運行fastGPT 第五步 配置FastGPT和上傳知識庫 打造AI客服

運行fastGPT 第五步 配置FastGPT和上傳知識庫 打造AI客服

根據上一步的步驟,已經調試了ONE API的接口,下面,我們就登陸fastGPT吧

http://xxx.xxx.xxx.xxx:3000/

這個就是你的fastGPT后臺地址,可以在configer文件中找到。
賬號是root,密碼默認是1234

在這里插入圖片描述
登錄了之后,可以新建一個工作流,這樣我們就可以調度GPT來幫我們回答問題了。

先去知識庫,創建一個通用知識庫。

上傳一些你的產品資料,產品的規格,價格,產品的特點,常見問題,操作,說明等相關的知識。

在這里插入圖片描述
注意,創建知識庫, 一定要用聰明一些的模型,來幫你構建向量數據庫。比如質譜的GLM -4 -PLUS最新的大模型,索引模型,可以選Embedding-3或者mbedding-2 ,這兩都是質譜提供的。 其實區別不大,對于客服問答這種簡單的應用。 索引模型區別好像不大。 具體可以自己感覺。

在這里插入圖片描述
你可以手動添加訓練數據集,這樣可以再插入內容。 注意左邊是問題, 右邊是答案。是問答模型。
問題一定要有產品型號,具體的所指,要簡短,不能是含糊的。 這個是引擎搜索時候的重要索引。不要追求1條知識過于全面,而是只針對1個點進行精要回復。 1個簡單問題,對應1個簡單的回答。 不要最求面面俱到,要的是1對1 的簡單關系。

這對后面搜索知識庫有極大好處。因為它只能搜指定的token數量,如果你的回答中無用內容占了 很多。那搜索出來的條目數量就很少。
在這里插入圖片描述
每條知識,需添加索引關鍵詞,這個是非常非常重要的。 決定了索引排序的排名。只有相關性靠前的,才能被抓到。 所以關鍵詞質量很高。建議先把所有知識自己分個類 ,然后再決定怎么配置。
在這里插入圖片描述
推薦的索引,要帶上型號標簽。 便于AI明白知識是哪個產品的。

電商客服 問答模型流程搭建

在這里插入圖片描述

調用前置AI分析問題 擴展問題 和拆解關鍵詞

客服模型推薦使用上面這種工作流,客戶進來之后,先有前置的AI進行問題的分析,和補全。 然后擴展客戶問題的關鍵詞。
這里,可以用一個推理能力強的前置AI,比如我用了質譜的GLM -4 -PLUS最新的大模型(可以按照上篇文章介紹的方法自己添加進去),堪比GPT-4o,前置問題分析,這個步驟最重要。 決定回答質量。
在這里插入圖片描述
這里是最為重要的,你要控制提示詞,來教會GPT,如何拆解客戶的問題,將客戶的問題補全,讓他知道你的產品分類,要把產品型號告訴GPT,這是它的基礎背景知識。相當于分診臺,分類器。 拿到這些,后面的知識庫才能檢索數據。 如果分類錯誤,那就連客戶的問題都讀不懂了。后面的AI沒發正確回答。

客戶的問題簡短,而且沒有主謂語,經常問出一些,不看上下文不知道說什么的問題。 你要詳細教會AI怎么去擴展,和補全客戶的問題。

比如客戶問:這個多少錢
前置AI補全問題 和擴展:這個KB6011檢測儀多少錢

然后再根據這個補全后的問題,擴展幾個關鍵詞
比如:
這個KB6011檢測儀多少錢
KB6011檢測儀價格
KB6011售價
KB6011的優惠

這些,都會丟到后面的知識數據庫里 去查詢。

去知識庫抓取知識

利用前面拆解的問題,和關鍵詞。到知識庫,按照向量知識庫匹配度,抓取一定的知識。 這個token量可以自己設置,一般要抓取個2500 token左右吧。 抓的知識越多,后面AI參考的越多。但是,會影響速度。 另外,后置的AI,能不能分析這么多token,要看它的限制。小模型只能看8k的 token。
在這里插入圖片描述
在這里插入圖片描述
注意,因為我們使用了前置AI進行手動問題優化和擴展。 知識庫里的這個自動的就不用開啟了。 否則會混亂。 而且這個知識庫自帶的問題優化,也不是很靠譜。它沒法控制提示詞。和問題優化的走向。

調用后置AI根據前面的知識,客戶問題,歷史記錄 來回答可以問題。

后置AI,我用的是質譜的小模型,GLM4-AirX,便宜。快速一般幾百ms,就能把問題回答了。 對于淘寶電商這種客服來說,在合適不過了。 沒有什么推理,就是簡單回復。

把前面獲得所有信息,丟給AI,讓它結合客戶問題,前置AI優化后的問題和關鍵詞,和知識庫,歷史記錄,等這幾個方面,綜合做出推理回答。

在這里插入圖片描述

約束AI回答走向的重要配置!!!

