电商人如何用 OpenClaw 做自动客服？3小时上线，每天省2小时- 大数跨境

首页

电商人如何用 OpenClaw 做自动客服？3小时上线，每天省2小时

SIMIAIOS

2026-04-14

导读：OpenClaw🦞养成记之：电商人如何用 OpenClaw 做自动客服？

OpenClaw🦞养成记之：电商人如何用 OpenClaw 做自动客服？3小时上线，每天省2小时（附完整代码 + SIMIAIOS 64卦升级版）

兄弟们，“爆肝几晚终于把自动客服搞出来了”。

用OpenClaw成功搭建了一个能处理80%重复咨询的AI客服Agent，每天省下2小时，拿来做选品和内容，真正把AI从“玩具”变成了“生产力工具”。

今天我把这套方案彻底吃透，并结合SIMIAIOS 64卦虾群，给你一个更智能、更稳定、可直接落地的电商自动客服完整版。

一、为什么电商自动客服这么香？

电商客服的真实痛点：

重复问题占比极高（物流、发货、价格、尺码、退换货等）
人工响应慢 → 客户流失、差评风险高
人工成本高 → 中小卖家难以承受7×24小时值班
客服话术不统一 → 品牌形象不专业

AI自动客服能解决：

80%+常规问题自动回复
响应时间从分钟级降到秒级
24小时不间断服务
话术统一、专业、有温度
复杂问题自动转人工 + 完整上下文

二、OpenClaw搭建电商自动客服的核心方案

方案核心是知识库 + 关键词/相似度匹配 + 大模型兜底，非常实用。

我在此基础上升级为SIMIAIOS 64卦协同版，让客服不再是孤立的Agent，而是整个虾群的一部分。

推荐技术栈：

OpenClaw：核心自动化框架（UI控制 + Skill系统）
知识库：Excel/JSON/飞书多维表格
大模型：阿里百炼Qwen系列、MiniMax、Kimi（国内模型，稳定且性价比高）
触发方式：Cron定时扫描 + Webhook实时推送（推荐结合飞书/微信）

三、完整代码 + 配置（可直接复制使用）

1. 技能目录结构

~/.openclaw/workspace/skills/ecom-customer-service/
├── skill.json
├── index.js
├── knowledge_base.json          # 常见问题知识库
├── config.json
└── fallback_responses.json

2. skill.json

{
  "name": "电商智能客服",
  "description": "自动回复电商常见问题，支持淘宝/抖音/拼多多/Shopify等平台",
  "version": "2.0",
  "trigger": "cron",
  "cron": "*/3 * * * *",
  "entry": "index.js",
  "runtime": "node"
}

3. knowledge_base.json（核心知识库，可持续扩充）

{
  "faqs": [
    {
      "id": "faq_001",
      "category": "物流",
      "keywords": ["快递", "发货", "物流", "运送", "配送", "中通", "韵达"],
      "question": "发什么快递？",
      "answer": "亲，我们默认发中通/韵达快递，如需指定其他快递请备注哦~"
    },
    {
      "id": "faq_002",
      "category": "发货时间",
      "keywords": ["发货", "多久", "时间", "时效", "什么时候"],
      "question": "什么时候发货？",
      "answer": "亲，付款后48小时内发货，预售商品以页面显示时间为准~"
    },
    {
      "id": "faq_003",
      "category": "价格",
      "keywords": ["便宜", "优惠", "折扣", "降价", "打折", "能便宜吗"],
      "question": "能便宜吗？",
      "answer": "亲，已经是底价啦~满99减5，满199减15哦，性价比很高呢！"
    }
    // ... 继续添加你的20-50个高频问题
  ],
  "settings": {
    "match_threshold": 0.75,
    "auto_escalate": true,
    "escalate_keywords": ["投诉", "举报", "315", "差评", "骗子"]
  }
}

4. index.js（核心逻辑，已优化 + 支持SIMIAIOS调用）

const fs = require('fs');
const axios = require('axios');

const config = JSON.parse(fs.readFileSync('./knowledge_base.json', 'utf8'));
const fallback = "亲，这个问题我需要确认一下，稍后给您回复哦~ 请问还有其他可以帮您的吗？";

async function getAIReply(question) {
  try {
    const response = await axios.post(
      'https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions',
      {
        model: 'qwen-plus',
        messages: [
          { role: 'system', content: '你是一个专业、热情、有温度的电商客服。请用亲切自然的语气回复，必要时引导私域或促成下单。' },
          { role: 'user', content: question }
        ],
        temperature: 0.7
      },
      {
        headers: { 'Authorization': `Bearer ${process.env.BAILIAN_API_KEY}` }
      }
    );
    return response.data.choices[0].message.content;
  } catch (e) {
    console.error('AI调用失败:', e.message);
    return fallback;
  }
}

async function handleMessage(input) {
  const inputLower = input.toLowerCase();

  // 1. 关键词精确匹配
  for (const faq of config.faqs) {
    for (const kw of faq.keywords) {
      if (inputLower.includes(kw.toLowerCase())) {
        return faq.answer;
      }
    }
  }

  // 2. 相似度匹配（简单Levenshtein）
  let bestScore = 0;
  let bestAnswer = null;

  for (const faq of config.faqs) {
    const score = calculateSimilarity(input, faq.question);
    if (score > bestScore && score >= config.settings.match_threshold) {
      bestScore = score;
      bestAnswer = faq.answer;
    }
  }

  if (bestAnswer) return bestAnswer;

  // 3. 兜底：调用大模型
  return await getAIReply(input);
}

// 简单相似度函数
function calculateSimilarity(s1, s2) {
  const longer = s1.length > s2.length ? s1 : s2;
  const shorter = s1.length > s2.length ? s2 : s1;
  if (longer.length === 0) return 1.0;
  return (longer.length - levenshteinDistance(longer, shorter)) / longer.length;
}

function levenshteinDistance(a, b) {
  // 标准Levenshtein实现（省略完整代码，实际使用时可复制）
  // ...
}

module.exports = { handleMessage };