本文詳細介紹了如何使用LangStudio構建“意圖識別客服”應用流。該應用流通過整合意圖識別和RAG能力，為模型提供了智能識別使用者意圖的能力，從而在處理使用者輸入的問題時，能夠快速分類和理解使用者需求，實現更高效的客戶服務。開發人員可以基於該模板進行靈活擴充和二次開發，以滿足特定情境的需求。
背景資訊
在現代客戶服務領域，"意圖識別客服" 應用流通過結合先進的自然語言處理技術和深度學習模型，為使用者提供更加智能和高效的客服體驗。通過整合意圖識別和RAG能力，該解決方案能夠準確理解使用者的需求和問題，從預定義的知識庫中擷取標準答案，並迅速提供相關的解決方案；開發人員也可以使用Python進行開發，根據實際需求調整應答策略，從而提升客服的準確性和使用者體驗。在電商、銀行、通訊等需要高效客戶服務的領域中表現尤為出色。開發人員可以基於該應用流的模板進行靈活的擴充和定製化開發，以更好地滿足不同應用情境的需求，從而最佳化客戶體驗和提升服務品質。
前提條件
LangStudio向量資料庫支援使用Faiss或Milvus向量資料庫，若您希望使用Milvus資料庫，您需要先完成Milvus資料庫的建立。
說明Faiss通常用於測試環境，無需額外建立資料庫即可使用。在生產環境中，建議您使用Milvus資料庫，支援處理更大規模的資料。
已將RAG知識庫語料上傳至OSS中。
1. （可選）部署LLM和Embedding模型
意圖識別應用流需要用到LLM和Embedding模型服務，本節將詳細介紹如何通過ModelGallery快速部署所需的模型服務。若您已有符合要求的模型服務，且服務支援OpenAI API，則可跳過此步驟，直接使用現有服務。
前往快速開始 > ModelGallery，分別部署以下兩種情境的模型。更多部署詳情，請參見模型部署及訓練。
情境選擇大語言模型，以DeepSeek-R1為例進行部署。更多部署詳情，請參見一鍵部署DeepSeek-V3、DeepSeek-R1模型。
說明為了方便示範，本文建立的應用流中，意圖識別、問題重寫、回答使用者問題這三個節點均採用同一模型串連，因此只需要部署一次DeepSeek-R1即可。在實際生產環境中，您可以根據實際需求分別部署合適的模型，並建立相應的串連，從而確保系統的準確性和高效運行。
情境選擇Embedding，以bge-m3 通用向量模型為例進行部署。
2. 建立串連
2.1 建立LLM服務串連
本文建立的LLM模型服務串連基於快速開始 > Model Gallery中部署的模型服務（EAS服務）。更多其他類型的串連及詳細說明，請參見服務串連配置。
進入LangStudio，選擇工作空間後，在服務串連配置 > 模型服務頁簽下單擊建立串連，建立通用LLM模型服務串連。
關鍵參數說明：
參數 | 說明 |
模型名稱 | 當通過Model Gallery進行模型部署時，可通過模型詳情頁（在Model Gallery頁單擊模型卡片）查看模型名稱的擷取方法，詳情請參見建立串連-模型服務。 |
服務提供者 |
|
2.2 建立Embedding模型服務串連
同2.1 建立LLM服務串連類似，建立通用Embedding模型服務串連。
3. 建立知識庫索引
建立知識庫索引，將語料經過解析、分塊、向量化後儲存到向量資料庫，從而構建知識庫。其中關鍵參數配置說明如下，其他配置詳情，請參見建立知識庫索引。
參數 | 描述 |
基礎配置 | |
資料來源OSS路徑 | 配置前提條件中RAG知識庫語料的OSS路徑。 |
輸出OSS路徑 | 配置文檔解析產生的中間結果和索引資訊的路徑。 重要 當使用FAISS作為向量資料庫時，應用流會將產生的索引檔案儲存到OSS。若使用PAI預設角色（應用流開發-啟動運行時時設定的執行個體RAM角色），應用流可以預設訪問使用者工作空間的預設儲存Bucket，因此建議將此參數配置為當前工作空間預設儲存路徑所在的OSS Bucket下的任一目錄。如果使用自訂角色，您需要為自訂角色授予OSS的存取權限（建議授予AliyunOSSFullAccess許可權），詳情請參見為RAM角色授權。 |
