前言
若问2023年科技领域什么最火，那当然是ChatGPT了，这么智能的对话机器人，给人带来无限的想象，围绕着ChatpGPT的各种热点和创意层出不穷。作为一个多年从事编程开发的程序员，我对于这么大的一个热点也很兴奋，每天琢磨着围绕ChatGPT干点啥。
当然还是先要认清现实，心再高也不能想着去开发一个ChatGPT一样的东西。这个投入太大，难度太高，成果太不可预料，团队、成本、技术、模型、算力、数据、安全、法规等等，每一项对于中小型企业都是重大挑战。国内也只有几个IT巨头能玩，能玩到什么程度不知道，就像某度啊，纯属瞎凑热闹。那么多企业非得去凑热闹，非的要去沾个亲，这个是无可厚非的，不管是博人眼球，还为了是抬高身价，作用还是立竿见影的，凑热闹就凑吧。
思量一番，ChatGPT开发不出来，开发一个它的近亲ChatBot还是没有多大难度的。于是亲自考察了一下公司线上客服的聊天内容，大致如下：
问：你好
答：您好
问：你们有xxx产品吗
答：有啊
问：多少钱
答：您留个电话吧，打给您
问：怎么联系你们
答：我们电话138...
...再细细分析一下近年来的客服聊天记录，竟然大部分对话都相似，相同的问题和答复，时刻都在重复上演！我的天啊，这也太程式化了吧，让我们客服天天干这种事请也太浪费资源了！不行，我要改变这种情形！
问一下客服们，之前用过智能客服对话机器人吗？她们说是用过啊，用过阿某云的、华某云的，不太好用，经常是答非所问、似是而非，很少获客。那就定了，我要给你们开发一个好用的Chatbot智能客服，彻底解放生产力！
大话说出来了，就只有去干了。经过两周的努力，终于实现了一个线上智能客服系统。虽然不是太智能，还算温柔可人，能回答常见的客户问题，比如：
你好
你好，我在呢
你在哪
我在北京啊
你贵姓
我叫云云啊，你呢？
发个产品报价吧
报价你还是打电话问吧
电话多少
电话是 136xxxxxxxx哈哈，跟我们客服回答的有点像啊，有兴趣可以跟她聊聊： http://v.ruiboyun.cn/chat/
我建议您先不要急着去跟这个机器人聊天，她并不是很聪明，还是希望您继续往下看。
技术选型
理想很丰满，现实须努力，为难于易，为大于细，那就一步一步的来吧。
技术架构
终端类型：浏览器，客户通过浏览器访问公司网站和浏览公司产品，聊天对话的场所就是浏览器中。
通信协议：Websocket，最适合进行双向交互，低延迟，高效率，没有更好的选择了。
后端框架：Java、PHP、Nodejs，好像都可以，但若要是做即时通信，前端面向浏览器，那Nodejs应该是不二之选。为啥？前后端用一种语言，前后端可以共用代码，前后端工程师可以复用，配合起来就像左手拉右手，你说香不香。使用Nodejs，就可以使用Socket.IO来进行聊天通信，那就更简单了。当然还有别的理由，往后看。
技术选型确定后，后面的工作都是基于这个技术框架来开展，我就不再做解释。
全文搜索引擎(full-text search)
做客服型Chatbot，全文搜索引擎是必须的，大量的聊天语料包准备好后，需要有高效灵活的搜索引擎来查找对应的内容。
可用的全文搜索引擎系统很多，最终我把选择范围缩小到如下两个：
1）RediSearch
2）FlexSearch
RediSearch是Redis的一个插件模块，用于实现全文搜索，具有开源、高效、多字段检索、精确短语匹配、搜索结果聚集等特点。
参考网址：https://redis.io/docs/stack/search/
FlexSearch是一个Nodejs模块，具有开源、轻量、纯JS、零依赖、内存内索引等特点。
参考网址：https://github.com/nextapps-de/flexsearch
仔细对比两个产品，RediSearch明显具有成熟、灵活、参考资源多等优势，如果要做商用产品或长远打算，那就应该选择RediSearch。
再看FlexSearch的介绍和API接口，除了参考文档少的可怜、成熟案例少之外，好像也没有什么大的不足，也能满足我的要求。更有吸引力的是轻量、JS源码、有了问题可以追根溯源的去修改，这恰恰符合我的脾气。
那就选择FlexSearch吧，虽然我选择FlexSearch，并不代表它是最好的，如果你要做更高级的商用系统，我还是建议你用RediSearch。
中文分词(tokenization&segmentation)
使用全文搜索引擎，一个重要的工作就是分词。索引过程是先对原始文本进行分词，然后对分词结果索引；搜索过程是先对问句进行分词，在使用分词结果去查询。
中文分词相对于拉丁语等其他语言的分词有很大的不同，拉丁语使用空格、标点符号作为分词标记，每个单词具有明确意义，因此分词过程要简单的多。
而中文分词则要复杂抽象一些，每个独立汉字放到不同的词语中意义就不同，若以每个汉字作为分词结果，想要在海量的全文中搜索你期望的结果是不可预期的，干扰噪声会完全淹没你的期望结果。
中文分词需要向后扫描要处理的文本序列，将单字、多字组合与字典中的词语（或你自己预定义的词语、术语）来对比，以此确定分词位置和分词结果。
