随笔分类 -  大模型开发

上一页 1 2 3 4 5 6 ··· 9 下一页
智能销售助手设计--痛点难点
摘要：目录定位产品设计问题：不同的用户的顾虑点（Objection ），需用用不同的内容回答情况 A：Objection = RISK情况 B：Objection = FIT情况 C：Objection = VALUE如何识别Objection识别Objection技术方案 规则系统（Rule Engin 阅读全文
posted @ 2025-12-13 21:22 向着朝阳 阅读(3) 评论(0) 推荐(0)
跨境独立站销售助手产品背景
摘要：目录国内运营的痛点一、先纠正一个核心认知误区二、真实的用户交互链路（从买家到国内卖家）❓1. 跨境电商买家不在亚马逊，如何和国内卖家交互？标准链路（真实发生）三、为什么一定会涉及 WhatsApp / Facebook？❓2. 做智能销售助手，为什么要跟 Facebook / WhatsApp 通讯 阅读全文
posted @ 2025-12-13 19:42 向着朝阳 阅读(8) 评论(0) 推荐(0)
销售智能体风格转换
摘要：目录风格差异示例一、风格差异 1：文本长度（Long vs Short）1. 长文本风格（解释型）2. 短文本风格（行动型）二、风格差异 2：语种（中英文）中文风格英文风格三、风格差异 3：专业术语（专业 vs 生活化）专业术语风格（Expert Mode）简化生活化风格（Casual Mode）四 阅读全文
posted @ 2025-12-13 05:45 向着朝阳 阅读(5) 评论(0) 推荐(0)
销售机器人信息提取
摘要：目录一、核心目标回顾二、信息提取总表（14 大类）1. 购买意图强度（Purchase Intent Level）2. 购买时间窗口（Purchase Time Window）3. 用户预算（Price Range / Budget）4. 用户偏好的规格（Product Specifications 阅读全文
posted @ 2025-12-13 05:26 向着朝阳 阅读(5) 评论(0) 推荐(0)
FSM销售机器人架构图
摘要：目录结论先说：一、完整对比图：传统架构 vs FSM 架构1. 传统客服 Agent 架构（以工具调用为中心）2. 基于 FSM 的导购机器人架构（以“对话旅程”中心）二、所以重构后，系统 pipeline 实际长这样三、关键问题：FSM 是替代 Orchestrator 还是补充？FSM 不是替代 阅读全文
posted @ 2025-12-13 05:21 向着朝阳 阅读(6) 评论(0) 推荐(0)
智能客服机器人产品设计
摘要：目录完整的导购 FSM（有限状态机）设计 — 可直接交付给产品/架构/开发2. 状态表（每个状态的定义、触发条件、允许动作、默认 CTA、工具调用）GREETINGNEED_DISCOVERYPRODUCT_MATCHRECOMMENDATIONCOMPARISONOBJECTION_HANDLIN 阅读全文
posted @ 2025-12-12 22:17 向着朝阳 阅读(5) 评论(0) 推荐(0)
智能导购机器人（FSM）模拟对话
摘要：目录一、用户场景设定二、完整聊天案例对比聊天案例开始Step 1：用户开场A. 不用 FSM 的普通机器人回复B. 使用 FSM 的导购机器人回复Step 2：用户补充需求A. 不用 FSM 的普通机器人B. 使用 FSM 的机器人（进入 PRODUCT_MATCH → RECOMMENDATION 阅读全文
posted @ 2025-12-12 21:41 向着朝阳 阅读(6) 评论(0) 推荐(0)
智能客服
摘要：目录1. 为什么不能只靠 tools + CTA？2. 正确的技术架构应该是这样的(1) 意图识别层（NLU + LLM）(2) 对话策略层（Policy Engine / Workflow）(3) 工具调用层（Tools / RAG / API）3. 具象例子：为什么 workflow 是必要的？ 阅读全文
posted @ 2025-12-12 21:13 向着朝阳 阅读(6) 评论(0) 推荐(0)
FSM VS 用户意图 + CTA
摘要：目录一、两种模式的核心差异总览二、两套模式的“哲学逻辑”区别1. FSM = 你设计一个「用户旅程」，用户按你的逻辑走2. Intent + CTA = 用户说什么，你就做什么（反应式）三、当你执行「多意图处理」时，两种模式的行为完全不同用户说：“我想买小米平板，但太贵了，有优惠吗？”Intent 阅读全文
posted @ 2025-12-12 20:18 向着朝阳 阅读(9) 评论(0) 推荐(0)
Milvus索引选择
摘要：目录1. Milvus：标量字段用什么索引？2. Milvus：向量字段用什么索引？3. 数据量不同如何选索引？（最关键）◆ 场景A：数据量 < 10 万（<= 100k）◆ 场景B：10万 ～ 100万（0.1M~1M）◆ 场景C：100万 ～ 1000万（1M~10M）◆ 场景D：1000万 ～ 阅读全文
posted @ 2025-12-12 09:33 向着朝阳 阅读(12) 评论(0) 推荐(0)
