積沙成塔，滴水穿石

最近接手的專案，它的底層用bootstrap3.4 來撰寫。 bs3.4 的一些css utility 已經太舊了， 在使用上沒有bs5 來的方便。 所以就只好compile  bs5.3 向下兼容性的。 在基礎上 還是保有bs3.4 的功能，ex: <p> 、<a>  、.col-lg-3  這次的向下兼容改版不好改，有些地方需要修改底層加入特殊prefix，前提是不能影響既有bs3框架。 這次就用了postcss 來幫忙做css 後處理 SCSS 程式碼撰寫 → Utility 前綴撰寫→ PostCSS→ 最終 CSS 輸出 現在是只要加入bs5- 前綴 就能使用bs5 的語法，幸好bs5 寫得很多是變數，所以在使用postcss 改， 會比較輕鬆

最近做了一個案子，打算做的是顧客與店家的聊天小幫手。 第一版做的雛形，是AI 智能回覆 動態產生SQL ，可以做智能查詢，依照顧客想要的查詢。 自己設計了幾次下來，發現在測試階段，智能回答問題就花了不少token，有的時候回答準度還是很差。 在開會時，收到了意見回饋「客人會花錢買單使用智能客服嗎? 效益在哪裡 ?」 闆: 「還是先做成傳統的linebot」。 --------------------------------------------- 思考了一下之後， 我打算做個「微智能客服」。 在程式邏輯流程的API 還是先寫好固有的API、SQL。 整理歸類好的意圖分類，當顧客詢問的時候，先透過NLU 去做意圖分類，讓問題落在意圖分類之間，再去觸發固定的API、SQL。 之後再收斂回答的信心度校準、語意相似度輔助、模型和技術優化、 定期重訓練。 ---------------- @@  根據現有的資料庫及客服的回饋，再加上以往的經驗，能做的標籤及意圖分類就需要花些時間做整理了。

 最近用python + LINEBOT +AI +資料庫做了動態的智能客服💖💖。 底層的模型選用gemini-2.0-flash-thinking-exp，SQL 的架構採用混和的，分為AI動態產生、既有固定的SQL，之後可側錄使用者行為避免重複性高的SQL 會一直動態產生。 AI 動態查詢範圍設定為: orders(訂單)、users(顧客)。 目前的上下文記憶採用5回對話，短期對話記憶20分鐘TTL。 有做了標籤化來增加上下文的關聯性、信心比率的回覆。 目前測試下來，有的時候上下文的問題，會無法回答正確、對於問題描述後的輕澄清的信心比率還不夠，既使回答完問題，AI還會加入輕詢問(圖1)。 對話紀錄(圖1) 目前的標籤採用的是手動標籤，AI會去評估問題是在哪個標籤(圖2)。 對話紀錄(圖2) 之後再優化用NLU來做標籤分類、區分標籤，應該能改善有時回答失效的問題。 成果影片： https://mega.nz/file/tp0k1RJJ#9G3tCjcM3iVg_VEfTEcb6l7K5JHLU9Pe5GV3LEz-GEc 心得： 我也沒想到能夠做出來，但至少能夠客製化智能AI、會依據資料庫的東西再去思考與分析回答。 滿好玩的，把以前研究所快忘記的東西都呼叫回來，langchain 真的很好用。 要改善智能回答到優化，還有很多功夫要做。👊 一步一步改善啦~💖