如何让对话几条消息合并意图回复

以下是关于“什么样的时刻会首先出现在你的脑海中”这一 AI 短视频比赛主题的创作灵感建议： 1. 可以是烟花绽放的那一刻，绚丽多彩照亮夜空。 2. 是宠物与主人重逢相拥的那一刻，充满温馨与感动。 3. 是运动员冲过终点线的那一刻，展现胜利的喜悦。 4. 是孩子第一次学会走路的那一刻，充满成长的惊喜。 5. 是情侣在雨中亲吻的那一刻，浪漫而甜蜜。 比赛相关要求： 1. 主题：以“The Moment”为主题进行创作。 2. 数量限制：每人不限视频数量。 3. 提交时间：12 月 31 日 21:00 前。 4. 参赛文件：16:9 格式，不长于 10 秒，30FPS 以上，不含剪辑。 5. 作业方式：不限。 6. 工具要求：使用可灵 AI（https://kling.kuaishou.com/）。 7. 视频要求：带可灵水印。 8. 参与方式：在指定时间发布作品，可通过通往 AGI 之路首页表格、在野菩萨小红薯群或支持社区提交。 9. 奖项设置：金奖 5000 元+5800 灵感值；银奖 3000 元+2700（2200+500）灵感值；铜奖 2000 元+1000 灵感值；入围 500 元×40；人气奖 2500 元×4 以及其他意外散落的灵感值。 10. 注意事项：不建议出现鲜血、武器、鬼怪骷髅、知名人物、18X 等不符合国家政策的内容，可能导致参赛失败。不在规定时间内提交的自动失去参赛资格。评审由专业评审决定，提交次周发布结果。参与该挑战视作同意将作品的使用权授予本号及第三方用于社群运营、展览、展示、传播、营销等用途，主办方拥有最终解释权。在下面的投稿链接中上传作品。

意图识别是根据输入的内容决定后续环节的流程，有点像 if/else 。从输出看，其 reason 通常为英文。可以简单理解为是一个简化版的大语言模型节点，为更精准识别，可优化选项使其更精准凝练，不行的话可换用大语言模型节点。 在自然语言处理领域，意图识别已被广泛讨论。随着大型模型兴起，尤其是用作智能体的 Brain 模块时，承担了主要工作任务。当用户输入指令，通过感知模块传递到 Brain 模块，Brain 模块需做出反应，本质上是一种分类任务，区分用户具体意图，在单一或多智能体系统中都至关重要。通过如 Siri、小爱同学等常见智能助手的例子可更直观理解。大型模型执行意图识别任务主要基于前期大量数据训练得到的模型，可通过微调适应特定领域需求。 在 Manus 多智能体通用任务系统中，意图识别从用户输入中提取关键词和任务类型，引导用户补充信息以明确需求。

产品经理在设计 AI 产品功能时，需要设计意图识别。以下是关于意图识别的相关内容： 意图识别的定义：当用户输入指令，这些指令通过感知模块传递到 Brain 模块，Brain 模块需要对这些指令做出反应。这个过程在本质上是一种分类任务，即识别并区分用户的具体意图。无论是在单一智能体架构还是复杂的多智能体系统中，意图识别都扮演着至关重要的角色。 意图识别的实现方式： 1. 通过准备特定于任务的数据集，然后利用这些数据对模型进行 Finetuning，以提升其在特定意图识别任务上的表现。这个过程涉及到在预训练模型的基础上进一步训练，以调整模型参数，使其更适应特定的任务需求。 2. Prompttuning，这种方法不需要对模型的参数进行大规模调整。而是通过精心设计的提示词来引导模型，使其能够识别和响应用户的意图。这种方法的优势在于其灵活性和快速适应性，能够在不改变模型参数的情况下，迅速适应新的任务或领域。 这两种方法各有优缺点：微调能够提供更高的准确性，但需要较多的训练数据和计算资源；而提示词调优则在创造性和灵活性方面表现更为突出。 在使用大型模型进行意图识别时，需要注意一些潜在的问题： 1. 由于意图识别在智能系统中扮演着守门人的角色，如果其准确性不足，整个系统的后续环节，包括记忆、规划和反思等，都可能受到影响，无法正常发挥作用。 2. 在落地设计时，意图识别通常与特定的业务场景紧密相关，如果脱离了具体的业务需求，意图识别将失去其实际意义。因此，在设计意图识别系统时，必须将其与业务需求紧密结合，确保其能够准确地理解和响应用户的需求。如果意图识别脱离了业务背景，那么可能不如利用模型的泛化能力去执行更基本的意图识别任务。 以下是一个使用 prompt 来设计意图识别的例子：在上述使用提示词进行意图识别的例子中，提示词对用户的指令进行了分类，以识别不同的意图。然后，根据这些识别出的意图，系统执行相应的动作。最终，系统会输出一个 JSON 格式的结果，这通常包含了对用户指令的解析和响应。 在未来的 AI 学习产品中，除了拥有大模型之外，还需要拥有其他的基础设施，包括但不仅限于具备学习任务规划能力的小参数规模模型、意图识别模型、多模态交互模型、搜索引擎、既有的知识库等等。

