为何要花钱让 AI 回复“感谢您的评价”：我们如何在 Ozon 和 Wildberries 上实现评价自动化

当你开始自动化处理电商平台上的评论时，第一个想法往往显而易见：

我们起初也考虑过这个方向。但后来发现，相当一部分评论根本不需要人工智能介入。

例如，在Ozon上的一家店铺每天会收到约一百条评论，其中真正需要认真回复的只有大约十条。何必通过语言模型来处理：

如果对于这类评论，完全可以用十种预先准备好的回复之一来回应呢？同时，还要为Token付费、等待生成时间，并增加一个迟早会出问题的故障点。

最终，我们逐渐形成了一套完全不同的方案。

首先需要对评论进行分类

并非所有评论都是一样的。从某种意义上说，可以将它们分为几类。

仅有评分，没有文字内容。

在Ozon上，卖家目前根本无法回复此类评论。在Wildberries上，仅带有评分的评论也被视为已处理，不会进入待回复列表。因此，这里几乎没有自动化空间。对于WB，我们将此纳入下一项所述的回复池中。

五颗星以及正常的正面文本/标签（或无文本/标签）。

这里通常不需要任何人工智能。买家写道：

他完全没必要单独创作一篇文学作品。可以准备10到20个优质的回复选项，随机选择其中一个，如果有买家姓名则加上，再加上店铺签名。这样既多样又快速且可预测。只需在回复前加上买家姓名（如果有），再加上签名——“此致，Bla-Bla公司”。

1至4星并附有文本的评论。

到这里，人工智能的工作才真正开始。因为：

和

——这是完全不同的两种情况。用同样的模板来回答它们显得很奇怪。

AI 并非为了生成漂亮的文本

总的来说，这是一个重要的观察。这里神经网络的主要价值不在于它能写出：

这类事情十年前就可以实现自动化了。当模型获得上下文时，才真正开始变得有趣。例如：

• 商品名称；
• 评分；
• 评论正文；
• 优点和缺点；
• 买家选择的标签；
• 订单状态；
• 关于特定商品类别的信息；
• 商店希望遵循的回复规则。

那么对于投诉：

可以给出与以下情况完全不同的回复：

尽管在这两种情况下，评分都可能是三颗星。

接下来出现的是知识库

下一个问题很快便出现了。假设买家写道：

人工智能非常擅长撰写关于退款的回复。而且它表现得如此出色，以至于有时能自信地编造出该商品并不存在的条件。因此，在更复杂的项目中，我们开始引入知识库。例如：

Категория: корм для животных
Проблема: возврат
Что учитывать: категория имеет ограничения на возврат
Как отвечать: ...

或者针对服装、电子产品、化妆品及其他类别的单独规则。模型获取的不是商店的全部“百科全书”，而是针对特定评论所需的上下文信息。在此情况下，回答质量的变化非常明显。

但不能完全放任人工智能独自处理

还有一类评论，我们尽量不将其完全自动化处理。例如：

孩子受了伤。

商品着火了。