企业官网建设流程全解析

5年写前端，3年开淘宝店，现在学AI大模型。

学到RAG的时候突然拍大腿，这不就是我当年开店最需要的东西吗？

先聊聊当年怎么被折磨的。

开淘宝店那3年被折磨的事

客服每天回答一模一样的问题：快递发啥、几天到、能退吗，说到怀疑人生。商品详情页一个品磨半天，卖点规格使用场景全靠自己一个字一个字敲。几百条差评翻来翻去看不出问题出在哪。退换货政策隔三差五变，新客服来了又要从头教。

能怎么办？招人呗。人多了成本上去了，效率没见涨。

后来接触到RAG，越学越觉得：这东西早五年出来，我至少能少操一半的心。

RAG到底干了啥

全称Retrieval-Augmented Generation，检索增强生成。

听着挺唬人，思路说白了就一句话：你把知识喂进去，模型先检索再回答。开卷考试，不是裸考。

你直接问ChatGPT"你家退货政策是什么"，它瞎编。为啥？上周刚改的政策它不知道，你店铺的沟通风格它没有，今天什么价什么库存它更查不到。

RAG就不一样了，知识是你自己喂的。模型只负责理解问题和组织语言，答案必须基于你给它的资料。

电商客服这块我打算怎么搞

脑子里大概分了几块，也是准备动手的顺序。

知识库：把老客服脑子里的东西掏出来

电商客服的知识散落在好几个地方，商品资料、售后政策、常见问题FAQ、历史好评差评。

这些资料格式五花八门，PDF政策文档、Excel商品表、Word话术模板、TXT聊天记录什么都有。

要做的就是把它们全部解析成统一格式，按语义切分成chunk（文本块）。切分这事有讲究，块太大检索精度低，容易混进不相关内容。块太小上下文丢了，回答断章取义。

看了一些资料，电商场景大概500到800字的chunk效果比较好。一段退货政策刚好一块，一个商品的完整介绍也差不多这个量。具体还得跑了才知道。

检索：两条路一起跑

用户来问问题，怎么找到对应的知识？

靠一种检索方式搞不定。

表格

一个懂意思，一个懂字面。

所以两条路并行跑，结果合在一起再做重排序（Reranking）。

召回求全，重排求准。准备用qwen-turbo做LLM重排，让模型判断哪些chunk跟用户问题真正相关，排出优先级。这块还没跑，但感觉这个思路应该没错。

Prompt：让模型说人话

检索到了知识，怎么生成回复？这块估计会踩坑。

直接把检索内容丢给模型，大概率会照搬原文。用户问"几天能到"，模型回一大段物流政策原文，体验肯定很差。

想了想，Prompt得这么设计：角色设定要有（你是XX店铺的客服小助手，语气亲切专业），约束要写死（基于参考资料回答，不要编造，不知道的要说"帮您确认一下"），回答格式定好（先给结论再补充细节）。

风格跟店铺调性走，我店里走的是"闺蜜聊天"风格，不是机器人腔。

大概长这样：

prompt = f"""你是{shop_name}的客服助手，风格亲切专业。 基于以下参考资料回答用户问题。 如果资料中没有相关信息，回复"这个问题我帮您确认一下，稍后回复您哦~"。 回答要简短，先说结论，再补充细节。 参考资料： {retrieved_context} 用户问题：{user_question} """

Streamlit搭界面

光跑通Pipeline不够，得有个能交互的界面。打算用Streamlit来搭，几十行代码应该能搞定。

左边是知识库管理，上传商品资料、政策文档。右边是模拟客服对话窗口。中间展示检索过程，命中的chunk、相似度分数、重排结果。

中间那栏我觉得挺重要的，让人看到模型不是瞎编的，每一句回答都能追溯到原始资料。这也是RAG对比纯LLM很大的一个优势，答案可溯源。

跟以前的关键词机器人完全不是一个东西

可能有人会觉得，这不就是智能客服吗？

以前的关键词客服，用户说"退货"就弹退货政策模板。就是关键词匹配加固定回复，没什么好说的。

RAG客服呢？用户说"收到的东西颜色跟图片差太多了，穿了一次才发现问题"。它能理解这是在问色差退换，检索到色差相关退换政策、7天无理由条款、运费说明，组织一个完整回复："亲，色差问题支持7天无理由退换哦，运费这边承担，您把订单号发我帮您登记~"

一个是查字典，一个是真的听懂了。

差评分析：顺便把运营也做了

同一个知识库，换个Prompt就能干别的。

比如把几百条差评丢给LLM，让它分析高频负面关键词、正负面情感比例、最需要改进的3个问题、具体改进建议。

理论上跑出来的结果应该比人工翻评论靠谱不少。以前运营花半天整理的差评报告，用这个几十秒可能就出结果了。

详情页文案也一样，挑几个爆款的好评文案当few-shot示例，让模型学那个调性批量生成。不一定完美，但改一改就能用，少说省5倍功夫。

为什么我觉得这事能成

以前觉得AI挺虚的，什么大模型什么Transformer，离实际经验太远。学完RAG之后发现，它就是把你的经验变成一套随时能用的系统。你当客服积累的应对话术、运营积累的商品理解、售后积累的政策规则，全部灌进去，变成一个"不会累、不会忘、不会情绪化"的超级客服。

当年开店要有这东西，客服那边至少能省不少事。

下一步

准备开始动手搭这个电商客服Demo，用Streamlit做界面，跑通整个Pipeline。后面还要完善电商场景的知识库模板（商品和SKU结构化模板），加上多轮对话记忆（用户追问"那运费呢"能接上上下文），把差评分析模块做成独立功能，最后开源到GitHub配完整教程。

做完发出来，代码加教程一起。