以下是一些生成示意图的好工具： 1. Creately： 简介：在线绘图和协作平台，利用 AI 功能简化图表创建过程，适合绘制流程图、组织图、思维导图等。 功能：智能绘图功能，可自动连接和排列图形；丰富的模板库和预定义形状；实时协作功能，适合团队使用。 官网：https://creately.com/ 2. Whimsical： 简介：专注于用户体验和快速绘图的工具，适合创建线框图、流程图、思维导图等。 功能：直观的用户界面，易于上手；支持拖放操作，快速绘制和修改图表；提供多种协作功能，适合团队工作。 官网：https://whimsical.com/ 3. Miro： 简介：在线白板平台，结合 AI 功能，适用于团队协作和各种示意图绘制，如思维导图、用户流程图等。 功能：无缝协作，支持远程团队实时编辑；丰富的图表模板和工具；支持与其他项目管理工具（如 Jira、Trello）集成。 官网：https://miro.com/ 4. Lucidchart： 简介：强大的在线图表制作工具，集成了 AI 功能，可以自动化绘制流程图、思维导图、网络拓扑图等多种示意图。 功能：拖放界面，易于使用；支持团队协作和实时编辑；丰富的模板库和自动布局功能。 官网：https://www.lucidchart.com/ 5. Microsoft Visio： 简介：专业的图表绘制工具，适用于复杂的流程图、组织结构图和网络图。其 AI 功能可以帮助自动化布局和优化图表设计。 功能：集成 Office 365，方便与其他 Office 应用程序协同工作；丰富的图表类型和模板；支持自动化和数据驱动的图表更新。 官网：https://www.microsoft.com/enus/microsoft365/visio/flowchartsoftware 6. Diagrams.net： 简介：免费且开源的在线图表绘制工具，适用于各种类型的示意图绘制。 功能：支持本地和云存储（如 Google Drive、Dropbox）；多种图形和模板，易于创建和分享图表；可与多种第三方工具集成。 官网：https://www.diagrams.net/ 使用 AI 绘制示意图的步骤： 1. 选择工具：根据具体需求选择合适的 AI 绘图工具。 2. 创建账户：注册并登录该平台。 3. 选择模板：利用平台提供的模板库，选择适合需求的模板。 4. 添加内容：根据需求，添加并编辑图形和文字。利用 AI 自动布局功能优化图表布局。 5. 协作和分享：如果需要团队协作，可以邀请团队成员一起编辑。完成后导出并分享图表。 示例：假设需要创建一个项目管理流程图，可以按照以下步骤使用 Lucidchart： 1. 注册并登录：https://www.lucidchart.com/ 2. 选择模板：在模板库中搜索“项目管理流程图”。 3. 编辑图表：根据项目需求添加和编辑图形和流程步骤。 4. 优化布局：利用 AI 自动布局功能，优化图表的外观。 5. 保存和分享：保存图表并与团队成员分享，或导出为 PDF、PNG 等格式。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

