核心内容摘要
“公孙离流眼泪翻白眼”表情包：王者峡谷的“破防”瞬间，你Get到了吗？
背景痛点传统客服为什么总“答非所问”过去两年我先后接手过三套“上一代”客服系统一套基于正则关键词两套用 BertCRF 做意图分类。
上线初期都跑得挺欢可一旦对话超过三轮用户就开始吐槽“机器人失忆”。
总结下来老架构的硬伤集中在四点多轮断层对话状态靠 slot 填充上下文长度超过 256 token 就丢槽位。
长尾失效训练语料 80% 集中在 Top 200 意图冷门问题如“发票抬头写错了还能改吗”全部被归为“其它”。
知识更新慢业务规则改一行就要重训整个模型发版窗口至少 24h。
响应延迟高Bert 意图FAQ 召回规则排序整条链路
2s用户体验“ppt 式聊天”。
痛定思痛团队决定把底座直接换成大模型用生成式方案一次性解决“理解回答多轮”。
技术选型微调还是 RAG先算一笔账在 8×A10040G集群上我们对比了两种路线数据如下均值单卡 FP16方案显存占用首 token 延迟单卡 QPS更新成本全参微调 13B26G320ms6高需重训LoRA 13B16G300ms7中只训 AdapterRAG 6B 底座10G180ms12低只更新知识库结论很直观业务知识每天变 → RAG 更轻对话风格强定制 → LoRA 更稳预算卡脖子 → 6BRAG 是性价比之王。
我们最终采用“6B 底座 RAG 轻量 Prompt 微调”的混合方案通用对话让模型直接答企业知识用召回补充风格示例靠 5% 数据 LoRA 一把梭。
核心实现30 行代码跑通对话链下面给出最小可运行骨架Python
10依赖langchain
0.
1.
fastchat、fastapi。
对话链封装带记忆 异常兜底from typing import List from langchain import ConversationChain, PromptTemplate from langchain.memory import ConversationTokenBufferMemory from langchain.chat_models import ChatOpenAI class CSChain: def __init__(self, model_path: str, max_token: int 4096, memory_key: str history): llm ChatOpenAI( openai_api_basehttp://localhost:8000/v1, # 本地 FastChat model_namemodel_path, max_tokens512, temperature
3, request_timeout60, ) template 你是客服助手请根据上下文和知识库回答问题。
知识库{context} 对话历史{history} 用户{input} 客服 prompt PromptTemplate( input_variables[context, history, input], templatetemplate, ) memory ConversationTokenBufferMemory( llmllm, max_token_limitmax_token, memory_keymemory_key ) self.chain ConversationChain( llmllm, promptprompt, memorymemory, verboseFalse ) async def answer(self, query: str, context: str) - str: try: return await self.chain.arun(inputquery, contextcontext) except Exception as e: # 异常兜底返回静态文案 人工入口 return f系统繁忙已转人工客服稍等trace: {e})
RAG 召回器基于 ES 向量双路class Retriever: def __init__(self, es_index: str, emb_model: str): self.es Elasticsearch() self.encoder SentenceTransformer(emb_model) async def search(self, q: str, top_k: int
- List[str]: vec self.encoder.encode(q) #
向量检索 knn {field: vector, query_vector: vec, k: top_k} #
关键词检索 match {match: {title: q}} res self.es.search( indexself.es_index, knnknn, querymatch, sizetop_k, rankrrf, ) return [h[_source][text] for h in res[hits][hits]]
FastAPI 异步入口带限流 负载均衡app FastAPI() chain CSChain(model_pathcs-6b) retriever Retriever(es_indexcs_kb, emb_modelbge-small) app.post(/ask) async def ask(req: AskRequest, background: BackgroundTasks): #
限流单用户 10 qps if not limiter.allow(req.user_id): raise HTTPException(429, 请求过快) #
召回知识 context \n.join(await retriever.search(req.query)) #
异步生成 answer await chain.answer(req.query, context) #
后台记录 background.add_task(log_conv, req.user_id, req.query, answer) return {answer: answer}部署时起 4 个 replicaNginx 轮询单卡 QPS 12整体 48满足 2w 峰值并发。
性能优化把 3090 榨出 50% 富余
Batch 大小 vs TPS实验在 309024G 6B 模型上完成输入
输出 128 tokenbatch显存首 tokenTPS110G180ms12416G220ms388OOM——结论在线服务 batch4 是甜点再大就 OOM若离线批处理可降到 FP8 量化再上 16。
注意力窗口裁剪我们将 RoPE 基频从 10k 提到 40k再把窗口限制 2048 实验结果知识型问答单跳事实准确率 92% → 90%几乎无损多轮闲聊6 轮准确率 85% → 76%掉点明显。
因此知识型场景可大胆裁剪窗口节省 18% 显存多轮场景建议开全窗或 4k 滑动。
KV Cache 预分配提前根据最大长度 malloc 显存池避免torch.cat动态拼接延迟抖动从 ±60ms 降到 ±15msP99 毛刺消失。
避坑指南上线前必须踩的三颗雷对话状态丢失症状用户问“那我呢”机器人答“您指什么”根因记忆模块用ConversationSummaryMemory摘要算法把指代信息压丢高并发下InMemory被不同线程覆写。
解法换成ConversationTokenBufferMemory保留原始 token用 Redis 存session_id→ 历史API 无状态化。
敏感词“漏杀”大模型天生会“创造性”输出曾把“退款”说成“退妈”。
最佳实践双层过滤①模型输出 ②正则DFA 白名单业务侧维护动态敏感词表5 分钟热更新对金融/医疗场景加外部合规 API 二次校验。
知识库“幻觉”症状模型把过时的“7 天无理由”说成“15 天”。
解法召回片段打时间戳标签Prompt 里声明“仅使用 2024 版政策”对答案做“可溯源”标记点击展开引用原文降低投诉率 30%。
效果复盘与下一步上线四周核心指标首响时间 中位数 220 ms → 180 ms多轮解决率 63% → 81%人工转接率 28% → 15%GPU 利用率 38% → 72%电费持平。
不过仍有几道开放题留给读者当知识库膨胀到 1 亿条向量索引重建成本如何摊销在 100ms 延迟红线内如何平衡 13B 效果与 6B 成本如果业务要求“可解释”你会把 chain-of-thought 暴露给用户还是另建一套摘要欢迎在评论区交换思路一起把客服机器人做得既聪明又省钱。