IOT智能体准确率
摘要：目录概念一、明确“准确率低”到底来自哪一环二、核心优化方案（按优先级）1）构建高质量的 ASR → NLU 联合训练数据（最关键）2）采用“闭环纠错”架构（工业界的准确率提升关键）（1）执行前确认（confidence-based）（2）执行后反馈采集（3）自动纠错 pipeline3）意图分类 + 阅读全文
posted @ 2025-12-12 09:27 向着朝阳 阅读(8) 评论(0) 推荐(0)
强化学习
摘要：目录什么是样本失衡1. 样本平衡是什么（What）2. 为什么自动进化系统必需样本平衡（Why）场景 1：Bad-case 偏向某类任务，会导致模型“偏科”场景 2：模型会生成“奇怪的偏好”场景 3：模型忽略高价值但低频的质量问题3. 如何做样本平衡（How）常见方法：方法 A：按 Intent/T 阅读全文
posted @ 2025-12-11 15:09 向着朝阳 阅读(2) 评论(0) 推荐(0)
Milvus SCHEMA 字段类型和选择
摘要：目录1. 什么是标量字段（Scalar Field）2. 什么是向量字段（Vector Field）3. 什么字段应该放标量字段？3.1 用来过滤/筛选的字段4. 什么字段应该放向量字段？4.1 用来相似度搜索（ANN）的字段5. 判断标准：一个字段应该是标量还是向量？Step 1：这个字段是否参与 阅读全文
posted @ 2025-12-11 10:25 向着朝阳 阅读(7) 评论(0) 推荐(0)
准确率和召回率的平衡点
摘要：目录🚪 决策阈值和 Agent 的“信心”1. 追求高准确率（Precision）2. 追求高召回率（Recall）总结：二者间的权衡曲线⚖️ 确定最佳平衡点的原则1. 风险成本驱动法 (Cost-Driven Approach)2. 推荐的经验平衡范围🎯 如何在实践中调整模型？📝 总结建议 阅读全文
posted @ 2025-12-10 21:33 向着朝阳 阅读(9) 评论(0) 推荐(0)
99% 准确率的智能客服Agent设计
摘要：目录目标定义（先把“99%”限定清楚）核心原则（四句要点）具体技术措施（可直接纳入实现清单）A. 保证 99% 的准确率（“质量层”）B. 保证快速响应（“性能层”）端到端置信度与策略（避免不必要的大模型调用）测试与验收（如何证明达到 99%）风险与代价（必须告知）最后给你一页可直接放入简历/项目文 阅读全文
posted @ 2025-12-09 14:59 向着朝阳 阅读(6) 评论(0) 推荐(0)
Agent评测
摘要：目录背景和价值1️⃣ 按意图数量分配2️⃣ 按问题类型分配3️⃣ 抽样与分层4️⃣ 迭代优化🔹 总结建议参考资料 背景和价值 测试数据量没有一个固定数字，要根据业务复杂度、意图数量、知识库覆盖率和测试精度要求来定。不过可以用经验法则规划： 1️⃣ 按意图数量分配 假设你的系统有 N 个核心意图（例 阅读全文
posted @ 2025-12-08 11:13 向着朝阳 阅读(11) 评论(0) 推荐(0)
智能客服技术设计
摘要：目录Technical Plan: 电商客服智能体Overview（概述）Architecture（架构）Multi-Agent Architecture（多 Agent 架构）Agent Responsibilities（Agent 职责）1. Coordinator（协调者）2. ReactAg 阅读全文
posted @ 2025-12-07 14:54 向着朝阳 阅读(14) 评论(0) 推荐(0)
AI颠覆前后端配比
摘要：目录背景和价值1. 大前提：AI 的出现不是让后端真正成为前端开发者2. 谁负责生成前端代码？模式：前端要做的：后端要做的：AI 的角色：3. 谁确保前端质量？前端质量要靠三层护栏：护栏 1：前端 Owner 的架构规范（不可缺）护栏 2：AI + 自动化工具做静态质量检查护栏 3：前端 Owner 阅读全文
posted @ 2025-12-06 11:51 向着朝阳 阅读(25) 评论(0) 推荐(0)
Rola微调在智能客服的应用
摘要：目录LoRA 微调对准确率的影响分析微调vs 不微调Qwen 14B 模型在智能客服意图识别中的准确性预期关键结论 这个问题的答案是：会，而且影响通常是正面的且显著的。 在智能客服 Agent 中，是否进行 LoRA 微调（Parameter-Efficient Fine-Tuning，PEFT）会 阅读全文
posted @ 2025-12-05 09:06 向着朝阳 阅读(9) 评论(0) 推荐(0)
RAG 语义漂移&细粒度区分困难 解决
摘要：目录背景示例一：产品版本和型号的细粒度区分示例二：不同产品线的相似功能示例三：售后政策的版本/时间漂移如何解决？1. 混合检索（Hybrid Search）的强化2. 引入重排器（Re-Ranker）进行细粒度区分3. 增强文档与块（Chunk）的结构性4. 优化向量模型 背景 针对手机销售和售后的 阅读全文
posted @ 2025-12-04 23:02 向着朝阳 阅读(16) 评论(0) 推荐(0)

上一页 1 2 3 4 5 6 ··· 9 下一页