TSP助手 - 基于大模型的AI客服机器人

项目简介

TSP助手是一个基于阿里云千问大模型的智能客服机器人系统，具备以下核心功能：

• 智能对话处理：基于大模型进行自然语言理解和回复生成
• 知识库学习：从历史工单中自动学习问题处理经验
• 实时数据分析：统计工单处理情况，生成分析报告
• 智能预警系统：监控关键指标，及时发现问题
• 工单管理：完整的工单生命周期管理

系统架构

TSP_assistant/
├── src/
│   ├── config/          # 配置文件
│   ├── core/            # 核心模块
│   ├── knowledge_base/  # 知识库管理
│   ├── dialogue/        # 对话管理
│   ├── analytics/       # 分析统计
│   └── utils/           # 工具函数
├── data/                # 数据存储
├── logs/                # 日志文件
└── requirements.txt    # 依赖包

核心功能

1. 智能对话处理

• 基于阿里云千问大模型进行自然语言理解
• 支持上下文记忆和对话历史管理
• 自动从知识库检索相关信息
• 生成准确、有用的回复

2. 知识库学习

• 从已解决的工单中自动提取问题和答案
• 使用TF-IDF向量化进行相似度匹配
• 支持知识库条目的增删改查
• 自动更新和优化知识库内容

3. 工单管理

• 创建、更新、查询工单
• 支持工单分类和优先级设置
• 记录完整的对话历史
• 工单状态跟踪和满意度评分

4. 数据分析与统计

• 每日自动生成分析报告
• 统计工单处理效率、满意度等指标
• 支持多维度数据分析
• 生成可视化趋势图表

5. 智能预警系统

• 监控关键性能指标
• 自动检测异常情况
• 支持多级别预警（低、中、高、严重）
• 预警历史记录和解决跟踪

安装和配置

1. 环境要求

• Python 3.8+
• MySQL数据库（推荐）或SQLite数据库
• 阿里云千问API密钥

2. 安装步骤

# 克隆项目
git clone <repository-url>
cd TSP_assistant

# 安装依赖
pip install -r requirements.txt

# 创建必要目录
mkdir -p data logs

# 设置MySQL数据库（如果使用MySQL）
python create_mysql_db.py

# 初始化数据库
python init_database.py

# 配置API密钥
# 在 src/config/config.py 中设置您的阿里云API密钥

3. MySQL数据库设置

如果使用MySQL数据库，需要先运行：

python create_mysql_db.py

此脚本会：

• 创建名为 tsp_assistant 的数据库
• 设置正确的字符集（utf8mb4）
• 创建专用用户（可选）
• 测试数据库连接

4. 数据库初始化

数据库初始化脚本会自动：

• 创建所有必要的数据库表
• 插入示例知识库数据
• 检查数据库连接状态
• 显示各表的记录数统计

如果数据库已存在，脚本会跳过初始数据插入，避免重复数据。

5. 数据库选择

系统支持两种数据库：

MySQL（推荐）：

• 性能更好，支持并发
• 适合生产环境
• 需要安装MySQL服务器

SQLite：

• 轻量级，无需额外安装
• 适合开发和测试
• 单文件存储

6. 配置说明

在 src/config/config.py 中配置以下参数：

# 阿里云千问API配置
ALIBABA_API_KEY = "your-api-key"
ALIBABA_BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"
ALIBABA_MODEL_NAME = "qwen-plus-latest"

# 数据库配置
# MySQL配置（推荐）
DATABASE_URL = "mysql+pymysql://root:123456@localhost/tsp_assistant?charset=utf8mb4"
# SQLite配置（备用）
# DATABASE_URL = "sqlite:///tsp_assistant.db"

# 其他系统参数
MAX_HISTORY_LENGTH = 10
RESPONSE_TIMEOUT = 30

使用方法

1. 启动系统

from src.main import TSPAssistant

# 创建助手实例
assistant = TSPAssistant()

# 测试系统
test_results = assistant.test_system()
print("系统测试结果:", test_results)

2. 处理用户消息

# 处理用户消息
response = assistant.process_message(
    message="我的账户无法登录",
    user_id="user123",
    work_order_id=1
)
print("回复:", response["response"])

3. 创建工单

# 创建工单
work_order = assistant.create_work_order(
    title="账户登录问题",
    description="用户反映无法登录账户",
    category="账户问题",
    priority="high"
)

4. 搜索知识库

# 搜索知识库
results = assistant.search_knowledge("账户登录", top_k=3)
print("搜索结果:", results)

5. 生成分析报告

# 生成分析报告
analytics = assistant.generate_analytics("last_7_days")
print("分析报告:", analytics)

API接口

对话接口

• process_message(message, user_id, work_order_id) - 处理用户消息
• create_work_order(title, description, category, priority) - 创建工单
• update_work_order(work_order_id, **kwargs) - 更新工单

知识库接口

• search_knowledge(query, top_k) - 搜索知识库
• add_knowledge(question, answer, category, confidence_score) - 添加知识

分析接口

• generate_analytics(date_range) - 生成分析报告
• get_alerts() - 获取预警信息
• get_system_status() - 获取系统状态

数据模型

工单 (WorkOrder)

• 工单基本信息（ID、标题、描述、类别、优先级）
• 状态跟踪（创建时间、更新时间、解决时间）
• 满意度评分

对话记录 (Conversation)

• 用户消息和助手回复
• 时间戳和置信度评分
• 使用的知识库条目

知识库条目 (KnowledgeEntry)

• 问题和答案对
• 类别和置信度评分
• 使用次数统计

分析数据 (Analytics)

• 每日统计指标
• 趋势分析数据
• 类别分布信息

监控和预警

系统自动监控以下指标：

• 客户满意度：低于0.6时触发预警
• 平均解决时间：超过24小时时触发预警
• 知识库命中率：低于0.5时触发预警
• 错误率：超过0.1时触发预警

性能优化

• 使用向量化技术提高知识库检索效率
• 支持并发处理多个用户请求
• 数据库连接池管理
• 内存使用监控和优化

扩展功能

• 支持多种大模型API（可扩展）
• 支持多种数据库后端（PostgreSQL、MySQL等）
• 支持Web界面和API接口
• 支持多语言处理
• 支持语音识别和合成

故障排除

常见问题

1. API连接失败

   • 检查API密钥是否正确
   • 检查网络连接
   • 检查API配额是否充足

2. 数据库错误

   • 检查数据库文件权限
   • 检查SQLite版本兼容性
   • 检查磁盘空间

3. 知识库检索失败

   • 检查向量化器是否正确初始化
   • 检查知识库数据完整性
   • 检查内存使用情况

日志查看

系统日志保存在 logs/tsp_assistant.log 文件中，包含详细的运行信息和错误记录。

贡献指南

欢迎提交Issue和Pull Request来改进项目。

许可证

本项目采用MIT许可证。