配置提示詞,這個是相當于你的客服的提示詞,整段回話的風格,客服的角色,和一些基礎的背景知識,都可以先給到它。 但是,這里并不決定如何使用知識庫里的知識。

最終的問答走向的控制,要點擊知識庫旁邊的小齒輪
在這里插入圖片描述
這個是核心中的核心。 所有最終的回答,都會根據這個里面的設置,決定回答的走向。
點進去之后,就會看到,你可以選擇一個模板,來配置你的回答風格。
一般問答型的知識庫,就選嚴格模式。 避免它胡編亂造。
在這里插入圖片描述
這樣,你可以在下面 “回答要求” 這個標簽下,自己添加一點內容。
1、比如限制GPT干啥,
2、怎么用知識庫,
3、要回答幾個問題(因為前面AI拆解問題后,會生成幾個近似的問題),你可以指定它回答幾個,或綜合客戶問題,找到最接近的回答等。
4、告訴它言簡意賅,不要超過150字,
5、怎么避免回復法律問題,不要過度承諾。等等。
你都可以在這里一行一行,添加給它。
6、如何區分產品型號
7、叮囑GPT看歷史記錄
8、叮囑他不要把不同標簽的知識搞混了,不同型號的產品知識,不要混在一起回答等。

總之,后置AI會嚴格按照這個法規,最終回答出滿意簡短的答案。 接近客服水平。

這里只講核心的配置邏輯。 具體的操作,需要自己摸索。

發布你的問答機器人吧,API可以接入你的其它軟件,比如AI客服軟件。或者以網頁形式直接問答。

在這里插入圖片描述

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/web/66417.shtml
繁體地址,請注明出處:http://hk.pswp.cn/web/66417.shtml
英文地址,請注明出處:http://en.pswp.cn/web/66417.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

第4章 Kafka核心API——Kafka客戶端操作

Kafka客戶端操作 一. 客戶端操作1. AdminClient API 一. 客戶端操作 1. AdminClient API

【王樹森搜索引擎技術】相關性02:評價指標(AUC、正逆序比、DCG)

相關性的評價指標 Pointwise評價指標:Area Under the Curve(AUC)Pairwise評價指標:正逆序比(Positive to Negative Ratio, PNR)Listwise評價指標:Discounted Cumulative Gain(DCG)用AUC和PNR作…

人物一致性訓練測評數據集

1.Pulid 訓練:由1.5M張從互聯網收集的高質量人類圖像組成,圖像標題由blip2自動生成。 測試:從互聯網上收集了一個多樣化的肖像測試集,該數據集涵蓋了多種膚色、年齡和性別,共計120張圖像,我們稱之為DivID-120,作為補充資源,還使用了最近開源的測試集Unsplash-50,包含…

Android 項目依賴沖突問題:Duplicate class found in modules

問題描述與處理處理 1、問題描述 plugins {id com.android.application }android {compileSdk 34defaultConfig {applicationId "com.my.dialog"minSdk 21targetSdk 34versionCode 1versionName "1.0"testInstrumentationRunner "androidx.test.run…

計算機網絡 | 什么是公網、私網、NAT?

關注:CodingTechWork 引言 計算機網絡是現代信息社會的基石,而網絡通信的順暢性和安全性依賴于有效的IP地址管理和網絡轉換機制。在網絡中,IP地址起到了標識設備和進行數據傳輸的核心作用。本文將詳細討論公網IP、私網IP以及NAT轉換等網絡技…

python+django+Nacos實現配置動態更新-集中管理配置(實現mysql配置動態讀取及動態更新)

一、docker-compose.yml 部署nacos服務 version: "3" services:mysql:container_name: mysql# 5.7image: mysql:5.7environment:# mysql root用戶密碼MYSQL_ROOT_PASSWORD: rootTZ: Asia/Shanghai# 初始化數據庫(后續的初始化sql會在這個庫執行)MYSQL_DATABASE: nac…

深度學習項目--基于LSTM的火災預測研究(pytorch實現)

🍨 本文為🔗365天深度學習訓練營 中的學習記錄博客🍖 原作者:K同學啊 前言 LSTM模型一直是一個很經典的模型,這個模型當然也很復雜,一般需要先學習RNN、GRU模型之后再學,GRU、LSTM的模型講解將…

基于 WEB 開發的汽車養護系統設計與實現

標題:基于 WEB 開發的汽車養護系統設計與實現 內容:1.摘要 本文介紹了基于 WEB 開發的汽車養護系統的設計與實現。文章首先闡述了系統的背景和目的,即隨著汽車保有量的增加,汽車養護需求日益增長,傳統的汽車養護方式已經無法滿足人們的需求&…

