生成式 AI（GenerativeAI）是当今科技领域的前沿技术之一。随着数据量的不断增加和计算能力的不断提升，AI 技术在企业和个人生活中的应用越来越广泛。AI-BOT（以下简称 BOT）是生成式 AI 技术的其中一种重要的应用形式，它可以通过学习各类业务数据信息，帮助人们执行一系列任务，从而提高工作效率，减少人力成本。
而 GPTBots 作为 BOT 开发平台，一直是生成式 AI 的前沿探索者。本文将与您分享，如何在 GPTBots 上，为您的业务开发和训练一个拥高可用性的 BOT。
准备工作
注册 GPTBots 平台
注册一个 GPTBots 账号，是开发 BOT 的第一步。
进入 GPTBots 平台（https://gptbots.ai/developer），点击【注册】，并登录到【开发者后台】。完成注册后，平台会为您赠送一些积分，这些积分能够让您进行平台功能的初体验，例如创建 BOT、调试 BOT、训练 BOT 等。如果完成企业认证，还可以获得高达 500 积分的赠送。
业务分析
首先，您需要明确 BOT 在您的业务中的定位和目标。
定位指的是 BOT 在您的业务中的特殊位置，它被用于解决某个特定领域的问题，因此与其他 BOT 是存在差异的。目标指的是 BOT 在您的业务中所能达成的具体结果，例如降低成本、提升人效等。
我们建议您可以把 BOT 理解为一名员工，这位员工知识渊博，无所不知，但在某些专业领域又有些欠缺。不过，只需要提供相关专业知识就，它可以化身领域专家，有效解决专业问题。因此，在明确定位和目标时，我们可以这么思考：
定位：一名非常专业的电商售后客服人员，他对于公司业务了如指掌，能够快速且专业地为客户解决各类型售后问题。
目标：提升客户服务效率和质量，降低客户服务成本。
其次，您需要了解 BOT 所需解决的业务领域中存在的问题和挑战。了解这些，有助于帮助您进一步定位 BOT 的能力范围。
数据收集
在明确了 BOT 的定位和目标后，我们需要为 BOT 进行数据收集。
根据上文我们提供的建议，我们把这个 BOT 想象成为一名无所不能的员工。但一名强大的员工，除非部分人有天赋以外，更多地一定是通过不断的知识学习和经验积累后才能做到的。而 BOT 的数据，指的就是 BOT 需要学习的知识。
继续使用上文的例子。一名“一名非常专业的电商售后客服人员”，一定是拥有非常丰富的公司售后业务知识，包括但不限于：公司的售后服务政策、公司历史处理售后问题经典案例……
因此，我们需要做以下工作：
1.收集数据。作为给这个“电商售后 BOT”的学习资料；
2.数据分类。分类越清晰，越有助于 BOT 知识的维护管理，以及提升 BOT 的响应质量。例如电商售后服务知识，我们可以大致分类为：服务总则、服务细则、服务流程、常见问题、经典案例等；
3.数据清洗及预处理。以保证最终给 BOT 学习的数据是相对“干净”，不含“杂质”的。
注意，数据的收集并不是越多越好，更重要的是数据的质量。我们需要给 BOT“学习”高质量的知识，BOT 才能给我们输出高质量的结果。
构建 BOT
在以上准备工作均已完成后，就可以开始构建这个“电商售后 BOT”。
更多的 GPTBots 使用教程，请访问 GPTBots 官方文档，在本文中不做详细展开。
创建 BOT
根据业务实际，创建合适类型的 BOT。GPTBots 定义了两类 BOT：
● 知识问答：拥有“短记忆”能力，适用于一些简单的问答场景，例如翻译、客服、知识检索等；
● 智能助理：拥有“短记忆 + 长记忆”能力，适用于较为复杂的对话场景。
用户可按自身实际需求来选择 BOT 类型。
身份提示撰写技巧
在构建 BOT 的过程中，比较重要的一个环节，就是为 BOT 撰写身份提示。
身份提示可用来塑造 BOT 的身份、能力，边界和情绪等。一个优质的身份提示，能够让 BOT 以更加符合期望地回复用户问题。
我们可以用一个通用的结构来撰写身份提示，如下：
● 角色：BOT 需要担任的角色，如“专业的售后服务人员”；
● 技能：BOT 需要拥有的技能，如“出色的售后服务能力与客户沟通技巧”；
● 个性：BOT 的语气、个性、沟通方式等，如“语气请平和，用词需礼貌”；
● 目标：BOT 的任务目标，如“基于参考内容及客户提问，回答客户的问题”；
