本文由B端技术中心分享，原题“从0到1:哔哩哔哩智能客服系统的设计与实现”，本文有修订和改动。

本文将要分享的是哔哩哔哩从0到1自研智能客服IM系统的技术实践过程，包括整体架构设计和主要核心功能的技术实现思路等，希望带给你启发。

* 推荐阅读：《得物从0到1自研客服IM系统的技术实践之路》。

技术交流：

- 移动端IM开发入门文章：《新手入门一篇就够：从零开发移动端IM》

- 开源IM框架源码：https://github.com/JackJiang2011/MobileIMSDK（备用地址点此）

（本文已同步发布于：http://www.52im.net/thread-4517-1-1.html）

B站过去的客服系统是通过外部采购获得的，已经使用了几年。

然而，这个外购的系统存在一系列问题：

虽然曾考虑过采购新的客服系统，但也面临一些问题。

比如：

因此，B站决定开展新客服系统的自研工作。

在面对如何打造一个全新的客服系统的挑战时，我们首先开始了调研、访谈和体验。

1）业内调研

我们访问了一些在客服系统领域表现优秀的知名公司，从业务和技术的角度进行了深入调研。

总结下来，目前客服系统比较重视以下三个关键指标：

对于一个客服系统来说，良好的智能问答功能至关重要：

这些核心的指标为后续的研发指明了方向。

2）内部访谈和体验

我们对负责客服流程运营的团队以及各项功能团队（质检、舆情、机器人、工单、二线、数据等）和一线客服同学进行了访谈，同时也全面体验了现有的系统。

特别是从各个团队的访谈中，我们获得了许多细节性的宝贵经验和一系列建议，这对我们如何具体做好产品和之后推动系统的落地起到了巨大的作用。这些经验和建议将在工作台一节中详细展示，在这里就不再展开。

3.3新系统落地效果如何

在核心指标上，新客服系统都取得了显著的提升：

（保密考虑，不暴露具体数字）

此外，新客服系统的落地还提高了客服工作效率，实现了与内部业务系统的无缝对接，优化了客服功能工具，验证了自主研发的能力。

接下来，我们将从技术角度，整体和分细节方面对新客服系统进行介绍。

客服系统主要功能：

还有一些其他的功能如：质检系统，舆情系统，客服工时系统，监控系统等等。

在上述描述中，我们可以认识到客服系统具有一定的复杂性。

为了帮助大家从宏观上理解客服系统，以下列出了整体功能的架构图：

同时，为了帮助大家进一步了解，这里列出了客服系统的核心流程。

首先简单看一下哔哩哔哩客服的用户入口。

当用户进入聊天框，首先会进入智能问答环节，如果智能问答无法帮助用户解决问题，用户可以选择进一步联系人工客服来解决问题。

在客服的业务场景中，智能问答是一个非常重要的需求。

它具备了人工不可比拟的优势：

从而从整体上提高效率，降低成本，实现更好的客户体验和更高效的资源利用。

下面，我们将简要介绍哔哩哔哩客服系统的智能问答。

目前，哔哩哔哩客服系统在执行智能问答任务时，会根据匹配度的不同提供两种回答方式。

分别是：

这个策略的目的是为了提供更准确、更有用的回答，以帮助用户更快地找到他们需要的信息。

机器人问答技术在实现上主要分为两种类型：检索式和生成式。

1）检索式：检索式模型通常利用神经网络技术，将大量的预训练语料数据输入到模型中进行训练。在完成训练后，模型能够对新的输入进行分类、匹配和回答问题。这种方案的实现主要依赖于大规模的预训练数据和高效的检索算法。

2）生成式：另一种类型的是生成式模型，它主要采用深度学习技术以及最新的大语言模型，通过学习大量数据来生成文本。这种方案通常使用循环神经网络（RNN）或变换器（Transformer）等结构，能够处理序列数据并生成新的序列。与检索式模型不同，生成式模型在训练过程中会直接生成目标文本，而不是通过检索匹配。

总的来说，检索式和生成式两种模型各有特点，各有优势，在机器人问答系统中都有应用。具体选择哪种模型，往往需要根据具体的应用场景和需求来决定。

方案对比：

在电商客服场景下，回答用户问题的准确性至关重要，宁可选择不回答也不能够回答错误。相比之下，生成式答案会受到多种因素的影响，导致结果不可控。而检索式答案来源于知识库，可以提供更加准确的问题解答。虽然检索式在处理一些长尾问题或者冷门领域的问题时表现不佳，但是可以通过人工干预来丰富知识库进行优化。综合考虑到这些因素，最终选择了检索式实现。

1）向量搜索基本原理：

给定一个向量集合：

和一个待查询的向量：

从 N 个向量里面找到距离 X 某种距离（比如 L2 距离）最近的 K个向量。

其应用包括：

这些东西（图片、词语、句子、视频等）都可以用向量表示出来，如下图：

这个事情看起来很简单，但是当我们的数据库变得特别大时，这件事情就变得比较困难了。因此这里就专门来研究如何做这样的向量搜索。

2）Faiss简介：

Faiss（Facebook AI Similarity Search）是 Facebook AI 开发的用于高效相似性搜索和向量聚类的库。

Faiss 总体使用过程可以分为三步：

详细解释，即为：首先根据原始向量构建一个索引文件，再根据索引文件进行查询。初次查询前需要进行train和add过程，后续若要进行索引的添加可以再次使用add添加索引。

如下图所示：

3）基于Faiss实现的智能问答：

在实现检索式的过程中，主要任务是找到与用户提问语句最相似的问法，从而获取对应的答案。

这个过程包括以下步骤：

基于Faiss的智能问答如下图所示：

4）Faiss索引选择实践：

Faiss提供的索引很多，需要根据数据集的大小和机器的性能来选取合适的索引。

基于准确查找：

基于内存限制：