背景痛点：一句“我要退货”让对话卡死
做电商客服的同学都遇到过这种场景：用户甩过来一句“我要退货”，却不告诉是哪件商品。人工客服可以追问，但 AI 一旦没接住，对话就断掉。我们统计了去年 Q4 的 12 万条会话，发现 38% 的机器人转人工是因为“商品信息缺失”。平均响应时长从 18 s 被拉长到 1 min 42 s，直接带来两笔损失：
- 人力成本：每多一轮人工，平台多花 0.47 元
- 成交损失：用户等烦了直接离开，转化率下降 2.3%，单月 GMV 折损约 90 万
一句话，信息缺口=真金白银的流失。
技术选型：规则引擎 vs 机器学习，为什么选了 Dify
早期我们用正则+关键词硬编码，维护成本爆炸：上新一个品类就要加一条规则，三个月脚本膨胀到 2 300 行。后来试过纯 ML 方案，意图模型 94% 准确率看着高，但冷启动阶段没数据，效果跳水。
Dify 把工作流拆成“意图节点+函数节点+回复节点”，给了我们第三条路：
- 规则部分：快速兜住高频 Query（退货、开发票）
- 模型部分：低代码调用 LLM 做模糊理解
- 可视化：产品同学自己拖节点就能改流程，不用排队等发版
最关键的是官方 SDK 把“对话状态机”抽象成ConversationMemory，省掉自己写 Redis 缓存的麻烦，下面会细讲。
- 说明一
- 说明二
核心实现：三步让机器人“会追问”
1. 对话状态跟踪
Dify 的ConversationMemory自动把每轮 JSON 存进 SQLite，字段如下：
| 字段名 | 含义 |
|---|---|
| turn_id | 轮次序号 |
| user_intent | 当前意图 |
| missing_slot | 缺失的槽位列表 |
| product_mentioned | 已提取到的产品实体 |
我们只要在函数节点里memory.update({"missing_slot": ["product"]})，后续节点就能读到。
2. 实体识别模块
LLM 偶尔“幻觉”把“苹果手机”拆成“苹果”+“手机”，所以我们加一层后处理：把模型输出映射到标准 SKU，代码如下：
import pandas as pd from typing import List, Optional class ProductNER: """ 将用户原文中的产品名映射到标准 SKU 时间复杂度：O(M·N)，M=词典长度，N=token 数 """ def __init__(self, sku_df: pd.DataFrame): # 构造 {别名: SKU_ID} 的哈希表 self.alias2sku = {} for _, row in sku_df.iterrows(): for alias in row["alias"].split(","): self.alias2sku[alias.strip()] = row["sku_id"] def extract(self, text: str) -> Optional[str]: text = text.lower() # 最长匹配，避免“苹果”覆盖“苹果手机” for alias in sorted(self.alias2sku.keys(), key=len, reverse=True): if alias in text: return self.alias2sku[alias] return None3. 多轮追问 fallback
如果extract返回空，就触发追问节点。追问最多 2 轮，间隔 6 s 没回复算超时，直接降级到“人工客服”。流程图：
- 说明一
- 说明二
代码示例：可直接跑的对话管理
下面给出精简版bot.py，依赖dify-python-sdk>=0.4.0。异常处理、docstring 都写好了，拿去就能用。
import os import time from dify import DifyClient, ConversationMemory from product_ner import ProductNER client = DifyClient(api_key=os.getenv("DIFY_API_KEY")) memory = ConversationMemory(session_id="demo_001") ner = ProductNER(pd.read_csv("sku.csv")) def handle_message(user_text: str) -> str: """ 主入口函数 返回：要回复给用户的话术 """ try: # 1. 读取上下文 ctx = memory.get() missing = ctx.get("missing_slot", []) # 2. 实体识别 sku = ner.extract(user_text) # 3. 槽位填充 if "product" in missing and not sku: memory.update({"ask_count": ctx.get("ask_count", 0) + 1}) if ctx.get("ask_count", 0) >= 2: return "亲，为了尽快帮您处理，我为您转接人工客服～" return "请问您要咨询的是哪件商品呢？可提供商品名称或订单截图～" if sku: missing.remove("product") memory.update({"product_mentioned": sku, "missing_slot": missing}) # 4. 意图完成，调用下游节点 return client.run_workflow("after_product", memory=memory) except Exception as e: # 兜底，千万别把异常抛给用户 return "系统开小差了，正在为您转接人工客服" if __name__ == "__main__": while True: msg = input("用户：") print("Bot：", handle_message(msg))生产考量：上线前必须扣的三道关
对话超时设置与心跳检测
把ask_count写入 Redis 并设置 TTL=300 s，用户 5 min 没回来直接清会话，防止内存泄漏。用户隐私信息的模糊处理
手机、地址这类实体用presid替换，再落盘，日志样例："user_text": "我要退<phone>买的苹果"。并发场景下的会话隔离
session_id用"u_{user_id}_{timestamp}"，避免不同用户共用 memory；同时给 SQLite 加写锁，QPS 300 以内无压力。
- 说明一
- 说明二
避坑指南：追问不是“夺命三连”
频次控制
追问超过 2 次，用户烦躁率提升 47%。把“ask_count”做成滑杆，运营同学可以后台实时调。方言 & 拼写错误
用fuzzywuzzy做阈值 80 的模糊匹配，能把“手机”≈“手鸡”兜回来，再喂给 NER，召回率提升 11%。冷启动默认话术
新品上线没有别名，NER 会放空。提前给运营拖一条“兜底产品”节点，话术写“方便的话请您直接发订单截图，小助手眼神更好哦～”，先接住对话，后台再补数据。
开放性问题
追问太少，信息不全；追问太多，用户跑路。你在业务里是怎么平衡“引导效率”与“用户体验”的？欢迎留言一起拆案例。
