第1篇：创建基础电商AI客服

核心概念

Base LLM vs Instruction Tuned LLM 在客服场景中的区别

Base LLM就像一个知识渊博但不太会说话的人，而Instruction Tuned LLM则是经过专门训练的客服人员。在客服场景中，我们当然需要后者，因为它能更好地理解客户意图并给出合适的回复。

Token工作机制（为什么客服回复要控制长度？）

Token可以理解为AI语言的"字"或"词"。每次AI生成内容时，都是按token计费的。如果客服回复太长，不仅成本高，客户也不愿意看。所以我们要学会控制回复长度。

温度参数(temperature)在客服中的应用

温度参数决定了AI回复的创造性：

• 0 → 标准化回复 → 准确但缺乏人情味
• 0.7 → 平衡回复 → 专业且友好

在客服场景中，我们通常选择0.3-0.7之间的温度值，这样既能保证专业性，又不会显得太死板。

动手实践

第一个电商客服程序

我们先从最简单的开始，创建一个能回答商品咨询的基础客服程序。

# 首先导入必要的库
from openai import OpenAI# 创建DeepSeek客户端
# 记得将"your-deepseek-api-key"替换为你的实际DeepSeek API密钥
client = OpenAI(api_key="your-deepseek-api-key", base_url="https://api.deepseek.com")def create_customer_service_prompt(user_question):"""创建客服提示词"""return f"""
你是一个专业的电商客服，请回答以下客户问题：
问题：{user_question}
要求：
1. 回答要专业准确
2. 语气友好热情
3. 长度控制在50字以内
"""# 测试基础客服功能
user_question = "笔记本惠普战66七代怎么样？"
prompt = create_customer_service_prompt(user_question)# 调用API获取回复
response = client.chat.completions.create(model="deepseek-chat",messages=[{"role": "user", "content": prompt}],max_tokens=50,temperature=0.7
)# 输出结果
print("客服回复：", response.choices[0].message.content)

运行结果示例：

客服回复： 这款iPhone17电池续航可达36小时，支持无线快充技术。

测试步骤

1. 确保你已经安装了OpenAI库：pip install openai
2. 设置好你的DeepSeek API密钥（将代码中的"your-deepseek-api-key-here"替换为实际密钥）
3. 运行上面的代码
4. 观察输出结果，看回复是否在50字以内

代码解析

这个简单的程序做了几件事：

• 导入OpenAI库（用于连接DeepSeek API）
• 创建DeepSeek客户端，配置API密钥和API地址
• 创建一个提示词模板，包含客服角色和回复要求
• 调用DeepSeek API获取回复
• 输出结果

总结

今天我们创建了第一个基础的电商AI客服程序，虽然功能简单，但已经能够回答基本的商品咨询问题。下一篇我们将学习如何优化提示词，提升客服回复的质量和效率。