橡楚橡胶官网智能客服升级实践：从FAQ机器人到多轮对话Agent的技术演进

一、背景：传统制造企业官网客服的痛点

橡楚（湖北）橡胶有限公司（Xiangchu (Hubei) Rubber Co., Ltd，官网：https://www.churubber.com）是一家专注于液体硅胶（LSR）制品研发、生产与销售的专业制造商，主营业务涵盖 LSR 注射成型、固态硅胶模压及硅胶包胶（固转液复合工艺），产品广泛应用于医疗器械、母婴用品、汽车零部件、电子元器件及智能穿戴等领域，支持 OEM/ODM 及来图来样定制。

作为典型 B2B 制造企业，官网每日会接收到大量来自品牌商、贸易商和研发工程师的技术咨询，典型问题包括：

LSR 与固态硅胶的选材差异及耐温范围
模具开发周期、MOQ 与打样流程
包胶工艺能否实现硅胶与五金/塑胶的化学键合
产品是否符合 FDA/LFGB/生物相容性等认证要求

早期官网仅挂载了静态 FAQ 页面与关键词匹配的闲聊机器人，存在明显短板：

无法理解口语化问法——用户问"硅胶奶嘴用的料耐多少度"，机器人匹配不到关键词只能转人工；
无上下文记忆——用户先问"你们做液态硅胶吗"，接着问"那最小起订量多少"，机器人无法关联上文；
夜间无人值守——海外客户咨询时（母婴/电子行业有不少外贸询盘），只能留下表单等待次日回复，询盘流失率高。

基于此，我们决定以火山引擎豆包大模型 + RAG（检索增强生成）+ 多轮对话 Agent 架构对官网客服做一次系统性升级。

二、阶段一：传统 FAQ 机器人的实现与局限

最初的实现方式是典型的关键词+正则匹配 FAQ Bot：

// 简化版 FAQ 匹配逻辑
faqList.forEach(item => {
  if (userInput.includes(item.keyword)) {
    return reply(item.answer);
  }
});

这种方式在问题固定、表述标准时可以工作，但一旦用户换种说法（如"LSR 成型温度上限" vs "液态硅胶能耐多高热"），匹配率急剧下降。统计数据表明，约 60% 的技术咨询无法被 FAQ 命中，最终仍需人工介入。

此外，FAQ 机器人是无状态（Stateless） 的，每次请求独立处理，不具备 Dialogue Management（对话状态管理）能力，也无法做 Slot Filling（槽位填充）——比如引导用户依次提供"产品类型→应用场景→预估用量→交期要求"来完成询价前置信息采集。

三、阶段二：引入火山引擎大模型 + RAG 构建知识问答底座

升级第一步是将企业知识数字化，并接入火山引擎火山方舟平台调用豆包大模型（Doubao-Pro-32k）。

3.1 知识库构建

我们将以下文档切片、向量化后存入向量数据库（VikingDB / Milvus）：

产品技术手册（LSR 注射成型工艺参数、硬度 Shore A 对照表）
材料性能说明书（耐温 -40℃~200℃+、拉伸强度、FDA/LFGB 认证说明）
行业应用案例（医疗导管接头、母婴牙胶、汽车防水密封圈等）
原有 FAQ 库（2000+ 产品型号参数及常见问题）

采用 chunk size=512 token、overlap=64 token 的策略切分，使用豆包 Embedding API 生成 1024 维向量。

3.2 RAG 检索增强流程

用户提问
  → Query 向量化（Doubao Embedding）
  → 向量数据库 Top-K 检索（K=5~8）
  → 拼接 [Context] + [User Question]
  → 豆包大模型生成回答
  → 流式返回前端（SSE）

RAG 有效解决了大模型"幻觉"问题——客服回答严格锚定在企业真实技术文档范围内，对超出知识库范围的问题统一回复"该问题建议您联系工程师进一步确认"，避免瞎编工艺参数。

