MONKEYCODE 教程系列

MC-025 | 实战AI客服机器人

MonkeyCode教程及推广系列

不爱土豆唯爱马铃薯 · MonkeyCode 教程系列

系列：不爱土豆唯爱马铃薯 · MonkeyCode 教程系列

字数：约 1700 字 | 难度：⭐⭐⭐⭐ | 实操用时：30 分钟

开篇：让 AI 懂你的知识

上一期 MC-024，你做了一个浏览器插件——跳出 Web 应用的范畴，让代码运行在用户的浏览器里。今天再上一个台阶：做一个能理解你知识库的 AI 对话系统。

你一定用过客服机器人：在电商网站问"什么时候发货"，它秒回"预计3个工作日"；在银行 App 问"怎么改密码"，它给出操作指引。这些机器人的背后，就是一个知识库 + 检索 + 大模型的系统。

今天的实战项目：AI 客服机器人。你上传自己的文档（产品手册、FAQ、规章制度……），用户提问时，AI 根据文档内容回答——不是瞎编，而是基于你提供的知识。

RAG 是什么

这个项目的核心技术叫 RAG（Retrieval-Augmented Generation，检索增强生成）。名字很长，原理其实很直观：

用户提问 → 在知识库中搜索相关内容 → 把搜索结果喂给 AI → AI 基于这些内容回答

为什么要"检索增强"？因为大模型虽然聪明，但它不知道你的私有信息——你的产品价格、公司政策、技术文档，这些都不在它的训练数据里。RAG 通过先检索再生成，让 AI 的回答"有据可依"。

纯大模型 vs RAG 系统对比：

对比项	纯大模型	RAG 系统
知识来源	训练数据（公开信息）	你上传的文档
准确性	可能"幻觉"（编造）	基于文档，可溯源
更新方式	重新训练（不现实）	替换文档即可
私有数据	不支持	天然支持

需求分析（SDD）

📋 原始需求

一个基于知识库的 AI 客服机器人，支持上传文档构建知识库，用户通过对话界面提问，AI 从知识库中检索相关内容并给出准确回答，附带引用来源。

🎨 产品设计

• 知识库管理：上传文档（TXT/MD/JSON），查看已上传列表，支持删除和重新上传
• 对话界面：聊天式交互，用户输入问题，AI 返回回答 + 引用的文档片段
• 引用溯源：每条回答标注来自哪篇文档的哪个部分，可点击查看原文
• 前端界面：左侧知识库管理面板，右侧对话区域

⚙️ 技术设计

• 向量检索：使用 TF-IDF 或简单的关键词匹配（轻量方案，无需额外数据库）
• 后端：Node.js + Express 处理文档解析和检索逻辑
• 前端：HTML + CSS + JS 聊天界面
• AI 调用：调用大模型 API（或 MonkeyCode 内置模型能力）进行回答生成

开始开发

第一步：创建项目

新建项目 ai-chatbot，告诉 AI 你的需求：

创建一个基于知识库的 AI 客服机器人。 技术栈：Node.js + Express 后端，纯 HTML/CSS/JS 前端 功能需求： 1. 知识库管理： - 上传 TXT/MD/JSON 文档（拖拽或点击上传） - 文档自动解析，按段落拆分为知识条目 - 显示已上传文档列表，支持删除 2. 检索引擎： - 用户提问时，在所有知识条目中搜索相关内容 - 使用 TF-IDF 关键词匹配算法（纯 JS 实现） - 返回最相关的 top 3 条知识片段 3. AI 回答生成： - 将用户问题 + 检索到的知识片段组合成 prompt - 调用 AI 生成回答（使用 /v1/chat/completions 接口） - 回答中标注引用来源 4. 对话界面： - 左侧：知识库管理面板 - 右侧：聊天界面 - AI 回答下方显示引用的原文片段（可折叠） 5. 准备 3 篇示例知识库文档： - "产品FAQ.md"（10个常见问题及回答） - "使用指南.md"（产品功能介绍） - "退换货政策.txt"（退换货规则）

