基于LLM的客服智能体实现：从架构设计到生产环境部署-平芜编程栈

背景痛点：规则引擎为何扛不住“十万个为什么”

传统客服系统普遍采用“正则+关键词+决策树”三板斧，在固定 FAQ 场景下表现尚可，一旦遇到长尾问题立刻露馅：

意图泛化能力弱：用户把“我订单卡住了”换成“物流不动弹”，规则库就匹配不到。
多轮对话维护困难：状态变量散落在数百个 if-else 里，稍一改动就牵一发动全身。
知识更新慢：新活动规则上线，需要业务、产品、开发、测试四面会审，平均 3～5 天才能发版。

结果同样是 1000 并发，传统方案 CPU 飙到 90%，平均响应 2.3 s，用户直接暴走。

技术选型：RAG 与 Fine-tuning 并非二选一

维度	RAG（检索增强生成）	Fine-tuning（微调）
数据新鲜度	小时级更新	需重新训练+回滚
长尾知识	依赖检索质量	可内化到参数
幻觉风险	高（检索不到就编）	中（见过就能答）
成本	低（只训 Embedding）	高（GPU+数据标注）

最终采用“混合架构”：

高频标准问 → Fine-tuned 小模型（1.3 B）兜底，P99 延迟 < 200 ms。
长尾/活动问 → RAG 分支，实时拉取企业 Wiki，召回 Top5 后重排序。
两路结果做 Ensemble，置信度>0.85 直接返回答案，否则转人工。

核心实现：LangChain 状态机 + 异步缓存

1. 对话状态机设计

状态节点仅保留“业务语义”，不存储大段文本，减少序列化压力。

from enum import Enum, auto from typing import Dict, Optional class State(Enum): INIT = auto() # 刚接入 AWAIT_ORDER = auto() # 待提供订单号 AWAIT_ADDR = auto() # 待提供地址 ANSWER = auto() # 已给出答案 ESCALATE = auto() # 转人工 TRANSITIONS = { State.INIT: {"provide_order": State.AWAIT_ORDER, "greet": State.ANSWER}, State.AWAIT_ORDER: {"provide_order": State.ANSWER, "missing": State.ESCALATE}, State.AWAIT_ADDR: {"provide_addr": State.ANSWER, "missing": State.ESCALATE}, State.ANSWER: {"thanks": State.INIT, "new_question": State.INIT}, State.ESCALATE: {} # 终点 }

2. 上下文缓存：Redis + LRU 双保险

key 格式cs:{session_id}，value 使用 MessagePack 压缩。
本地维护 10 k 容量的 LRU 字典，命中失败再回 Redis，降低 35% 网络 IO。

import aioredis, msgpack, time from cachetools import LRU local_cache = LRU(maxsize=10_000) async def get_context(sid: str) -> list: # 本地 LRU 命中 if sid in local_cache: return local_cache[sid] # 回源 Redis redis = aioredis.from_url("redis://cluster") raw = await redis.get(f"cs:{sid}") if raw: data = msgpack.unpackb(raw) local_cache[sid] = data return data return [] # 无历史 async def set_context(sid: str, messages: list, ttl: int = 1800): packed = msgpack.packb(messages) local_cache[sid] = messages redis = aioredis.from_url("redis://cluster") await redis.set(f"cs:{sid}", packed, ex=ttl)

3. 异步对话入口（含异常兜底）

import asyncio, uuid, time from langchain.llms import AsyncOpenAI from langchain.chains import ConversationalRetrievalChain llm_chat = AsyncOpenAI(model="ft:gpt-3.5-turbo", max_tokens=512) retriever = build_rag_retriever() # 自定义 ES+Embedding async def chat(request: dict) -> dict: """ 入口函数，返回 JSON 给前端。 1. 生成/复用 session_id 2. 加载上下文 → 构造 StateMachine 3. 路由到 FT 或 RAG 4. 更新上下文并回写 """ sid = request.get("session_id") or uuid.uuid4().hex try: hist = await get_context(sid) state = hist[-1].get("state", State.INIT) if hist else State.INIT user_utt = request["text"] # 简单意图分诊 if quick_intent(user_utt) == "long_tail": chain = ConversationalRetrievalChain.from_llm(llm_chat, retriever) answer = await chain.acall({"question": user_utt, "chat_history": hist}) bot_utt = answer["answer"] else: # 走微调模型 prompt = concat_prompt(hist, user_utt) bot_utt = await llm_chat.agenerate([prompt]) # 状态转移 new_state = TRANSITIONS[state].get(parse_action(user_utt), State.ESCALATE) hist.append({"role": "user", "content": user_utt, "state": state}) hist.append({"role": "bot", "content": bot_utt, "state": new_state}) await set_context(sid, hist) return {"session_id": sid, "answer": bot_utt, "state": new_state.name} except Exception as e: # 限流、超时、幻觉等统一降级 return {"session_id": sid, "answer": "系统繁忙，正在为您转接人工客服...", "state": State.ESCALATE.name}

生产考量：压测、敏感词与脱敏

1. 压测数据（AWS c7g.xlarge，4 vCPU，8 G）

并发	平均延迟	P99 延迟	CPU	备注
50	180 ms	320 ms	42%	全走微调
200	260 ms	510 ms	78%	30% 走 RAG
300	430 ms	1.2 s	95%	触发限流

目标 200 TPS 时，单实例可抗，留 30% 缓冲；超过 300 TPS 时 HPA 自动扩容。

2. 敏感词过滤

采用开源 DFA+拼音+拆字三表合一，2 ms 内完成 8 k 词库扫描。
命中后不做直接拒绝，而是把敏感片段替换为*，继续送模型，防止“误杀”导致投诉。

3. 数据脱敏

正则抽取手机号、身份证、银行卡，统一替换为掩码，再写日志：

import re mask_rules = { r"1[3-9]\d{9}": "mobile", r"\d{6}(19|20)\d{8}": "idcard" } def desensitize(text: str) -> str: for pattern, label in mask_rules.items(): text = re.sub(pattern, lambda m: f"[{label}]", text) return text