Embedding模型和資料庫 | |
Embedding類型 | 選擇通用Embedding模型。 |
Embedding串連 | 選擇2.2 建立Embedding模型服務串連中建立的Embedding模型服務串連。 |
向量資料庫類型 | 選擇FAISS。本文以FAISS向量資料庫舉例說明。 |
4. 建立並運行應用流
進入LangStudio，選擇工作空間後，在應用流頁簽下單擊建立應用流，建立意圖識別客服應用流。
啟動運行時：單擊右上方建立運行時並進行配置。註：在進行Python節點解析或查看更多工具時，需要保證運行時已啟動。
關鍵參數說明：
專用網路配置：如果3. 建立知識庫索引中向量資料庫類型為Milvus，則需配置Milvus執行個體相同的專用網路，或確保已選的專用網路和Milvus執行個體所在的專用網路已經互連；如果向量資料庫類型為Faiss，則無需配置專用網路。本文以Faiss向量資料庫舉例說明。
開發應用流。
應用流中的其餘配置保持預設或根據實際需求進行配置，關鍵節點配置如下：
意圖識別：通過大語言模型分析使用者輸入的意圖，並根據識別結果執行相應的分支。
多意圖配置：按需設定意圖，確保每個意圖的描述都清晰明確，並且不同意圖之間不存在語義重疊。本文以預設意圖“關於阿里雲PAI產品的問題”舉例說明。
模型設定：選擇2.1 建立LLM服務串連中建立的串連。
對話歷史：是否啟用對話歷史，將歷史對話資訊作為輸入變數。
問題重寫：調用大語言模型重寫匹配到的意圖資訊。
模型設定：選擇2.1 建立LLM服務串連中建立的串連。
對話歷史：和意圖識別節點配置一致。
知識庫檢索：在知識庫中檢索與使用者問題相關的文本。 更詳細的內容介紹，請參見使用知識庫索引。
知識庫索引名稱：選擇3. 建立知識庫索引中建立的知識庫索引。
Top K：返回Top K條匹配的資料。
回答使用者問題：調用大語言模型回答使用者問題。
模型設定：選擇2.1 建立LLM服務串連中建立的串連。
對話歷史：和意圖識別節點配置一致。
其他意圖：自訂Python代碼，可實現更加複雜的資料處理邏輯。
變數彙總：將使用者佈建的意圖和其他意圖進行整合，確保無論哪個分支被執行，其結果都能通過一個統一的變數來引用和訪問。
關於各節點群組件詳情，請參見附錄：預置組件說明。
調試/運行：單擊右上方運行，開始執行應用流。關於應用流程執行時的常見問題，請參見常見問題。
查看鏈路：單擊產生答案下的查看鏈路，查看Trace詳情或拓撲視圖。
5. 部署應用流
在應用流開發頁面，單擊右上方部署，將應用流部署為EAS服務。部署參數其餘配置保持預設或根據實際需求進行配置，關鍵參數配置如下：
資源部署 > 執行個體數：佈建服務執行個體數。本文部署僅供測試使用，因此執行個體數配置為1。在生產階段，建議配置多個服務執行個體，以降低單點故障的風險。
專用網路 > VPC：如果3. 建立知識庫索引中向量資料庫類型為Milvus，則需配置Milvus執行個體相同的專用網路，或確保已選的專用網路和Milvus執行個體所在的專用網路已經互連；如果向量資料庫類型為Faiss，則無需配置專用網路。本文以FAISS向量資料庫舉例說明。
更多部署詳情，請參見應用流部署。
6. 調用服務
部署成功後，跳轉到PAI-EAS，在線上調試頁簽下配置並發送請求。請求Body中的Key與應用流中“開始節點”中的參數"對話輸入"欄位一致，本文使用預設欄位question。
更多調用方式（如API調用）及詳細說明，請參見應用流部署-調用服務。