今天我将为大家分享如何搭建企业客服智能体。AI客服智能体的优势是什么？相较于传统客服，我们会询问客户的问题，他们会给出答案。例如，我们现在做电商的智能客服，希望客服更加智能。例如，我们希望用户在与客服交流时，可以采集客户的问题，了解用户的画像和具体情况。
传统客服只能提供简单问答，多人绘画可能会遇到问题，缺乏记忆功能。我们采用AI增强智能客服，可以首先理解上下文的情况，并通过知识库内容进行总结和提炼，提供更准确的问答。因此我们需要基于公司内部行业知识库进行客服，效果会更好。以前的客服无法分析用户的偏好，例如用户提过的历史问题和反馈，体验较差。我们使用智能客服后，可以记录用户的历史记录和偏好，提供更个性化的服务。
从搭建成本来看，我们之前部署第三方客服机器需要一定的部署成本和大量人力时间确定规则和关键词，并且需要手工定期维护知识库，容易导致知识库更新不及时，回复内容不准确。现在我们用扣子搭建智能客服非常简单，它本身具备知识库功能，可以进行定制化开发，并且可以在线自动更新知识库。它可以抓取网页内容并调整接口，及时同步，这是它的优势。
官方为搭建智能客服提供了一些模板。首先，基于cos搭建的智能客服助手。在用户提问时，我们开发了一个名为cos小助手的智能体系，通过意图识别分析相关用户问题。如果用户提问的是企业内较为专业化的问题，我们会调用专门的知识库，通过知识库提取文本，再由大模型总结归纳，最终输出效果会更好。若用户提问的不是行业知识库相关问题，我们需要调用大模型进行兜底回复。有些知识需要用到专业知识库，对于不是非常专业的问题，如果是大家都知道且公开的知识库都有的数据，我们可以调用大模型接口进行输出。这就是整个逻辑。
我们在这里需要进行一些FAQ的打标，用户提出问题时，我们需要记录用户常见的问题，以及哪些问题命中了我们的知识库。我们需要归纳用户提出的问题与AI的答复。我们可以制作一个表单进行汇总，例如我给大家看一个示例，这是我们搭建的智能客服助手。
我可以与他进行问答，例如我询问大家如何搭建扣子智能体。这是我搭建的专门工作流模板，他首先搜索知识库，然后进行相关系的检索。检索出的文档会被记录到多维表格中。我给大家看一下，这里有个问题收集表格。
首先，关于小助手的问答记录，我会使用飞书的多维表格记录。这是我之前提到的问题，例如cos是什么产品，什么是cos？我最新提到的是cos整体如何搭建。AI也给出了一个结果，这个结果参考了一些知识库相关的文档。大家可以看到机器人回复创建等内容。
原始问答回答，包括使用咨询已解决，它会自动采集到小助手问题记录中。这是我们用agent的强大之处，可以任意记录用户对话过程，统计到某个表格里。同时，我可以针对表格记录进行单独收集。
目前我只记录了智能助手的整个回答过程和数据。如果我想要关键数据，例如我询问了什么、回复了什么以及解决方案是什么，那么我还可以根据数据的更新情况，单独建立一个问题收集表格。
我建立了一个表格，如果这两条数据需要更新，那么可以直接插入数据。有了这个功能之后，我们可以采集数据并记录整体交互过程。对于中间环节，我们可以进行打标记，采集用户操作过程和习惯分析。在与整体交互过程中，我们需要采集逻辑。这与填表单相似，用户需要将表单里的数据采集和分析，以提供更好的用户体验。这是智能客服的使用场景。
大家可以基于整个扣子的智能客服模板，实现这个功能。首先它可以解决用户意图的问题，分类简单，包括使用咨询等多个分类，如需求提交、故障排查、已解决和未解决。不同问题采集的分类也不同。例如扣子工作流执行报错怎么办？我会询问他归属于哪一类。在提问不同问题时，可能是故障排查、需求提交或者使用查询。大家可以自己定义各种类别，解决状态时可以加入很多类别。
这里明显是故障排查，它可以自动对故障进行分类，针对你提出的问题自动归类。如果用户有问题，我们就可以进行各种采集和分类，这样才是真正意义上的智能客服。
以前我们需要采集数据，需要开发，因此需要编写程序收集并进行分类。现在有了智能体概念之后，我们可以实现智能化处理。这是我们整体的强大之处。大家使用扣子企业客服应用之后，我们可以实现类似功能。整个实现流程采用工作流模式。从整体上来说，它实际上是一个工作流。
