企业官网建设流程全解析

背景

老板让你做智能客服。你打开 ChatGPT，写了两行 Prompt，效果挺好——然后上线第一天，账单吓哭了财务。

这事一点都不夸张。

2016 年，同样的需求，你会打开一个叫 botframework 的库，然后开始写正则：

re.compile(r'我想查.*物流') re.compile(r'退款|退货|不想要了')

2026 年，你可能只会在 VS Code 里敲：

importopenai response=openai.ChatCompletion.create(model="gpt-5.6",messages=[{"role":"system","content":"你是客服，把用户意图分成：查订单、退款、投诉……"}])

从满屏幕正则，到一行 API——很多人就得出结论：传统 NLP 该进博物馆了。

错了。

它们没死，只是躲到了系统最底下，变成了这台机器的「骨骼」和「反射弧」。真正能扛住生产流量的方案，往往不是「全盘 GPT」，而是把规则、小模型、大模型缝在一起。

下面是NLP的历史及发展阶段：

一、规则时代：就是在写永远写不完的 if-else（1960s – 2000s）

NLP 最早其实没什么神秘感。1966 年，MIT 有人写了个聊天机器人 ELIZA，假装心理医生。核心逻辑放到今天，大概长这样：

if"妈妈"inuser_input:return"说说更多关于你家庭的事情吧"elif"我想"inuser_input:desire=re.findall(r'我想(.*)',user_input)returnf"为什么你想{desire}呢？"else:return"我明白了，请继续说"

看见没？关键词匹配 + 模板填空。这就是最早的「意图识别」。

后来电话语音客服（那种「按 1 查话费、按 2 办业务」）更狠：把用户可能说的话全穷举出来，再套一层层状态机。对程序员来说，就像在维护一个永远覆盖不完的switch-case。

爽的地方：结果可控。没概率、没幻觉，出了 bug 就是打断点。

疼的地方：用户换个说法就挂。「俺那个快递到哪了」——你的正则当场白给。规则越堆越多，最后没人敢动。

一句话记住这个时代：确定性强的事，代码本身就是最好的模型。

二、统计时代：别穷举了，让机器自己从数据里找规律（2000s – 2015）

数据多了以后，大家换了思路：与其手写一万条规则，不如把意图识别当成「文本分类题」。

套路很固定，两步走：

1. 把文字变成数字（当时叫特征工程）：词袋、TF-IDF 之类，本质是「这句话里出现了哪些词、哪些词更重要」。
2. 丢给分类器：朴素贝叶斯、逻辑回归、SVM……哪个好用用哪个。

2010 年左右，代码大概长这样：

fromsklearn.feature_extraction.textimportTfidfVectorizerfromsklearn.svmimportSVC vectorizer=TfidfVectorizer(ngram_range=(1,2))X_train=vectorizer.fit_transform(["我要退货","怎么退款","快递到哪了"])model=SVC(kernel='linear')model.fit(X_train,[1,1,0])# 1=售后，0=物流print(model.predict(vectorizer.transform(["俺东西不想要了"])))# [1]

好处很明显：用户换个说法，模型往往还能认出来。

坏处也明显：特征得人肉设计。词性、实体、句法树……一堆语言学知识硬塞给算法，像在开一家永远结不了业的作坊。

这个时代留下的关键认知是：文字得先变成向量，机器才好算。至于怎么变成向量，当时还得靠老师傅。

三、深度学习时代：不用懂语言学了，会调包就行（2015 – 2020）

Transformer 一来，特征工程那套作坊基本被砸了。

新想法很直观：别查词典定义「苹果」是什么，看它旁边站着谁。旁边是「吃、甜」，多半是水果；旁边是「华为、充电」，多半是手机。

BERT 之后，程序员日常变成了「微调」：拿一个预训练好的模型，用自己的业务数据再训一小下。很多时候，代码就这样：

fromtransformersimportpipeline classifier=pipeline("text-classification",model="my_intent_model")result=classifier("这手机太烫了，能退吗？")# [{'label': '退款', 'score': 0.98}]