GitLab集成Jira

GitLab與Jira集成的兩種方式 GitLab 提供了兩種 Jira 集成,即Jira議題集成和Jira開發面板集成,可以配置一個或者兩個都配置。 具體集成步驟可以參考官方文檔Jira 議題集成(極狐GitLab文檔)和Jira 開發面板集成(極狐G…

【爬蟲】某某查cookie逆向

代碼僅供技術人員進行學習和研究使用,請勿將其用于非法用途或以任何方式竊取第三方數據。使用該代碼產生的所有風險均由用戶自行承擔,作者不對用戶因使用該代碼而造成的任何損失或損害承擔任何責任。 加密參數 加密參數主要是cookie,其中只有…

A5.Springboot-LLama3.2服務自動化構建(二)——Jenkins流水線構建配置初始化設置

下面我們接著上一篇文章《A4.Springboot-LLama3.2服務自動化構建(一)——構建docker鏡像配置》繼續往下分析,在自動化流水線構建過程當中的相關初始化設置和腳本編寫。 一、首先需要先安裝Jenkins 主部分請參考我前面寫的一篇文章《Jenkins持續集成與交付安裝配置》 二、…

如何設置HTTPS站點防御?

設置HTTPS站點防御涉及到多個層面的安全措施,包括但不限于配置Web服務器、應用安全頭信息、使用內容安全策略(CSP)、啟用HSTS和OCSP Stapling等。下面是一些關鍵的步驟來增強HTTPS網站的安全性: 1. 使用強加密協議和密鑰交換算法…

[Java]類和對象

1. 什么是類? 類(Class)是藍圖或者模板。它定義了對象的屬性和行為。 類就是一種抽象的模板,你可以通過它創建多個對象。類定義了對象的屬性(變量)和行為(方法)。我們可以把類理解…

win32匯編環境,窗口程序中基礎列表框的應用舉例

;運行效果 ;win32匯編環境,窗口程序中基礎列表框的應用舉例 ;比如在窗口程序中生成列表框,增加子項,刪除某項,取得指定項內容等 ;直接抄進RadAsm可編譯運行。重點部分加備注。 ;以下是ASM文件 ;>>>>>>>>>>>…

【機器學習實戰入門】使用LSTM機器學習預測股票價格

機器學習在股票價格預測中有重要的應用。在這個機器學習項目中,我們將討論如何預測股票的收益。這是一個非常復雜的任務,充滿了不確定性。我們將會把這個項目分成兩部分進行開發: 首先,我們將學習如何使用 LSTM 神經網絡預測股票…

【編程語言】C/C++語言常見標準和規范

C/C 是兩種功能強大且廣泛使用的編程語言。盡管它們沒有像 Java 那樣強制性的命名規則,但為了提高代碼的可讀性和可維護性,遵循一些普遍認同的編程規范和標準仍然是非常重要的。本文將探討 C/C 編程中的一些命名規范及標準,以幫助開發者編寫更…

使用C語言實現棧的插入、刪除和排序操作

棧是一種后進先出(LIFO, Last In First Out)的數據結構,這意味著最后插入的元素最先被刪除。在C語言中,我們可以通過數組或鏈表來實現棧。本文將使用數組來實現一個簡單的棧,并提供插入(push)、刪除(pop)以及排序(這里采用一種簡單的排序方法,例如冒泡排序)的操作示…

08、如何預防SQL注入

目錄 1、分析及其存在哪些危險 2、預防SQL注入 1、分析及其存在哪些危險 原理: SQL 注入是一種常見的網絡攻擊手段,攻擊者通過在用戶輸入中插入惡意的 SQL 語句,利用程序對用戶輸入處理不當的漏洞,使惡意 SQL 語句被數據庫服務器執行。 通常發生在應用程序將用戶輸入直接拼…

【爬蟲】使用 Scrapy 框架爬取豆瓣電影 Top 250 數據的完整教程

前言 在大數據和網絡爬蟲領域,Scrapy 是一個功能強大且廣泛使用的開源爬蟲框架。它能夠幫助我們快速地構建爬蟲項目,并高效地從各種網站中提取數據。在本篇文章中,我將帶大家從零開始使用 Scrapy 框架,構建一個簡單的爬蟲項目&am…

1.11 思維樹(Tree-of-Thoughts, ToT):續寫佳話

思維樹(Tree-of-Thoughts, ToT):續寫佳話 人工智能在推理和決策方面的突破,越來越依賴于模型能夠以更高效、更靈活的方式進行推理。與傳統的順序性推理方法不同,**思維樹(Tree-of-Thoughts,ToT)**提供了一種基于樹狀結構的推理方式,鼓勵模型從多個角度進行探索,并在…