智能问答机器人

一、问答机器人的分类

问答机器人（QA Chatbot）能以自然语言接受用户提问并返回答案。按实现路线，可分为两大流派：

按对话目的还可分为：问答型（一问一答查信息）、任务型（订机票、查快递，需多轮填槽）、闲聊型（情感陪伴）。工业系统往往是三者的混合体。

二、检索式系统架构

一个典型检索式问答机器人的数据流水线：

用户提问
   │
   ▼
① 问句预处理        分词 / 清洗 / 纠错（第 2、3 章）
   │
   ▼
② 问句理解          意图识别 + 槽位抽取（第 3、6、7 章）
   │
   ▼
③ 候选召回          TF-IDF / 句向量，从 FAQ 库取 TopK（第 4、5、7 章）
   │
   ▼
④ 精排与阈值        Cross-Encoder 打分，低于阈值走兜底话术
   │
   ▼
⑤ 答案生成/调用     返回标准答案，或调用业务 API（查订单等）
   │
   ▼
⑥ 对话管理          多轮上下文、共指消解、澄清追问（第 7 章）

搭建顺序建议：先用规则与小知识库跑通闭环，再逐模块替换为机器学习模型。一个能答 80 个高频问题的规则机器人，上线第一天就能解决大部分重复咨询。

三、问句理解：意图与槽位

意图（Intent）是用户想做什么，槽位（Slot）是完成意图所缺的参数。

“帮我查一下明天北京到上海的高铁票”

意图：query_train_ticket
槽位：date = 明天
      departure = 北京
      destination = 上海

“它多少钱？”（第二轮）
意图：ask_price
槽位：需结合上文共指消解 → 上一轮提到的商品

实现手段由轻到重：

• 规则/关键词：含「退款、退货」→ 售后意图；本章的「墨问」演示即采用关键词加权匹配；
• 特征 + 分类器：TF-IDF + SVM / 逻辑回归做意图分类（第 4、5、8 章同款技术）；
• BERT 微调：意图分类与槽位序列标注联合建模（BERT + CRF）；
• 大模型函数调用：直接让大模型输出结构化 JSON（意图 + 参数）。

四、知识库构建与答案检索

FAQ 知识库通常是一张「标准问 + 相似问 + 答案」表：

{"id": 7,
 "question": "如何申请退款？",
 "similar": ["退款流程", "钱怎么退回来", "想退货退款怎么办"],
 "answer": "您可在订单详情页点击「申请售后」，选择退款……"}

检索的经典实现是第五章向量相似度的直接应用：

1. 离线建库：把标准问与所有相似问分词、向量化（TF-IDF 或 Sentence-BERT），存入索引；
2. 在线召回：用户问题同样向量化，与库中向量算余弦相似度，取 TopK；
3. 精排与阈值：用更强的模型重排，若最高分低于阈值（如 0.6），触发兜底：「这个问题我还在学习，已为您转接人工」；
4. 回流运营：未命中问题进待答池，运营补充新 FAQ，系统越用越聪明。

海量知识库时，精确逐条算余弦太慢，需用 倒排索引（BM25）或向量索引（FAISS、Milvus）做近似最近邻检索，毫秒内从百万条中召回候选。

五、生成式路线与 RAG

Seq2Seq（编码器–解码器 + Attention）是生成式对话的经典结构，再到 Transformer，乃至今天的大语言模型（LLM）。生成式机器人能说库中没有的话，但也会幻觉——编造不存在的退货政策，在客服场景是致命的。

业界主流解法是 RAG（Retrieval-Augmented Generation，检索增强生成）：先检索、后生成，让模型「看着资料回答」：

① 用户提问 → 向量检索企业文档/FAQ，取相关片段（可信知识）
② 把片段与问题一起组装成提示词（Prompt）
③ 大模型基于片段组织语言作答，并标注来源
④ 对回答做事实验核（NLI，第 7 章），无证据则拒答

六、完整 Python 实现：迷你检索式机器人

下面用约四十行代码实现一个可运行的 FAQ 机器人——意图识别与召回合为一步：把问题向量化后直接与 FAQ 算余弦相似度：

python · mini_qa_bot.pyimport jieba
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

FAQ = [
    {"q": "如何申请退款",
     "a": "在订单详情页点击「申请售后」，选择退款即可。"},
    {"q": "快递多久能到",
     "a": "下单后一般 1-3 个工作日送达，偏远地区稍慢。"},
    {"q": "怎么修改收货地址",
     "a": "发货前可在订单页自行修改；发货后请联系客服。"},
]
THRESHOLD = 0.2

# 离线：标准问向量化
tok_faq = [" ".join(jieba.lcut(item["q"])) for item in FAQ]
vectorizer = TfidfVectorizer()
faq_vec = vectorizer.fit_transform(tok_faq)

def answer(question):
    q_vec = vectorizer.transform([" ".join(jieba.lcut(question))])
    sims = cosine_similarity(q_vec, faq_vec)[0]     # 第 5、7 章的余弦
    idx = int(np.argmax(sims))
    if sims[idx] < THRESHOLD:                      # 低于阈值 → 兜底
        return "这个问题我还在学习，为您转接人工客服。", sims[idx]
    return FAQ[idx]["a"], sims[idx]

if __name__ == "__main__":
    while True:
        q = input("你：")
        if q in ("退出", "再见"):
            break
        reply, score = answer(q)
        print(f"墨问：{reply}（相似度 {score:.2f}）")

把 TF-IDF 换成 Sentence-BERT 句向量、把线性扫描换成 FAISS、再加一层意图分类与多轮对话状态，就构成了一个工业级检索式机器人的雏形。

七、对话管理与评估

多轮对话管理（DM）

• 对话状态：记录已填槽位（日期、目的地……），缺什么就追问什么；
• 上下文指代：用共指消解（第 7 章）理解「那它呢」；
• 澄清与确认：置信度不高时反问「您是要查退款进度对吗？」；
• 人格与安全：统一语气，拒答越界问题，敏感场景平稳转人工。

如何评价一个问答机器人

优化闭环：记录全部对话 → 自动挖掘未命中问题与低分会话 → 运营补库/改库 → 灰度上线 → 再观察。机器人是「养」出来的。

八、终章演示：与「墨问」对话

下面这个浏览器里的机器人，正是上述架构的极简化身：问句 → 关键词加权的意图匹配 → 检索知识库 → 返回答案 → 未命中则兜底。它的知识覆盖了本站九章的核心概念，试着考考它：

• 「什么是 TF-IDF？」「Word2Vec 是干什么的？」
• 「怎么搭建 Python 环境？」「语料库怎么构建？」
• 「情感分析怎么做？」「问答机器人的原理是什么？」
• 也可以试试它答不上来的问题，观察兜底策略如何生效。

九章回望

从第一章装好 Python，到此刻与机器人对话，你已经走过：环境与语料（1–2 章）→ 词法与统计（3–4 章）→ 表示与结构（5–7 章）→ 情感与会话（8–9 章）。而真正的学习，才刚刚开始——