从用户输入问题开始，他们会经历一些节点，例如意图识别，询问产品使用的问题还是非产品使用的问题。如果你使用的是扣子产品的问题，相当于你询问的是企业内部的问题，他们会专门改写并调用知识库。因为这属于行业知识，所以会用到知识库的逻辑。知识库是cos官方提供的文档，说明扣子有哪些功能和技术文档。他把知识库整理好后，我们直接用事例就能看到他的知识库。经过知识库体验出的文本，问题答案会更加清晰、专业。
我们需要使用异步函数构建用户的问题和回答。将结果写入多维表格，大家便可看到结果。在收到结果后，我会在多维表格中填写一条数据。另一个逻辑是，在写完数据后，为什么表格里又多了一条数据？稍后我将讲解一个飞书功能，名为机器人同步，它将利用机器人同步机制处理这个问题。
我将为大家同步数据，它可以将多维表格中的数据。例如我配置了一个数据表，包含用户问题和原始问答，用于记录监测字段的变更。拿到变更后，我会将机器人回复同步到表格里。这些都是我已经配置好的数据表，在选择数据表里进行配置。数据变更后，这里就开始新的数据，这是通过飞书的机器人助手实现的。这个功能并非智能体的功能，而是飞书具备机器人的能力所完成。这是我们在知识库搜索的流程。
如果你询问的不是飞书相关的问题，而是扣子相关的问题，那么你询问的是什么？关于其他问题，例如我们现在随便询问一个问题，我问他define工具的作用，你询问的不是cos，我观察他这里面还是会调用大模型的一些能力。这个数据不一定会去你咨询的是DF型的论点，那我只能回答扣子相关产品的问题。这时候他是调用大模型，这个数据仍然会采集进来。
例如，在回答问题时，他会采用大模型进行逻辑处理。他使用的是豆包的大模型，整个流程如果你提问的是cos相关问题，我就需要通过知识库改写问题并搜索。如果你提问的不是扣子问题，我就直接调用大模型完成。这里有一个工作流机制，其中有一个逻辑是意图识别，需要区分清楚产品问题和非产品问题。这个问题是死的，并且做了一个意图分类，明确哪些是专业问题，哪些是非专业问题，这个需要明确定义，称为问题分发。
我们需要搭建工作流的节点。它的流程是什么？首先我们需要有一个开始节点，即入口，我们在这里聊天相当于是一个路口。例如我提出一个问题，一旦敲回车，这个问题一开始就会进入到这里。我现在可以针对单个工作流进行演示。我向他提出一个问题，扣子如何使用记忆功能，我就问他一个问题，让大家观看工作流的运转。首先观察是否有一个流动，运行成功。大家看这个工作流正在运动，有个箭头和虚线，整个过程将这个线串联起来。因此这里是工作流的执行逻辑，大家看这个问题之后，他会进行处理和改写。
我询问的是扣子问题，他会调用知识库。因为我们使用的是官方模板，所以知识库已经配置完毕。例如扣子小助手的FAQ，官方已经帮助我们梳理了一些常用问题，包括一些文档。在检索时搜索知识库，大部分问题都存在，并且我们还可以针对查询问题进行改写，例如角色定义。因为搜索知识库时，问题不同，所以我们还需要修改问题。这是工作流的强大之处，它可以帮助我们处理各种流程。
首先是开始节点，然后是意图识别。意图识别需要区分现在提出的是专业问题还是非专业问题。如果是专业问题，接下来的流程就变成了先对查询提示词进行改写，使问题更加适合检索知识库。例如，在这里，他给出的问答是用户想了解扣子这款产品使用记忆功能的具体方法，重新描述cos的记忆体该如何使用，相当于做一个改写，让问题更加方便检索知识库。现在我要开始检索数据库了。
官方已经为你准备了知识库，包括在线文档、表格、在线word文档、markdown文档以及FAQ更新文档。官方已经整理了相关文档，你可以直接使用。我们执行到这里后会进行检索。
这里面采用rock技术进行智能检索。首先我会进行向量转换，例如用户输入提示词询问define，他如何知道是否匹配或者询问扣子工作流如何匹配。他会将这句提示词转换为to转换成向量，向量可以看作一个坐标，例如X坐标和Y坐标。现在我需要计算这个提示词与文档里的提示词的相似度，例如你提问的问题相关性如何匹配。
他计算两个点之间的坐标，例如现在有AB两个点，假设这个二维坐标，我会把一段文本转换成二维坐标，比如这个转换为34，实际中维度肯定不止这么多。如果使用ChatGPT模型，影贝利模型有1536个维度，这么多维度主要是为了更精准地识别文字的特性，即具体的维度，以便准确判断坐标之间的相似度。
计算两个坐标的相似度有两种方式。一种是余弦相似度，即两个点之间的夹角。如果接近于一，就意味着这两个文本相似。如果是0.1，差距就会比较大。另一种是欧式距离计算，即两个点之间的垂直距离，即点击，即欧式距离的直线距离。