精度一下子拉开差距。学术界和互联网公司迅速上车，空气里弥漫着一种感觉：传统 NLP 好像死了。

其实没有。它只是不再站 C 位了。

四、大模型时代：对话窗口里就能「写程序」（2020 – 现在）

ChatGPT 出来之后，游戏规则又变了。

很多任务不用再单独标注数据、训练小模型。你直接跟模型说清楚规则就行——这就是常说的 Prompt（提示词）：

System: 你是意图分类器。类别只有：查订单、退款、闲聊。 User: 我买的东西怎么还没到？ Assistant: 查订单

更夸张的是，它还能听懂弯弯绕绕的话。比如「这手机太贵了，有没有便宜点的替代？」——里面同时有比较、推荐、价格敏感好几层意思，以前要拆好几个模型，现在一句话就能糊弄过去。

于是灵魂拷问来了：既然 GPT 这么强，前面那些 if-else、小模型，是不是都能删了？

五、上线才知道疼：全靠 GPT，账单和延迟会先打你一顿

生产环境里，每秒可能涌进来上万次请求。这时候把所有流量都丢给大模型，财务和运维会一起找你谈话。

对比一下就清楚了：

自动驾驶不敢把刹车全交给「感觉差不多」的概率模型；金融、医疗、订单这些核心链路也一样——你需要白盒、可控、便宜的那一层。

所以今天真正务实的玩法，不是「用 GPT 换掉一切」，而是做成一个漏斗：简单的自己挡，拿不准的再往上交。

六、真正能上线的玩法：漏斗架构（规则 + 小模型 + 大模型）

把它想成客服班组，而不是一个万能神仙。

第 1 层：规则 —— 极速反射

最前面还是关键词、正则。像「播放音乐」「打开空调」这种又高频、又句式死板的指令，直接走规则：零延迟、零费用。

这是系统的骨骼。

第 2 层：小模型 —— 日常主力

大约八成常规流量，交给微调过的轻量模型（比如 DistilBERT、TinyBERT 这类）。比大模型便宜得多、快得多，效果也够用。只有它自己说「我不太确定」（比如置信度低于 0.9），才把难题往后扔。

这是系统的肌肉。

第 3 层：大模型 —— 救火队

那些被前两层「拒绝」的长尾怪话，才进 GPT。比如：

「我昨天那个单子啊，就是那个蓝色的，不想要了，你们看怎么处理一下？」

这种又绕又模糊的话，让大模型拆意图，甚至直接回一句澄清：「您是想退货，还是改地址？」

这是系统的外星大脑——贵，但只在关键时刻上场。

隐藏层：数据飞轮 —— 让系统越用越聪明

大模型搞定的难题，审核之后可以变成小模型的新训练样本。等于大模型在带徒弟：徒弟越来越强，师傅出场次数越来越少，成本自然降下来。

这样一来，你同时拿到三样东西：规则的可控、小模型的性价比、大模型处理乱七八糟句子的能力。

写在最后

NLP 的历史，不是「新产品干掉老产品」那么简单。更像一个人不断长出新器官：老技术沉到下面当底盘，新技术顶上去扛难题。

• 规则和统计时代留下的东西（分词、标注、特征思路），变成了今天的底盘
• BERT 这类小模型，成了日常干活的主处理器
• 大模型更像老师：自己也能干，还能把本事教给小模型

所以，作为写业务系统的人，手里的武器不该只剩if-else，也不该只剩一次ChatCompletion.create。

更稳的姿势是：会写规则、会训小模型、会用大模型——然后把它们排成一个漏斗。

下次老板再说「做个智能客服」，别只会调 GPT。先问问自己：哪些请求其实一行正则就够了？

延伸阅读与资源

python入门：Rquests从菜鸟脚本到企业级SDK的网络实战圣经
Milvus向量数据库实战修炼：从 0 到 1精通向量检索与生产落地
后端工程师的 AI 转型第一课：Ollama 与私有化大模型实战
10倍开发者的 Dify 魔法书：从零构建全栈 AI 应用
后端工程师转型AI第一课-Ollama 与私有化大模型实战

大型语言模型(LLM) vLLM 高性能推理落地实战

Agent开发之LlamaIndex 实战修炼与源码进阶

大语言模型Transformers 实战修炼与源码剖析