用 BM25 + DeepSeek 构建不幻觉的 AI 客服：跨境电商 82% 答率背后的架构

六周前，一位开发者收到 Gorgias 的 300 美元账单——他们的 AI 客服自信地告诉客户一个根本不存在的退货政策。这促使他亲手构建了一个 AI 客服系统：

。以下内容将详细拆解这套基于 BM25 + DeepSeek 的架构，展示如何实现 82% 的答率，同时让 AI 知道什么时候该说“不知道”。

2026 年 AI 客服的三个致命问题

1. 幻觉
   ：GPT-4 + system prompt = 自信地编造政策。商家最大的痛点。

2. 成本
   ：按 ticket 收费，viral 产品能把客服成本打爆。

3. 语言
   ：跨境电商需要 7+ 语言，建 7 个 KB 不现实。

架构

客户提问
  ↓
[BM25 检索] ← 知识库（产品页 chunks）
  ↓
Top-K 相关 chunks + 分数
  ↓
[置信度检查] → 分数太低？→ "我不确定，转人工"
  ↓
[LLM 生成] ← "只根据上下文回答"
  ↓
回答（基于真实产品数据）

关键技术决策

1. BM25 而非 embeddings（针对产品页）

产品页 = 短、结构化、关键词密集。BM25 在这种场景下：

• 零依赖
  （不需要 sentence-transformers / 向量数据库）

• CPU 运行
  （不需要 GPU）

• 10x 快
  （短页面检索）

• 确定性
  （同 query 同结果）

• 成本 $0

Pinecone 起步 $70/月，对早期独立开发者是负担。

2. 置信度评分（反幻觉核心）

def should_answer(retrieved):
    if not retrieved:
        return False  # 无相关上下文
    top1 = retrieved[0][1]
    if top1 < MIN_TOP_SCORE:  # 阈值 1.0
        return False  # 最佳匹配太弱
    if len(retrieved) >= 2:
        gap = retrieved[0][1] - retrieved[1][1]
        if gap < SCORE_GAP_THRESHOLD:  # 阈值 0.5
            return False  # 多个弱匹配 = 歧义
    return True

如果 should_answer 返回 False，AI 说：

"I am not confident I know the answer to that. Let me connect you with a human agent who can help."

这是商家最需要的功能。 他们不要 AI 永远正确——他们要 AI 知道什么时候自己错了。置信度评分比回答质量更重要。

3. Grounded generation（不自由发挥）

只有当置信度高时 LLM 才介入：

system_prompt = (
    "You are a customer support agent. "
    "Answer the customer question using ONLY the information in the "
    "## Product Information section below. "
    "If the answer is not in the product information, say "
    "I am not sure, let me connect you to a human agent. "
    "Do not invent policies, shipping times, or return rules."
)

LLM（DeepSeek，OpenAI 兼容）温度 0.3（低创造性，高忠实度）。每对话 $0.003（DeepSeek）vs $0.50+（GPT-4），是 1/170。

4. 查询时翻译（1 KB → 7 语言）

# 客户用中文问，KB 是英文
translated = await translate_query("你们的退货政策是什么?", target_lang="en")
# → "What is your return policy?"

# 用翻译后的 query 搜英文 KB
results = index.search(translated, top_k=4)

# 用英文生成答案，再翻译回中文
answer_en = await llm_generate(results, translated)
answer_zh = await translate_query(answer_en, target_lang="zh")

支持 7 种语言（en/zh/ja/fr/de/es/ko）。一个 KB，不重复造轮子。

实测数据（8 个 Shopify 商家）

商家	类型	答率	备注
Allbirds	鞋类	71%	跨语言 zh→en
Kith	街头	100%	CNY 变体复杂库存
Cascadia Roasters	订阅	83%	暂停/跳过/烘焙度
Peak Design	摄影	100%	丰富 JSON-LD
Loop Earplugs	健康	88%	选哪款
Beardbrand	美妆	50%	其余正确转人工
平均		82%	跨语言

那 18% 没答的？

，不编造。

我学到的

1. BM25 > embeddings（产品页场景）
   。产品页短、结构化、关键词密集，BM25 更快更便宜更确定性。

2. "I do not know" 是功能不是 bug
   。商家要 AI 知道什么时候自己错，置信度比答案质量重要。

3. 查询时翻译 > 7 个 KB
   。一个 KB + 查询时翻译 = 7x 便宜 + 同等准确。

4. Flat pricing > per-ticket
   。按 ticket 收费惩罚成功，flat $49/月让商家敢用。

技术栈

• Python + FastAPI
• 自实现 BM25（无依赖）
• DeepSeek API（OpenAI 兼容）
• httpx + BeautifulSoup
• 无向量数据库 / 无 GPU

试用

• Demo（30 秒，无需注册）：https://ling-support.com/try
• 免费 FAQ 生成器：https://ling-support.com/tools/faq-generator
• 定价：$49/月 flat，无 per-ticket 费

前 10 个订阅者 50% off forever ($24.5/月)，用码 EARLY10。

---

Building in public. Day 47/90. 8 个商家，0 个付费用户，但架构稳定 funnel 打开. 在评论里问我任何问题。