联通AI智能客服开发实战：从零搭建到生产环境部署避坑指南-平芜编程栈

背景痛点：企业级智能客服到底难在哪

去年公司决定把 10086 文本客服搬到线上，领导一句“用联通 AI 智能客服，两周上线”，我们组差点集体原地爆炸。真正动手才发现，企业级场景跟 Demo 完全两码事：

会话持久化：用户说“帮我查套餐”，5 分钟后再回一句“那流量呢？”——这两句必须能串起来，否则体验直接翻车。
Intent Detection/意图识别：联通业务实体太多，“宽带新装”“宽带续费”“宽带移机”字面只差两个字，模型一个打盹就给你整成“新装”，后续流程全错。
多轮对话管理：套餐查询要鉴权、查余额、选档位，3 轮以上就涉及槽位填充、回退、重填，状态机一乱，用户直接转人工，前面算力全白花。

一句话：高并发、高可用、高准确率，一个都不能少。

技术对比：Rasa、Dialogflow 与联通 AI 平台

选型阶段我们把三个主流方案拉到一起跑分，维度简单粗暴：中文效果、RT（Response Time）、定制成本。

维度	Rasa 3.x	Dialogflow ES	联通 AI 平台
中文分词	需自插 Jieba，歧义高	英文模型迁移，准确率 82%	内置电信语料，准确率 93%
平均 RT	180 ms	450 ms（北京 VPC）	120 ms（同域）
定制成本	训练数据+GPU，人日 15	按调用收费，0.006$/次	政企打包，100W 次/月
运维复杂度	自己搭 K8s	全托管	联通侧托管，只接 SDK

结论：ToB 场景、对中文要求高、又想省运维，联通 AI 平台最香；Rasa 留给有算法团队且想深度调参的大厂；Dialogflow 做海外业务再考虑。

系统架构与交互流程

先放一张总览图，后面代码都能在这里找到对应节点。

graph TD A[用户微信] -->|HTTPS| B[API-Gateway] B -->|JWT 转发| C[Dialog-Service:8082] C -->|OAuth2| D[LianTong-AI-SDK] C <-->|Redis| E[Context-Store] C -->|Async| F[Log-Kafka] G[敏感词服务] -.-> C

核心实现一：Spring Boot 整合联通 AI SDK

下面这段是dialog-service的启动类，亮点在 OAuth2 自动刷新——access_token 有效期 2h，SDK 里如果返回 401，框架会自动拿 refresh_token 换新的，业务线程无感。

/** * 联通 AI SDK 配置类 * 遵循 Alibaba 代码规约：类名 Upper【U】，常量全大写 */ @Configuration @EnableConfigurationProperties(LianTongProperties.class) public class LianTongConfig { @Bean public LianTongClient lianTongClient(LianTongProperties prop) { return LianTongClientBuilder.create() .appId(prop.getAppId()) .appSecret(prop.getAppSecret()) .oauthUrl(prop.getOauthUrl()) .nluUrl(prop.getNluUrl()) .build(); } }

调用示例：

/** * 意图识别入口 * @param text 用户原文 * @return 意图编码 */ public String detectIntent(String text) { NluRequest req = NluRequest.of(text); // 同步阻塞 RT<150ms NluResponse resp = client.nlu(req); return resp.getTopIntent().getCode(); }

核心实现二：Redis 对话上下文存储

多轮场景下，把DialogContext整个对象塞进 Redis，key=session:{userId}，TTL 15 分钟，用户 15 分钟不说话就自动清理，省内存。

@Configuration public class RedisConfig { @Bean public RedisTemplate<String, DialogContext> contextRedisTemplate(RedisConnectionFactory f) { RedisTemplate<String, DialogContext> t = new RedisTemplate<>(); t.setConnectionFactory(f); Jackson2JsonRedisSerializer<DialogContext> ser = new Jackson2JsonRedisSerializer<>(DialogContext.class); t.setValueSerializer(ser); t.setKeySerializer(RedisSerializer.string()); return t; } }

存储工具类：

public void save(String userId, DialogContext ctx) { redisTemplate.opsForValue().set("session:" + userId, ctx, Duration.ofMinutes(15)); }

性能优化：压测 + 熔断

用 Apache Benchmark 模拟 200 并发，持续 30s：

ab -p body.json -T application/json -c 200 -t 30 http://gateway/dialog/route

结果：QPS 3.2k，P99 280 ms，CPU 68%，满足上线要求。

熔断策略：联通 AI 的 SLA 承诺 99.9%，但偶尔抖到 1s+，我们加 Sentinel：

spring: cloud: sentinel: rules: - resource: nlu grade: RT count: 300 # 300ms 以上视为异常 timeWindow: 10

触发后自动降级到本地缓存意图，保证核心链路可用。

避坑指南：中文分词、敏感词、日志延迟

中文分词歧义：用户说“我想开宽带”，模型切成“开/宽带”，业务码表要的是“开通/宽带”。解决：在postProcess里加电信同义词映射表，把“开”→“开通”，准确率提升 4%。
敏感词过滤：客服场景必须秒级过滤，DFA（Deterministic Finite Automaton）算法最快。核心代码 50 行，构建一次仅 30ms，匹配 O(n)。

public class SensitiveFilter { private final WordNode root = new WordNode(); public void loadWord(List<String> words) { ... } public boolean contains(String text) { ... } }