大促期间咨询量陡增，人工客服难以覆盖全部时段，生成式AI配合检索增强（RAG）正在成为电商客服的常用方案。院校实训让学生亲手搭一个电商问答机器人，既能理解大模型原理，也能掌握知识库工程的实操。本文围绕实训项目拆解关键步骤。

RAG检索增强的生成式问答原理

纯大模型容易编造答案，RAG先根据用户问题从知识库检索相关片段，再交给模型组织回复，答案可追溯。实训可用FAISS或Milvus做向量库，把商品文档转成embedding存进去，检索时取相似度靠前的前k条。让学生对比"直接问模型"和"带检索问模型"的回答差异，直观理解检索为什么能降低幻觉。

实训建议用开源模型本地部署，避免学生把真实客服对话上传公有云造成隐私泄露。对比云端与本地两种部署的时延与成本，能顺带讲清数据出境与合规边界，也让学生明白企业为什么愿意为私有化多付算力，而非盲目追求免费公有云模型。

电商知识库的结构化采集

知识来源包括商品FAQ、退换货政策、优惠规则、物流时效说明。实训要求把这些内容整理成统一的问答对或带标题的段落，用CSV或Markdown入库，并标注生效时间与适用范围。重点训练"政策变了知识库也要同步改"的意识，可故意埋一条过期规则，看学生能否在评测中发现答案过时。

知识库要设版本号，活动规则变更时旧版留痕可回溯。实训让学生模拟一次大促规则临时调整，练习增量更新而非全量重建，体会知识库运维是持续动作不是一次性导入，也理解为什么客服团队需要专人维护知识而非写完就不管。

意图识别与多轮对话编排

客服不是一问一答，要能识别用户意图（查物流、改地址、申请退款）并填充槽位。实训可用规则加轻量分类模型做意图路由，遇到"我要退货"先问订单号再给步骤。设定转人工阈值，当置信度低或涉及金钱纠纷时交真人。让学生设计这层编排，体会机器人解决的是重复问题、复杂问题仍需人。

实训还可加入情绪识别维度，对愤怒或焦虑用户优先转人工并配安抚话术，避免机器冷回激化矛盾。让学生标注十段带情绪的用户留言，练识别与分流，理解客服的"人味"恰恰是当前模型最难替代的部分，技术要补位而非抢戏。

回答准确性评测与人工兜底

上线前要做评测集：准备五十个真实问题，人工标注标准答案，机器回答算准确率与满意度（CSAT）。实训要求学生对低分回答做溯源，确认它引的是哪段知识。同时设计兜底话术，模型不确定时诚实说"已为您转接人工"。把"可解释、可兜底"写进验收标准，避免盲目追求自动回复率。

建议实训设置"机器回答对比人工"的对照实验，用准确率与满意度两条曲线判断模型是否真的可用，而不是看演示效果。