当前位置：首页 > news >正文

OpenClaw+千问3.5-9B客服原型：自动回答常见问题实践

news 2026/4/5 20:41:00

OpenClaw+千问3.5-9B客服原型：自动回答常见问题实践

1. 为什么选择这个技术组合

上个月我接手了一个朋友的小型电商项目，需要处理大量重复的客服咨询。人工回复效率低下，而市面上的SaaS客服系统要么太贵，要么无法定制回答逻辑。经过技术选型，我最终选择了OpenClaw+千问3.5-9B的组合方案。

这个方案的核心优势在于：

完全本地化：所有客户数据和问答记录都留在本地服务器
高度可定制：可以根据业务需求调整回答策略
成本可控：只需要基础的GPU资源就能运行

记得第一次测试时，系统成功识别了"退货政策"的三种不同问法，那一刻我就知道这个方向走对了。

2. 系统架构与核心组件

2.1 基础环境搭建

我使用了一台配备NVIDIA T4显卡的云服务器，这是整个系统的运行基础。安装过程出奇地顺利：

# 安装OpenClaw核心组件 curl -fsSL https://openclaw.ai/install.sh | bash openclaw onboard --install-daemon # 配置千问3.5-9B模型服务 docker run -d --gpus all -p 8000:8000 qwen3.5-9b:latest

关键配置点在~/.openclaw/openclaw.json中指定模型地址：

{ "models": { "providers": { "qwen-local": { "baseUrl": "http://localhost:8000/v1", "api": "openai-completions", "models": [ { "id": "qwen3.5-9b", "name": "Local Qwen", "contextWindow": 32768 } ] } } } }

2.2 知识库对接方案

我尝试了三种知识库存储方式：

纯文本文件：简单但难以维护
SQLite数据库：结构化但查询复杂
FAISS向量库：最终选择的方案，支持语义搜索

实际使用中，我将常见问题整理成Markdown文件，然后用Python脚本转换为向量：

from langchain.document_loaders import DirectoryLoader from langchain.embeddings import HuggingFaceEmbeddings from langchain.vectorstores import FAISS loader = DirectoryLoader('./kb', glob="**/*.md") docs = loader.load() embeddings = HuggingFaceEmbeddings(model_name="GanymedeNil/text2vec-large-chinese") db = FAISS.from_documents(docs, embeddings) db.save_local("faiss_index")

3. 核心业务流程实现

3.1 问题分类机制

系统首先会对用户问题进行意图识别。我设计了一个简单的三级分类体系：

产品咨询：规格、价格、库存等
订单问题：物流、支付、退换货
售后服务：保修、投诉、建议

分类提示词经过多次迭代，最终版本如下：

请将以下用户问题分类为[产品咨询|订单问题|售后服务]： 问题：{用户输入} 只需输出最匹配的类别标签，不要解释。

3.2 回答生成策略

根据分类结果，系统会采取不同的回答策略：

精确匹配：对于标准问题，直接从知识库返回预设答案
模糊匹配：使用向量相似度搜索最相关的3个答案，让模型总结
生成回答：对于复杂问题，由模型直接生成回答

实际运行中发现，混合策略效果最好。这是核心处理逻辑的代码片段：

def generate_response(query): # 第一步：意图识别 intent = classify_intent(query) # 第二步：知识库检索 if intent == "产品咨询": docs = db.similarity_search(query, k=1) if docs[0].score > 0.85: return docs[0].content # 第三步：模型生成 prompt = f"基于以下知识回答问题：\n{docs}\n\n问题：{query}" return model.generate(prompt)

4. 实际效果与优化过程

4.1 初期遇到的问题

第一个版本上线后，发现了几个典型问题：

过度生成：模型经常添加不必要的解释
答非所问：对相似问题的区分度不够
格式混乱：回答中混入Markdown符号

通过以下方法逐步解决了这些问题：

在提示词中明确要求"简洁回答"
为易混淆问题添加区分示例
在后处理环节清理回答格式

4.2 性能优化技巧

随着知识库扩大，响应时间从最初的5秒降到了1秒内，关键优化包括：

缓存机制：对高频问题缓存回答
批量处理：同时处理多个相似问题
模型量化：将模型从FP16转为INT8

最有效的优化是实现了问题预处理：

# 问题归一化处理 def normalize_question(text): text = re.sub(r"[^\w\s]", "", text) # 去标点 text = " ".join(jieba.cut(text)) # 分词 return text.lower() # 转小写

5. 部署与使用建议

5.1 系统集成方案

我将这个客服系统通过三种方式对外提供服务：

网页接口：简单的Flask前端
微信机器人：对接企业微信
邮件自动回复：监控特定邮箱

飞书集成的配置示例如下：

{ "channels": { "feishu": { "enabled": true, "appId": "your_app_id", "appSecret": "your_app_secret", "eventEncryptKey": "your_key", "verificationToken": "your_token" } } }