这两个点距离很近意味着它们相邻的文本比较接近，因此他会帮你检索内容。以刚刚的例子为例，运行成功后会帮你搜索出一堆东西。有一个output list，这是检索出来的内容和输出结果。输出结果可以看到，我现在用知识库搜索了一堆扣子产品，记忆功能如何使用。这里提到记忆功能的文档有很多。我需要每个匹配一下，把最相近的排行，例如前5个结果，给你搜索出来。搜索出来后，我们希望什么呢？
例如，我们取第一个结果进行判断，最终总结为知识库的实践。代码节点是异步调用，这涉及到代码的逻辑。我们使用异步函数构建用户问题与回复，以提升效率。异步相当于处理，我们会使用拍摄函数帮助他做格式化和异步处理，主要是结构内容的输出。大家可以看到一些内容，例如机器人回复用户的问题，最终会帮助将其格式化，大模型会丢失一堆结果。我们只关心机器人的输出、AI的返回以及问题。我们在拿到这项技术之后为什么要将结果格式化？
最终我们将这些结果写入表格中，最关键的问题是用户问题与机器人答复。我们先拿到数据，再将相关联的数据写入。例如，时间肯定是用当前时间，包括原始问答、分类等。这些参数在前面的意图识别里进行了匹配，调用代码流程。
接下来，我们将使用一些插件，它是飞书多维表格的一个插件，用于记录数据。例如，为什么在聊天时会有多条记录？因为我们使用了这个插件，它非常强大，可以实现每次数据的写入功能。要使用这个插件，首先需要注册飞书应用，并开通并获取应用密钥和表格地址。大家需要进入飞书开发者后台，创建企业级应用，例如文档应用。点击应用后，会获取到APIK密钥等信息。
你拿到密钥后可以创建一个文档，将文档地址填入其中。APP token是表格地址，APPID和security是应用的key和密钥，大家需要将这些填入后进行保存。他们拿到结果后会在表格里写数据。例如我们需要配置文档权限，添加文档应用，需要将文档应用和飞书机器人助手两个应用关联进去，让应用可以操作文档。大家应该能理解，目前正常AI无法操作文档，需要配置好权限，之后有专门的插件帮助你写入文档。这个插件是一个配插件，可以让智能体调用并写入数据。
我们将处理其他问题。例如这只是一个简单的AI，它可以实现上传，无需检索数据库和知识库。你只需将其配置成普通节点，调用大模型即可。
首先使用扣子智能体客服模板创建一个应用，并开通多维表格应用权限。这个应用需要配置多维表格的权限。在配置好之后，大家可以在里面填写数据，并进行简单测试。这个模板可以复制，例如点击这里，大家可以直接复制。使用该模板相当于在飞书的个人文档库中新建一个文档，可以使用官方文档。
我们可以将其配置为文档应用，将之前开通的应用配置为文档应用，这样应用就具备操作文档的权限。
请大家再建立一个文档，即我刚才提到的问题收集表格。你将文档建好之后，我们可以配备一个飞书机器人助手。我刚才打开这个页面，在这个页面中，大家需要添加一个机器人指令，例如我们是多维表格跨数据同步的指令。新建这个指令之后，大家只需要将相关联的数据配置好即可。
当多维表格数据发生变更时，我会触发表格更新，即采集AI对话。返回后会首先进入多维表格数据中。数据更新后，我会建立一个机器人触发器，大家可以进行配置。在某些字段变更时，我会进行标记，例如是否添加为FAQ。如果满足条件，我就会在这个节点里加入数据。
数据来源是什么？例如，表格中的常见问题和解决方案是从哪里来的？在这里配置好的数据，常见问题对应的是多维表格里的用户问题，解决方案对应的是智能体回复，即AI的答复。配置完成后，一定要点击启用。
启用后，如果将数据标记为添加为FAQ，那么数据将写入飞书表格。这一步非常关键，必须启用。你可以测试并手动在表格中写入一条数据。例如我们随意写一个测试问题同步，大家可以关注同步过程中会有一些延迟，例如数据有时在上面，有时在下面，这都没有关系。我刚刚手动敲击的是上面，自动同步则在下面写。你可以测试同步是否生效。
接下来是创建知识库。如果你想要更改自己的知识库，可以登录扣子平台，然后添加知识库。我之前专门讲解过扣子知识库如何新增，如果大家对此不太清楚，可以听一下那一期的内容。
知识库其实很简单，你打开知识库，资源库里有一个知识库，大家可以在这里添加各种知识库。我之前已经添加了一些客服知识库。关于扣子小助手知识库，我使用飞书整个扣子模板和智能课模板时它会帮我自动创建。我之前上传了客服知识库，大家也可以上传自己的知识库。在工作流里面可以配置自己的知识库，例如我现在要把客服知识库加进来，你可以自己配置。Pm之后关联即可。