四、阶段三：多轮对话 Agent 的设计与实现

单纯 RAG 仍只是"增强版问答"，要真正承接 B2B 询盘还需要多轮对话 Agent，具备意图识别、上下文记忆和任务引导能力。

4.1 对话状态管理

使用 Redis 存储 session-based 对话上下文：

// 伪代码：多轮对话上下文注入
const history = await redis.get(`session:${uid}`);
const messages = [
  { role: 'system', content: SYSTEM_PROMPT },
  ...history,  // 最近 6~10 轮
  { role: 'user', content: userInput }
];
const answer = await doubaoChat(messages);
await redis.setex(`session:${uid}`, 1800, updatedHistory);

System Prompt 中明确角色设定：

你是橡楚橡胶官网智能客服助手，仅基于企业知识库回答 LSR/硅胶制品相关问题；引导客户提供「产品类别、应用场景、预估数量、交期」，收集完信息后生成询价摘要并提示留资。

4.2 槽位填充（Slot Filling）引导询价

Agent 按序追问缺失信息：

您需要哪类制品？（LSR液态硅胶 / 固态硅胶 / 硅胶包胶）
应用在哪个行业/场景？（医疗/母婴/汽车/电子…）
预估年用量或首单数量？
是否需要模具开发或已有模具？

四个槽位填满后，Agent 生成结构化询价摘要发送给销售 CRM 或企业微信机器人，完成人机协同。

4.3 整体架构图

[官网 Web 端 / 移动端]
        ↓ HTTPS / WebSocket
[API Gateway — 鉴权 · 限流 · 日志]
        ↓
[Agent Orchestration Layer — 意图识别 · 状态机 · 工具调用]
        ↓
┌───────────────┬──────────────────┐
│ 豆包大模型     │ RAG 知识库检索   │
│ Doubao-Pro    │ VikingDB 向量库  │
└───────────────┴──────────────────┘
        ↓
[回复生成 → SSE 流式输出 → 前端渲染]
        ↓（询价完成时）
[Webhook → 企业微信/CRM 推送线索]

五、效果与复盘

上线后核心指标变化：

FAQ 命中率：从约 40% 提升至 92%（RAG + 语义理解）
人工转接率：技术咨询类下降约 55%，简单询盘可由 Agent 直接引导留资
夜间询盘捕获：海外时区咨询可完成初步需求采集，次日销售跟进
用户满意度：多轮引导使客户感觉"被询问需求"而非"查字典"，好评明显增多

实践中几点经验：

知识库质量 > 模型参数：LSR 行业有大量专有名词（LSR、Shore A、包胶、冷流道等），建议先做领域术语增强；
上下文窗口要控制：只保留最近 N 轮，防止 token 膨胀和无关历史干扰；
安全兜底很重要：对价格、合同、付款方式等敏感话题，Agent 应明确拒绝回答并引导联系人工。

六、小结与展望

从静态 FAQ → RAG 知识问答 → 多轮对话 Agent，本质是客服系统从"关键字检索"进化到"理解意图+完成任务"。对于橡楚橡胶这类有专业技术壁垒的 B2B 制造企业，基于火山引擎豆包大模型 + HiAgent/扣子工作流编排搭建的垂直领域 Agent，既能降低售前人力成本，也能提升官网的专业形象与询盘转化率。

未来计划进一步打通 ERP/MES 接口，让 Agent 在授权后可实时查询模具排产状态，并向老客户主动推送订单进度——这才是制造企业 Agent 落地的下一阶段价值。

案例企业：橡楚（湖北）橡胶有限公司 — [专业 LSR 液态硅胶制品制造商](橡楚橡胶深耕华中配套专业提供液体硅胶花洒与包胶定制服务)

官网：https://www.churubber.com

本文为作者基于火山引擎大模型平台的企业智能化升级实践分享，欢迎交流讨论。