于是开始找中文分词器，还好，我们要选择的两个全文搜索系统都有可用的中文分词器。
RediSearch使用了Friso库进行中文分词，Friso 是使用 c 语言开发的一款开源的高性能中文分词器，使用流行的mmseg算法实现。完全基于模块化设计和实现，可以很方便的植入其他程序中。到Github浏览了一下这个库，发现相当不错！
FlexSearch则要更加灵活，可以自己选择好用的中文分词库。上述Friso之封装了了php5, php7, ocaml, lua的插件，并没有封装Nodejs包，若要使用需要自己封装，这个可以参考Nodejs的N-API或Node-Addon-API。对于我目前的开发项目，当然还用不着再去将Friso封装成Nodejs插件，这个有点走弯路了。在Nodejs家族里只要找一款中文分词库，那应该是很容易的，果不其然，github搜一下就有很多选择。
nodejieba星最多，拿来测试一下，感觉分词效果还可以，就用它吧。
文档结构
技术选型做好之后，开始设计聊天语料的文档结构。我们把每一轮聊天互动（一问一答）的内容定义为一个文档，使用json对象来描述。文档结构定义如下：
{
id:1, //文档编号，用于唯一标记一个文档
tag:"business", //标签,用于将语料进行分组归类
query:"你好", //问句
answer:"你好，有何吩咐？"//答句
}所有文档保存在数组中：
[
{
id:1, //文档编号，用于唯一标记一个文档
tag:"business", //标签,用于将语料进行分组归类
query:"你好", //问句
answer:"你好，有何吩咐？"//答句
},
{
id:2, //文档编号，用于唯一标记一个文档
tag:"business", //标签,用于将语料进行分组归类
query:"你贵姓", //问句
answer:"我叫云云" //答句
}
]文档的query属性会交给全文搜索引擎进行索引，搜索过程就是搜索匹配的问句的过程，搜索到匹配问句后，将answer内容反馈给提问方。
对于海量的语料，文档问句词语的重复会是常见的，一个问句可能会返回多个结果，因此需要有手段选择最佳匹配，尽量让答复接近提问者的期望。这是一个较为复杂的问题，后面会有进一步说明。
实现细节
技术选型做好了，文档结构也设计好了，下面就是编码实现了，好激动啊。前一周参考了那么多技术，论证也比较充分了，所以我计划再花1周时间来开发实现。
后端服务
Nodejs+socketio，主要实现即时文本通信，还需要实现一些其他WebAPI接口，这个对于熟悉Nodejs的工程师是小菜一碟。
主逻辑代码app.js：
const chatter= require('./chatter');
const loader = require("./searcher/loader");
var express = require('express');
var app = express();
var http = require('http');
//http + socketio
var server = http.createServer(app);
var io = require('socket.io')(server);
const serverPort = 3000;
server.listen(serverPort, function(){
console.log("接口服务已启动，端口：",serverPort);
});
/**
* 消息结构体 答句时code非0时表示没有对应答案，问句时省略
* {
* code:0,
* msg:"hello"
* }
*/
//加载语料
loader.loadall(chatter);
io.on("connection", (socket) => {
socket.emit("message", {msg:"你好"});
// receive a message from the client
socket.on("message", (data,callback) => {
let msg = data.msg;
/**
* 问句 交给聊天机器人处理，返回 答句
*/
let response_msg = chatter.chat(msg);
let response_data = {
code:response_msg?0:1,
msg:response_msg
};
callback(response_data);
});
});下面就是聊天机器人的核心逻辑了。实现一个全文搜索引擎封装文件 chatter.js
//搜索引擎
const { Index, Document, Worker } = require("flexsearch");
//分词器
var nodejieba = require("nodejieba");
const regex = /[\x00-\x7F]+/g;
function encode(str) {
