向着朝阳 - 博客园

2025年12月13日

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(30) 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(66) 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(81) 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(48) 评论(0) 推荐(0)

2025年12月12日

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(82) 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(74) 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(77) 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(39) 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(136) 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(105) 评论(0) 推荐(0)

aibi1

公告