添加知识库有很多种方式。可以配置自动采集，从网站抓取数据或者其他操作。在配置知识库时，需要配置自动分段和清洗，按照自动规则执行即可。如果有特殊要求，例如换行，没有换行服务，使用分号换行，可以配置特定规则。
完成之后，大家可以处理并上传表格。这个知识库既支持文本、表格和图片，而且知识非常丰富。我们可以将其导入飞书知识库。上传文档之后，我们可以针对数据进行细化。这里用到智能体，大家可以直接打开模板。
这是官方提供的一个智能客服助手，我也是复制的这个助手。我给他讲的是我自己复制的，只是后面修改了一些工作流参数，例如密钥。因为你操作自己的文档，官方给的密钥是有问题的，所以你需要自己修改成应用密钥才能记录到多维表格里面。
这一步非常关键，大家必须进行官方复制，然后自行修改。因为全手动新增会比较麻烦，所以可以使用复制模板的方式，在原有基础上进行定制化，例如开场白、使用规则以及具体细节。这是我在一期优化智能体验课中为大家讲解的内容，大家可以参考之前的内容。
我们可以对工作理由进行调整，包括图标、描述和意图识别的逻辑，你都可以自行修改。这些都是定制化的，你想改成什么样就改成什么样。
工作理由可以自定义修改，官方仅提供了模板，你也可以添加节点。这里有很多逻辑，例如执行代码、变量循环以及调用插件。一个节点相当于功能、函数调用或者实现API调用。这些功能都可以自定义，大家可以自行添加。例如添加知识库或者进行其他优化。请大家记住多维表格的地址，即APP token。将API中的APPID和secret复制到应用中即可。
最关键的是必须发布工作流。如果不发布，那么他仍然无法使用之前的系统。官方发布后就可以使用自己的智能体。
我们最终的目标是分析用户的问题。我们需要对用户的问题进行分类，例如使用咨询和故障排查。我们需要对用户的提交进行分类，并且在采集数据时添加常见问题的，以便做出判断。如果是FAQ，那么我们将问题同步到这里，记录哪些问题用户询问的次数最多，并且记录使用次数。用户询问的次数有20次或者30次，次数越高说明这是高频问题。我们之后知道哪些问题应该重点更新维护。
由于用户众多，如果解决方案不够详细，体验将受到影响。因此，我们希望进行采集和记录，了解用户对问题的反馈情况。请大家查看同步结果，可以自行尝试。整个流程相对简单。现在，我们需要基于扣子搭建企业级智能客服。整体过程如下：首先，我们需要理解它的逻辑，优势在于可以自动提炼上下文细节，进行总结归纳，并记录用户习惯和偏好。这比传统客服更强大。为了实现这个流程，请仔细阅读图片。整个逻辑就是扣子智能提问时的流程。
首先，工作流需要进行用户意图识别，这样做的原因是有些用户可能提出专业问题，这些问题需要访问知识库，知识库内容会自动更新，并且我们需要对FAQ进行达标。当用户提出常见问题时，我们需要进行记录，甚至记录次数。这是记忆功能，我们需要将其记录。如果用户询问的是否是专业问题，那么直接调用大模型给出兜底回复即可。这在提示词里有定义，即专业知识，即调用知识库作为匹配，匹配完成后大模型进行回复总结。如果不是专业问题，就做兜底回复。大家务必理解整个实现流程。
实现流程包含几步。首先，创建飞书应用主要是为了获取后面多维表格的操作权限。因为需要使用具备操作文档的权限，才能将数据整合，所以必须开通权限，并且拥有知识库。
我们提到的是关于知识库的专业问题，你需要调用飞书的知识库。官方为我们提供了一些模板，如果你想建立自己的知识库，可以将其整理为word文档、PDF文档或者market down文档。网络管理完成后，将其上传到知识库。这个知识库可以上传文本、表格等各种格式。此外，我们还可以添加UIL进行数据采集，并按照要求分段清洗，以及支持其他内容的格式。
我们接下来使用官方智能体模板。之前只是准备工作，现在才是真正开发智能体。我们在此模板的基础上修改官方工作流。在这个过程中，我们需要配置意图识别问题、改写问题的逻辑以及调用大模型的逻辑。拿到结果后，我们还需要调用多维表格插入的应用调用API的逻辑。这里会用到一个插件，它负责记录文档。这个插件使用完毕后，大家需要将工作流发布，发布完成后我们可以进行测试，查看采集的用户问题数据是否能够进入表格。如果真的是FAQ问题，我们是否可以将这些数据采集到专门的表格里，这就是整个流程。