str = ("" + str).replace(regex, "");
let len = str.length;
if (len < 0) return [];
if (len == 1) return [str];
let arr = nodejieba.cut(str);
return arr;
}
const limit = 5; //搜索结果最多返回数
const documents = []; //存储所有文档
var id = 0; //id递增器
//创建全文索引器，具体参见flexsearch用法
const options = {
preset: "default",
tokenize: "strict",
language: "zh",
encode: encode, //引入分词器
bool: "or",
document: {
id: "id",
tag: "tag",
index: "q"
}
};
const index = new Document(options);
/**
* 添加语料接口
*/
function add(tag, q, a) {
id++;
documents[id] = { id: id, tag: tag, q: q, a: a };
return index.add({ id: id, tag: tag, q: q });
}
/**
* 查找
* @param {string} text
* @param {string} tag
*/
function search(text, tag) {
let opt = {
index: "q",
limit: limit,
};
if (tag) opt.tag = tag;
return index.search(text, opt);
}
//获取文档
function get(id) {
return documents[id];
}
function chat(msg) {
let result = search(msg, tag);
if (result.length > 0) {
let ids = result[0].result;
let id = ids[0];
let doc = get(id);
return doc.a;
} else {
return null;
}
}
module.exports = { add, get, chat }可以看到，在这个module中实现了较多的内容，包括创建全文索引系统、创建分词器，以及添加语料接口、查询接口、文档获取接口等。
最终能力的输出通过chat接口实现。看chat函数代码，原理简单，根据问句检索答句，如果有多条，则返回第一条。
语料的加载，在app.js通过实现一个loader来实现的：
//加载语料
loader.loadall(chatter);loader的任务是将语料库加载到内存中，然后逐条传递给全文索引系统进行索引。
前端页面
前端页面找我们前端美女实现，设计一个聊天界面那是分分钟的事情了，机器人的回答有一个汽包等待动画，就像ChatGPT那样，那是机器人在检索数据。
前端代码，通信部分大致是这样的：
import { io } from "socket.io-client";
const socket = io("ws://localhost:3000");
// send a message to the server
socket.emit("message",{msg:"你好啊"},(data)=>{
if(data.code==0){
//渲染聊天数据
}
});效果提升
人任何时候都不能高估自己啊，要时刻提醒自己爬得高摔得重。通过几天的努力，我的Chatbot已经可以给你聊条对话了，可是效果如何呢，评测一下大致如下：
你好
你好
你在哪里
我在北京
上海在哪里
我在北京
科灵顿在哪里
我在北京简直是无聊，很多问题的答复落在要给答案上！
其实这是预料之中的事情，为啥，一是因为语料库内容有限，二是检索结果没有经过任何优化。Flexsearch对多关键字的检索（multi-search）打分，偏离的离谱，只能自己去优化。既然是开源的，那就可以优化，或者变着法子使用你的优点，绕开你的缺点。
优化一，找最佳匹配结果
如果查到多个记录，那就看看哪个匹配度最高，怎么计算匹配度高低呢？用了与i个简单的方法，那就是问句中的所有分词在哪个答案里出现的次数最多，就选则那个答案。
于是对查询过程进行优化：
1）搜索前主动分词、去重、排除干扰字词
2）搜索结果对比，寻找出现频次最多的结果
于是，在chatter中实现如下搜索接口：
/**
* 复杂搜索入口，输入一个整句，这里进行分词、去重、搜索、合并
* 同步函数
* @param {string} text
* @param {string} tag
* @returns
*/
function complexSearch(text,tag){
let words = encoder.encode2(text);