通过提示词实现意图识别通常有以下几种方式： 1. 准备特定于任务的数据集，对模型进行 Finetuning，以提升其在特定意图识别任务上的表现。但此过程需要较多训练数据和计算资源。 2. 使用 Prompttuning 方法，通过精心设计的提示词来引导模型识别和响应用户意图。这种方法具有灵活性和快速适应性。 3. 对用户的指令通过提示词进行分类，以识别不同的意图，然后根据识别出的意图执行相应动作，最终输出 JSON 格式的结果。 4. 对用户提问进行分类，如分为导航类、信息查询类、交易类、本地信息类等，匹配更准的信息源和更好的回复提示词。例如搜索“笔记本电脑”，提取出“shopping”意图，挂载相关电商平台信息源进行更小范围搜索，并加载匹配的提示词模板控制大模型回答内容。 5. 利用大模型提供的 Function Calling 能力进行意图识别。 但目前主流的实现方案，不管是成熟的大模型还是微调的小模型，准确度都不够高。

意图和 FAQ 训练是两种不同的概念。 意图训练主要侧重于理解用户的核心意图或目的。例如，在一个客服场景中，用户的意图可能是查询产品信息、寻求技术支持或进行投诉等。通过对大量的用户交互数据进行分析和学习，模型能够识别出这些不同的意图类别。 FAQ 训练则侧重于常见问题及其对应的标准答案。比如常见的“产品如何退换货”“售后服务的联系方式是什么”等问题，以及相应的准确回答。 总的来说，意图训练更注重对用户目的的分类和理解，而 FAQ 训练更侧重于对特定常见问题的准确回答。

意图和 FAQ 最明显的区别在于：意图通常指的是用户行为背后的目的或期望，它更侧重于理解用户的深层需求和动机。而 FAQ（常见问题解答）则是预先准备好的一系列常见问题及其对应的标准答案，主要用于快速回答用户可能提出的一般性问题。 总的来说，意图关注的是挖掘用户潜在的想法和目标，FAQ 则是针对常见问题提供现成的解答。

大模型对话产品具有以下优点： 1. 具有强大的语言理解和生成能力。 2. 能够提供类似恋爱般令人上头的体验，具有一定的“想象力”和“取悦能力”。 3. 可以通过陪聊建立人和 AI 之间的感情连接，产品粘性不完全依赖技术优越性。 4. 能够为用户提供产品咨询服务，适用于有企业官网、钉钉、微信等渠道的客户。 5. 具有多种应用场景，如私有领域知识问答、个性化聊天机器人、智能助手等。 大模型对话产品也存在一些缺点： 1. 存在记忆混乱的问题。 2. AI 无法主动推动剧情，全靠用户脑补，导致用户上头期短，疲劳度高，长期留存低。 3. 无法回答私有领域问题（如公司制度、人员信息等）。 4. 无法及时获取最新信息（如实时天气、比赛结果等）。 5. 无法准确回答专业问题（如复杂数学计算、图像生成等）。

以下是为您生成的一些用于将视频中的对话转化为文本形式的提示词： 1. 角色：专业视频转文本工作者 2. 版本：1.0 3. 描述：能够准确、清晰地将视频中的对话转换为文本 4. 目标：完整、无误地将视频中的对话转化为易于理解的文本 5. 限制：不遗漏重要信息，不添加主观内容 6. 技能：熟练掌握语音识别和文字转换技巧 7. 工作流程：先仔细聆听视频对话，然后逐句转换为文字，注意标点和语法的正确使用 8. 初始化：您好，我准备开始将视频对话转换为文本 事件驱动句式： 1. As the video plays... 2. When the speakers start talking... 3. At the beginning of the video... 空间锁定技巧： 1. on the left side of the screen... 2. behind the main character... 3. from the top corner of the frame... 动态呼应原则： 1. swaying with the background music... 2. reacting to the other characters' actions... 3. matching the tone of the video...

