L33. 综合实战 B：AI 客服机器人

Vibe Coding 宣言：不会用 LLM (大模型) API 的程序员，就像不会用电的原始人。

0. 为什么这一课至关重要？ (Why It Matters)

• RAG (检索增强生成)：这是目前最火的 AI 应用方向。让大模型基于你的知识库回答问题，而不是瞎编。
• API 调用：学会调用 OpenAI/Claude/Gemini 的 API，你就拥有了最强的大脑。
• 全链路打通：从用户提问 -> 检索文档 -> AI 生成 -> 返回答案。

1. 目标 (Goal)

搭建一个 智能客服机器人，能够基于你提供的文档（如公司手册、产品说明书）回答用户问题。

2. 核心概念/装备/指令 (The Core)

2.1 LLM API (The Brain)

• Prompt: 你问它的问题。
• Context: 你喂给它的背景资料。
• Response: 它生成的回答。

2.2 RAG (The Memory)

1. Embedding: 把文档变成向量（一堆数字）。
2. Vector DB: 存向量的数据库（如 Pinecone/Chroma）。
3. Search: 根据用户问题，找出最相关的文档片段。
4. Generate: 把片段喂给 LLM，让它总结。

3. 实战演练 (Action)

Step 1: 准备文档

找一份 PDF 或 Markdown 文档（比如你的简历、公司介绍）。

Step 2: 搭建 RAG 流程

使用 LangChain 或 LlamaIndex（太重了？手写也行）。 简单版：

import openai

def get_answer(question, context):
    prompt = f"""
    基于以下资料回答问题：
    {context}
    
    问题：{question}
    """
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

Step 3: 接入前端

做一个简单的聊天界面（参考 L21 Streamlit 或 L22 React）。 用户输入问题 -> 后端调用 LLM -> 显示答案。

4. 常见问题 (FAQ - Vibe Style)

Q: API Key 要钱吗？ A: 要。 但很便宜。几块钱能玩很久。也可以用国内的 DeepSeek/Kimi API，更便宜。

Q: 文档太长怎么办？ A: 切片 (Chunking)。 把长文档切成 500 字一段的小块。每次只把相关的几块喂给 AI。

Q: 回答不准确怎么办？ A: 优化 Prompt。 告诉 AI “如果资料里没有答案，请直接说不知道，不要瞎编”。

5. 验收标准 (Definition of Done)

1. 你有一个聊天界面。
2. 上传一份文档（比如“Vibe Coding 课程表”）。
3. 问它：“Vibe Coding 有多少课时？” 它能准确回答“36 课时”。

---

Next Mission: L34. 复杂场景应对：当系统变大时