 10 的结果再做一次精细打分，考虑句法结构、实体匹配度（比如客户说的“那个后台按钮”到底对应我们系统的哪个具体 UI 元素）。这个匹配逻辑调了得有两个月，光标注 bad case 就看了几千条，才把“充值没到账”和“显示支付成功但余额未更新”这种人类一眼觉得是一回事、但机器容易搞岔的情况给掰扯明白。
第三块是生成和校准。匹配到的文档片段，连同剥离情绪后的原始 query，一起塞给 GPT-4。系统指令写得极其“冷酷”：你是一个客服 AI，禁止使用“我理解您的心情”这种空话。必须基于提供的文档片段，用分点或步骤的形式给出解决方案。如果文档信息不足，明确列出缺失的信息点，并引导用户提供。然后，生成回复后会过一个“毒性检测”和“事实一致性校验”，确保不会胡说八道或者突然发疯。最后，那条冷静到近乎性冷淡的回复，会带着情绪标签和匹配到的文档来源链接，一起抛回给真人客服（或者直接发给客户）。真人要做的，就是点一下“发送”，或者在最坏的情况下，介入一下。
这玩意儿永远准时，永远理性。它不会因为昨晚没睡好就对客户不耐烦，不会因为对方是个难缠的大客户就过度承诺，更不会因为问题重复了一百遍而心生怨念。它把情绪从服务流程里抽离了出来，变成了一个可观察、可分析的客观对象。而我，从那个被情绪淹没的客服、管理者，变成了站在岸上设计河道的人。
十年前我焦虑的是流量和技能，五年前我焦虑的是管理和交付，两年前我焦虑的是会不会被 AI 取代。现在，我焦虑的是怎么把这套理性的框架，封装得再傻瓜一点，让那些还在用“亲”、“您好”和熬夜硬扛的兄弟们，也能滑一下鼠标，就把情绪的重负卸下来。技术终究是工具，但工具用对了地方，它解放的不仅仅是时间，更是你那颗随时准备炸裂的、属于人的心。
