搭建智能 RAG 客服系统主要包括以下方面：
旁白：一路千辛万苦，终于要真正了解RAG的全貌了，好激动前面的开胃菜已经完毕，这里我们进入正餐，先上一张图注：这张图引用自：https://mp.weixin.qq.com/s/37tKVQbxenVVBAeMZ334aQ公众号：AI花果山一位RAG大佬，正在编写一系列教程《RAG高效应用指南》这张图将会是我们本章的知识地图，看到这么多的概念，不要慌，我们先整体理解下RAG。自顶向下，RAG的流程分为离线数据处理和在线检索两个过程。我们前面讲到，知识库是RAG的“活字典”，可以让AI随时进行查阅。而离线数据处理的目的就是为了构建出这本“活字典”。经过离线数据后，知识则会按照某种格式以及排列方式存储在知识库中，等待被使用。而在线检索则是我们使用利用知识库+大模型进行查询的过程。在学习一门新知识的时候，是什么与为什么同等重要是什么让你知其然为什么让你知其所以然接下来我们就以RAG最经典的应用场景《构建智能问答客服》来了解RAG所有流程中的What与Why
AI客服vs.人工客服：优劣势对比要想高效解决用户问题，客服系统必须具备一个结构清晰、全面的FAQ库。例如，在订票平台中，基于用户的账号信息或购票路径，提前呈现用户可能遇到的问题及对应解答，这比等待用户逐一选择问题更为高效。FAQ库不仅需要覆盖常见问题，还应根据实际场景进行动态更新，确保系统的响应能力。下面列举订票平台搭建FAQ的几种视角（内容不全，抛砖引玉）原文可以参考：https://www.woshipm.com/ai/6131879.html回顾一下我们昨天的工作流：您的商城有顾客来购买冰箱，下面是一个常规流程：1.前台会询问顾客希望购买什么，并将顾客带到商店售卖冰箱区域，并有对应商品导购来服务。2.导购向顾客询问想要什么样的冰箱，以及相关预算。3.导购根据信息将合适的冰箱推荐给顾客，并促成购买。类似的，您可以通过百炼的Assistant API构建一个Multi-Agent架构的大模型应用，实现与用户主动提问，搜集必要信息的智能导购。[heading3]企业客户实践案例[heading3]内部业务助手[content]通过企业内部规章制度、部门结构、产品介绍等文档构建知识库，并借助RAG智能体实现内部知识问答功能。系统支持多源异构数据，并通过复杂文档解析和视觉增强技术，提升文档理解的准确性与深度。目前该功能已灰度上线，需提供UID并通过白名单进行开启。阿里云内部产品助手：
首先我们需要把提示词更换为处理”指代消解“的专用提示词，紧接着，我们尝试提问“它对埃及的贡献是什么？”经过指代消解的处理，原先的问题“它对埃及的贡献是什么？”已经转换为更加明确的询问：“尼罗河对埃及的贡献是什么？”随着代词的消失，问题变得具体而清晰，显示出指代消解过程取得了成功。现在，让我们将这个经过优化的问题带入到接下来的对话环节中，以便模型能够准确召回对应知识片段。步骤3：使用指代消解后的问题进行提问：在问题被更换成“尼罗河对埃及的贡献是什么？”后，系统准确的召回了相关的知识片段，并对此进行了答复。至此，”指代消解“的流程演示完毕。客观来看，“指代消解”是利用RAG架构构建智能问答系统时面临的关键挑战之一，特别是在多轮对话的应用场景中尤为突出（毕竟，哪个真实的应用场景不是由一系列多轮对话构成的呢？）。然而，目前采用Prompt方法来解决指代消解问题，要求模型在生成回复之前，首先对问题进行深入的解析和推理。基于这一推理结果，才能继续提出问题。这种做法无疑增加了计算资源的消耗和系统的响应延迟。因此，在处理这类问题时，我们必须全面权衡推理负荷、Token消耗和问答的准确性等多个因素，以便根据具体的应用环境和需求，做出合理的技术选择和应用策略。