# **【AI Agent 客服問答助手】**

openai api 儲值時效快到了，之前不小心儲太多(?)
無聊做來玩玩。工作上做過類似的，這裡請gpt給我點假資料

先設置一些基本問答
ecom_faq_data.py

faq_data = [
    {
        "question": "如何查詢我的訂單？",
        "answer": "您可以登入會員後，點選「我的帳戶」→「訂單查詢」查看訂單詳情。"
    },
    {
        "question": "我可以多久內退貨？",
        "answer": "自收到商品起 7 天內皆可辦理退貨，請保持商品完整。"
    },
    {
        "question": "如何使用折價券？",
        "answer": "在結帳頁面輸入折價券代碼後，系統將自動折抵金額。"
    },
    {
        "question": "出貨需要幾天？",
        "answer": "一般商品會在 1-3 個工作天內出貨，預購商品依照商品頁說明為準。"
    },
    {
        "question": "商品有保固嗎？",
        "answer": "視品牌與商品而定，部分商品提供原廠保固，可參考商品頁面說明。"
    }
]

問答轉成embedding，存到資料庫

import os
import numpy as np
import pandas as pd
import faiss
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain.docstore.document import Document

設 page_content + metadata，題目答案分開，不會影響到後面相似度判斷
參考 [LangChain : How to create a custom Document Loader](https://python.langchain.com/docs/how_to/document_loader_custom/)

os.environ["OPENAI_API_KEY"] = MY_OPENAI_API_KEY

# 將資料轉成 Document 格式
from ecom_faq_data import faq_data 
docs = [Document(page_content=item["question"], metadata={"answer": item["answer"]})
        for item in faq_data]

# Embedding model
embedding_model = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(docs, embedding_model, normalize_L2=True)
vectorstore.save_local("faq_vectorstore")

客戶問題對比資料庫問題，判斷相似度，過低轉接人工客服

# 查詢內容
query = "客服電話"

# 查詢前 3 筆最相似的文件（含相似度）
docs_and_scores = vectorstore.similarity_search_with_score(query, k=3)

# 設定閾值
threshold = 0.65
threshold_min = 0.35

# 取第一筆最高相似度
doc, distance = docs_and_scores[0]
cosine_similarity = 1 - distance

if cosine_similarity >= threshold:
    matched_question = doc.page_content
    matched_answer = doc.metadata["answer"]

    print(f"相似度 : {cosine_similarity:.4f}")
    print(f"我的問題 : {query}")
    print(f"最接近的資料庫問句：{matched_question}")
    print(f"回答：{matched_answer}")

elif threshold_min < cosine_similarity < threshold:
    print(f"我的問題 : {query}")
    print(f"相似度 : {cosine_similarity:.4f}")
    print("我沒找到完全符合的答案，這些是否是您想了解的？")

    for i, (doc, dist) in enumerate(docs_and_scores):
        sim = 1 - dist
        question = doc.page_content
        answer = doc.metadata["answer"]
        print(f"\n候選答案 {i+1}（相似度: {sim:.4f}）")
        print(f"問句：{question}")

else:
    print(f"我的問題 : {query}")
    print(f"相似度 : {cosine_similarity:.4f}，幫您轉接人工客服")