当前位置：首页 > news >正文

智能客服原型：OpenClaw接入Qwen3.5-9B处理电商常见问答

news 2026/3/26 5:05:47

智能客服原型：OpenClaw接入Qwen3.5-9B处理电商常见问答

1. 项目背景与动机

去年双十一期间，我帮朋友运营的电商小店临时充当客服，深刻体会到重复性问答对人工的消耗。90%的咨询都集中在"发货时间""退换货政策""商品规格"等固定问题上。这让我萌生了一个想法：能否用本地部署的AI搭建一个轻量级智能客服原型？

经过技术选型，我最终确定了OpenClaw+Qwen3.5-9B的组合方案。OpenClaw作为执行框架可以处理工单生成等操作，而Qwen3.5-9B则负责理解用户意图并生成回复。这个方案最大的优势是：

数据不出本地：客户隐私和商品信息无需上传第三方
成本可控：只需支付模型推理的Token费用
可扩展性：后续可轻松接入飞书等办公平台

2. 环境准备与模型部署

2.1 基础环境搭建

我选择在MacBook Pro（M1芯片，16GB内存）上进行原型验证。以下是关键步骤：

# 安装OpenClaw核心框架 curl -fsSL https://openclaw.ai/install.sh | bash # 验证安装 openclaw --version # 输出示例：openclaw/0.9.1 darwin-arm64 node-v18.16.0

安装过程中遇到的一个坑是Node.js版本冲突。解决方案是先卸载旧版本：

brew uninstall node@16 brew install node@22

2.2 Qwen3.5-9B模型接入

通过星图平台获取Qwen3.5-9B镜像后，需要修改OpenClaw的配置文件：

// ~/.openclaw/openclaw.json { "models": { "providers": { "qwen-local": { "baseUrl": "http://localhost:8080/v1", "apiKey": "sk-no-key-required", "api": "openai-completions", "models": [ { "id": "qwen3-9b", "name": "Qwen3.5-9B Local", "contextWindow": 32768 } ] } } } }

配置完成后需要重启网关服务：

openclaw gateway restart

3. 商品知识库构建

3.1 数据结构设计

为了让模型准确回答商品相关问题，我设计了一个简化的JSON知识库：

// products_kb.json { "products": [ { "id": "1001", "name": "无线蓝牙耳机", "specs": { "color": ["黑色", "白色"], "battery": "30小时续航", "weight": "45g" }, "shipping": { "time": "48小时内发货", "fee": "满99元包邮" }, "return_policy": "7天无理由退换" } ], "faqs": [ { "question": "什么时候发货？", "answer": "我们会在{{product.shipping.time}}完成发货" } ] }

这个结构支持模板变量替换，比如{{product.shipping.time}}会被动态替换为实际值。

3.2 知识库加载机制

通过OpenClaw的File Skill实现知识库读取：

// file_processor.js const fs = require('fs'); function loadProductKB() { try { const data = fs.readFileSync('./products_kb.json'); return JSON.parse(data); } catch (err) { console.error('知识库加载失败:', err); return null; } }

4. 意图识别与回复生成

4.1 提示词工程

经过多次调试，最终确定的提示词模板如下：

你是一个电商客服助手，请根据以下知识库回答问题： {{knowledge_base}} 当前用户问题：{{user_query}} 要求： 1. 如果问题涉及商品信息，从知识库提取准确数据回答 2. 如果问题不在知识库中，礼貌告知无法回答 3. 回答使用中文，保持友好专业

在实际代码中通过字符串替换动态生成最终提示。

4.2 对话处理流程

完整的对话处理逻辑如下：

def handle_customer_query(query): # 加载知识库 kb = load_product_kb() # 构造提示词 prompt = build_prompt(query, kb) # 调用Qwen模型 response = openclaw.models.generate( model="qwen3-9b", prompt=prompt, max_tokens=500 ) # 生成工单（如需人工介入） if "无法回答" in response: create_support_ticket(query) return response