你是否也期待能够拥有强大的AI能力，为你的客户提供全天候的智能服务，无论时间和地点，都能延展我们卓越的客户关怀与支持！

　　如果能够站在这些大公司和开源社区的成果上，看似很高深的AI工作，也变得像把大象装入冰箱一样简单。接下来，我们可以参考Langchain chatGLM的方式，首先打造一个智能客服，解放你们公司客服长期不间断的重复工作，让他们集中精力处理更需要创造力的工作。

　　智能客服第一步：售后知识库准备工作，成果为WORD，PDF，TXT，MarkDown等格式的电子文档

　　收集公司在售产品的产品手册、操作说明书、售后服务协议、客服人员培训资料等。

　　可从开源社区GitHub中寻找这类向量化装配工厂，完成知识库文本向量化流水处理工作。推荐可采用Langchain，搭建起装配工厂的流水线，这条流水线的上下游构成如下：

　　挑选各类非结构化的文本加载工具（Langchain中整合了各类常见文件加载器），拼装成所需的文本加载器组；

　　采用Langchain这类工具，将以上工具和模型组装成流水线，实现文本知识存入向量数据库。

　　第三步：搭建和训练大语言模型，成果是具备你专业业务领域的知识处理能力的大语言模型

　　选择大语言模型基座，可供选择的大语言模型很多，既可选开源的大语言模型(如THUDM/chatglm-6b，vicuna-13b-hf)，也可选商用的大语言模型（如OpenAI中的gpt-35-turbo）；

　　将以上知识库中的文本，按模型训练所需的数据格式（如JSON格式），随机分成两部分，一部分为训练数据，一部分为测试数据，一般分割比例可设为4:1；

　　利用大语言模型提供的API接口，输入以上训练和测试数据，训练大语言模型，得到微调模型；

　　第四步：将客户的问题输入给大语言模型，成果是智能客服像人一样为客户做服务

　　将向量化后的问题，在向量知识库中进行搜索，获得与此问题语义相关度较高的知识文本片段；

　　接下来，我们还可以搭建一个更加复杂的智能代理。其步骤方法与智能客服类似，但需要在一些环节中加入对业务交易系统数据操作的能力。

　　我们参考DB-GPT，在以上的装配线上，做些组件更换，训练数据补充，引入数据库操作和数据展现等工具。

　　用业务数据结构的知识，微调训练大语言模型，具备业务数据操作SQL生成能力。