let arrIds= [];
let keys = [];
if(!words ||words.length==0){
return null;
}
if(words.length>keyLimit){
//去掉1字词
words.forEach(element => {
if(element.length>1){
keys.push(element);
}
});
}else{
keys = words;
}
//限制搜索词个数
if(keys.length>keyLimit){
keys = keys.slice(0,keyLimit);
}
//多次搜索，不使用flexsearch的multi-search
keys.forEach(key=>{
let result = search(key,tag);
if(result.length>0){
let ids = result[0].result;
arrIds.push(ids);
}
});
//取最优结果
let result = null;
if(arrIds.length==1){
result = arrIds[0];
}else if(arrIds.length>1){
result = arrUtils.mixmix(arrIds);
}
return result;
}优化后，测试一下，果然准确度大幅攀升，基本上答复符合预期。
优化二，优化商务语料包，定义自有词库
这一步也很重要，商务语料包是用来回答客户问题的，尽量要简洁、通俗（符合大众问句习惯）、去除干扰词。
例如，下面问句，显然第二句更好些：
你们公司的产品资料给我发一份吧
产品资料发一份然后就是定义词库，把客户常用词、公司的产品和术语做成一个词典给分词器，让按照自定义词典分词，这样检索命中率就会更好。
优化三，上下文相关搜索
上下文相关搜索是把相关的内容放置在更优先的反馈结果里，这样智能机器人返回的结果就更像真人的聊天内容，想想看，如果一次聊天对话能够仅仅围绕相同或相近的话题，是不是更有趣。
语料库包
语料库里放着所有的问句和答句，如果要让chatbot更加博学和聪明，就要不断丰富你的语料库。语料库的答句风格也就是chatbot的风格，她可以是个温柔的助理，也可以是个野蛮的匹夫，这些取决于你的语料内容。
语料库我把它分成两个部分，用tag进行标注。一个是专用商务语料包，里面涵盖了各类客户常见问题和答案，这部分由我峨嵋你公司的商务人员负责提供和优化，并且不断丰富。一个是闲聊语料包，用于与客户闲聊，应对一些商务问题之外的问题，这个可以从网上搜，也可以通过商业渠道获取。
最终，我们编辑了1000条商务语料，并从网上找了100万条闲聊语料。100万条多吗，其实不多，全文搜索引擎几个毫秒就可以索索一边，不用担心效率问题。
最后的问题，为什么不是ChatGPT
前面已经说过了，研发类ChatGPT系统，需要的是人才、投入和海量的语料/资料，以及大量的语料清洗校正工作，所以一般的企业炒炒概念也就算了，这个艰巨的任务还是留给我们的科技巨头吧。
ChatGPT是美国人工智能研究实验室OpenAI新推出的一种人工智能技术驱动的自然语言处理工具，是全球技术精英经过多年技术积累，花费数十亿美刀研发出的东西，ChatGPT不单是聊天机器人，还能进行撰写邮件、视频脚本、文案、翻译、代码等任务。ChatGPT使用了Transformer神经网络架构，这是一种用于处理序列数据的模型，拥有语言理解和文本生成能力，尤其是它会通过连接大量的语料库来训练模型，这些语料库包含了真实世界中的对话，使得ChatGPT具备上知天文下知地理，还能根据聊天的上下文进行互动的能力，做到与真正人类几乎无异的聊天场景进行交流。
ChatGPT受到关注的重要原因是引入新技术RLHF (Reinforcement Learning with Human Feedback，即基于人类反馈的强化学习)。RLHF 解决了生成模型的一个核心问题，即如何让人工智能模型的产出和人类的常识、认知、需求、价值观保持一致。ChatGPT是AIGC（AI- Generated Content，人工智能生成内容）技术进展的成果。
抛开算法、算力的技术壁垒和投入，我们单从语料说起，ChatGPT使用的语料是数百亿条，除了聊天语料，还有海量的新闻资讯、天文地理、音乐绘画、财经政治等等书籍资料，也包括我们中文的大部分历史文集、诗词歌赋等。
传统的Chatbot不具备、或者具备有限的智能，主要任务还是搜索和回答，再进一步就是关联上下文环境的互动聊天，以及可插入任务中间件的互动聊天，譬如问天气、问路况、问航班、问行情、电器设备控制、行业问题答疑等等，都在传统聊天机器人的范畴之内。而ChatGPT，则是具有了学习、模仿、关联、归纳总结、创造等能力。
好了，聊到这里也算结束了，我的Chatbot还有很多地方需要优化提升，希望您给出宝贵意见哦，您现在可以给她聊几句了：http://v.ruiboyun.cn/chat/
这个机器人脑路有限，多多包涵 ~:)