● 链式思考：为 BOT 提供一些思考流程与方式，以引导 BOT 按照你的要求进行思考和解决问题，如“MUST follow these steps to answer the customer queries: Step1 - Step2 - Step3 - Step4...”。在一些较为垂直、特定的场景下，该方法非常好用。更多的链式思考技巧，可以在这里学习：Zero-Shot-of-Chain。请注意，这部分不是必须的，可按实际需求撰写。
● 输出规则：若您需要 BOT 输出内容为特定结构或格式（如：json、markdown……），您也可以在此定义。请注意，这部分不是必须的，可按实际需求撰写。
以上文“电商售后 BOT”为例，我们可以这样撰写身份提示：
请扮演一名专业的售后服务人员。你拥有出色的售后服务能力与客户沟通技巧。你的任务是，基于参考内容及客户提问，回答客户的问题。语气请平和，用词需礼貌。
训练 BOT
在设定好 BOT 的基本信息后，我们需要对 BOT 进行知识“投喂”以及训练。
知识输入
我们需要将数据收集阶段收集到的售后服务类数据，以合适的格式，“投喂”给 BOT 进行训练。GPTBots 平台目前支持文档导入（.docx、.md、.txt、……）、网站爬取、在线文本、在线 Q&A 等方式进行知识输入。
向量搜索
训练完成后，可以立刻通过“向量搜索”功能，对知识进行向量搜索测试，检查命中情况，目的是为了观察已经训练好的知识在面对实际问题时，是否能够有效地完成信息召回。
聊天记录训练
在 BOT 已经投入使用后，我们依然可以对 BOT 进行反复训练。
目前 GPTBots 支持基于用户的聊天记录进行训练。这种训练方式的优势在于，训练的语料使用的是用户在使用 BOT 过程中实际发生的对话，使用这些对话作为训练材料，能够让 BOT 更有效地接近实际的用户使用场景。
调试 BOT
调试模式可以帮助开发者一边使用 BOT 一边调整 BOT 参数，以让 BOT 达到开发者所期望的效果。
更复杂的场景，如何处理？
在实际业务中，会很多远比售后服务问答要复杂得多的场景。面对这些场景，GPTBots 提供了更丰富的处理方式以应对。
为 BOT 插上翅膀 —— 插件能力
大语言模型（LLM）本身是有知识范围限制的，当需要 LLM 帮助我们处理更多业务定制化的、复杂的任务时，我们可以通过为 LLM 添加插件的方式，扩展 LLM 的能力，使 BOT 拥有更加强大的能力。
GPTBots 当前已支持插件功能。
GPTBots 官方已经提供了一些免费的公开插件供用户使用（更多的官方插件正在陆续开发中……）。
同时，GPTBots 也支持开发者自行开发插件，以个性化地覆盖自身的业务场景。例如，开发者可以通过开发插件，将 BOT 对接到自己的业务系统，调用自己的业务数据，让 BOT 来处理特定业务工作。
用可视化流程（FLOW）构建 BOT
若是存在更加复杂的业务场景，则可以通过可视化流程（FLOW）来构建 BOT。
GPTBots 目前正在内测的 FLOW 构建 BOT 功能。我们将一个 BOT 应有的或常见的模块抽象为多个组件，用户可以通过在可视化面板上托拉拽的方式，个性化地构建一个复杂场景下的 BOT，以解决更加垂直、更加特定场景下的问题。
将 BOT 与业务连接
GPTBots 支持将构建好的 BOT 与用户自己的业务进行连接，目前主要有以下三种方式：
● API：GPTBots 当前提供了多个与 BOT 进行交互的 API，包括但不限于创建对话、发送消息、获取消息等；
● mip-iframe layout="responsive" 网页嵌入：将 BOT 对话界面以 mip-iframe layout="responsive" 的形式嵌入到您的网页内进行使用；
● bubble 网页小部件：将 BOT 以 bubble 小部件的形式嵌入到您的网页内进行使用，它将以气泡的形式，展示在您网页的右下角。
写在最后
在生成式 AI 发展迅猛的今天，GPTBOTS 为开发者提供了强大的自主构建 AI-BOT 的能力，能够帮助开发者快速高效地构建个性化的 BOT，以解决其业务痛点或问题，驱动业务增长。
诚邀您来试用 GPTBots。现在注册，即有积分赠送。参与企业认证或邀请好友注册，也能获取更多积分。
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。