第二步：验证知识库功能

AI 生成后，先测试知识库的上传和检索：

测试以下功能： 1. 上传 3 篇示例文档，确认文件列表正确显示 2. 在聊天框输入"怎么退货"，检查检索结果是否返回退换货政策相关段落 3. 输入"产品有哪些功能"，检查是否返回使用指南相关内容 4. 删除一篇文档后重新搜索，确认该文档的内容不再出现

第三步：验证 AI 回答质量

检索准确是基础，AI 回答的质量才是关键。测试几个典型场景：

问题类型	测试用例	预期行为
直接匹配	"退货要几天"	直接从政策文档提取答案
模糊提问	"东西坏了怎么办"	检索到退换货相关内容并回答
超出范围	"今天天气怎么样"	坦诚回答"知识库中没有相关信息"
多文档关联	"会员退货有什么优惠"	综合会员政策和退换货政策回答

💡 小贴士：如果 AI 出现幻觉（编造文档中没有的信息），在 prompt 中加入更强的约束：

"你必须仅基于以下知识库内容回答问题。如果知识库中没有相关信息，请直接说'我暂时无法回答这个问题'，不要编造。"

进阶优化

🔍 更好的检索算法

TF-IDF 是最基础的文本检索方式，适合入门。如果需要更精准的语义检索：

升级检索算法为余弦相似度匹配： 1. 将每个知识条目和用户问题都转换为词袋向量 2. 计算问题向量与每个知识条目向量的余弦相似度 3. 返回相似度最高的 top 3 条

💬 多轮对话

当前版本是单轮问答——每次提问都是独立的。加入上下文记忆：

添加多轮对话支持： 1. 在后端维护一个对话历史数组 2. 每次新提问时，将最近 5 轮对话作为上下文一起发送 3. 用户可以说"那运费呢？"，AI 能理解"那"指代什么

📦 知识库导入导出

添加知识库导入/导出功能： - 导出：将所有知识条目打包为一个 JSON 文件下载 - 导入：上传 JSON 文件批量导入知识条目 方便在不同项目间复用知识库。

部署上线

把这个 AI 客服机器人部署上线， 确保文档上传、检索、AI 回答、引用显示等功能全部可用。 获取公网访问链接。

动手看：用你的文档做一个客服

挑战任务：

• 准备你自己的知识库文档（课程笔记、项目文档、FAQ……）
• 上传到系统中，测试不同类型的问题
• 检查 AI 回答是否准确、是否有幻觉
• 优化 prompt 让回答更贴合你的需求

💡 提示：知识库文档的质量直接决定 AI 回答的质量——内容清晰、结构分明的文档，比堆砌在一起的文档效果好得多。

总结与下期预告

MC-025 的核心要点：

1. RAG 原理：用户提问 → 检索知识库 → AI 基于检索内容回答，解决"私有数据"问题
2. 知识库构建：上传文档 → 按段落拆分 → 建立索引，支持增删
3. 检索算法：TF-IDF 关键词匹配（入门），余弦相似度（进阶）
4. 防幻觉：prompt 中明确要求"仅基于知识库回答"，超出范围坦诚告知
5. 引用溯源：回答标注来源文档，增强可信度

第三阶段实战还剩最后一个项目，也是和很多人息息相关的一个场景：写论文。不管你是本科生还是研究生，论文写作都是绕不过去的大山。下一期 MC-026，实战：论文辅助全流程——从文献检索到提纲生成，从实验代码到排版输出，用 AI 辅助论文写作的每一个环节。

漫画教程

📖 第1页：封面

📖 第2页：RAG工作原理

📖 第3页：SDD需求分析

📖 第4页：项目创建与开发

📖 第5页：知识库与检索测试

📖 第6页：进阶功能与最佳实践

📖 第7页：总结回顾

转载自CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/llllccccddd/article/details/161752455