LangChain 和 RAG 的结合具有以下优势： 1. 灵活性：可根据需求和数据源选择不同组件和参数定制 RAG 应用，也能使用自定义组件（需遵循接口规范）。 2. 可扩展性：能利用 LangChain 的云服务部署和运行，无需担忧资源和性能限制，还可借助分布式计算功能加速应用，发挥多个节点并行处理能力。 3. 可视化：通过 LangSmith 可视化工作流程，查看各步骤输入输出及组件性能状态，用于调试和优化，发现并解决潜在问题和瓶颈。 其应用场景多样，包括： 1. 专业问答：构建医疗、法律、金融等专业领域的问答应用，从专业数据源检索信息辅助大模型回答问题，如从医学文献中检索疾病诊治方案回答医疗问题。 2. 文本摘要：构建新闻或论文摘要应用，从多个数据源检索相关文本帮助大模型生成综合摘要，如从多个新闻网站检索同一事件报道生成全面摘要。 3. 文本生成：构建诗歌、故事生成等应用，从不同数据源检索灵感协助大模型生成更有趣和创意的文本，如从诗歌、歌词或小说中检索相关文本生成作品。 此外，还介绍了本地部署资讯问答机器人的实现方式，即基于用户问题从向量数据库检索相关段落并按阈值过滤，让模型参考上下文信息回答，还创建了网页 UI 并进行评测，对不同模型的测试表现进行了对比，得出 GPT4 表现最佳等结论，并总结了使用 Langchain 和 Ollama 技术栈在本地部署资讯问答机器人及相关要点，即上下文数据质量和大模型性能决定 RAG 系统性能上限。

以下是创建一个对话问答形式的课程智能体的相关内容： 一、创建智能体 1. 知识库 手动清洗数据：本次创建知识库使用手动清洗数据，上节课程是自动清洗数据，自动清洗数据可能会出现数据不准的情况。 在线知识库：点击创建知识库，创建一个画小二课程的 FAQ 知识库。飞书在线文档中每个问题和答案以分割，选择飞书文档、自定义的自定义，输入后可编辑修改和删除，添加 Bot 后可在调试区测试效果。 本地文档：本地 word 文件，注意拆分内容以提高训练数据准确度。画小二 80 节课程分为 11 个章节，不能一股脑全部放进去训练，应先将 11 章的大章节名称内容放进来，章节内详细内容按固定方式人工标注和处理，然后选择创建知识库自定义清洗数据。 2. 发布应用：点击发布，确保在 Bot 商店中能够搜到，否则获取不到 API。 二、智谱 BigModel 共学营活动分享 活动内容包括使用 BigModel 搭建智能体并接入微信机器人，过程为将调试好的智能体机器人拉入微信群，由老师提问，机器人回答，挑选出色回答整理成问卷，群成员投票，根据得票数确定奖项。一等奖得主分享了对活动的理解和实践，包括从题出发的分析，认为考验机器人对问题的理解和回答准确性，真实对话场景一般为完整句子回复，根据回答真实性和有趣程度评分，可使用弱智吧问题测试提示词生成效果。 三、名字写对联教学——优秀创作者奖，百宝箱智能体 1. 智能体类型的选择：建议选择工作流的对话模式，支持工作流编排和携带历史对话记录，创建后切换为对话模式，注意在调整工作流节点前切换，否则会清空重置。 2. 确认分支情况：根据需求分析有两个特定分支（根据名字和祝福写对联、根据幸运数字写对联）和一个默认分支。 3. 用户意图识别：通过理解用户意图走不同分支，注意将意图介绍写清楚准确。 4. 幸运数字分支：用代码分支获取用户输入数字，匹配知识库并做赏析，代码中有容错机制。 5. 名字写祝福：根据用户输入的名字和祝福信息，提示词生成对应对联并输出，主要是提示词调试。 6. 通用兜底回复：在用户不符合前两个意图时进行友好回复，匹配知识库，结合匹配结果、历史记录和当前输入输出符合对话内容的回复。 7. 知识库：使用大模型生成 100 对对联，好看、经典、有意义。

以下是一些可以用于中医问诊模型且能实现多段对话的 AI 相关信息： Polaris：医疗护理保健模型，能和患者进行多轮语音对话，媲美人类护士。详细信息：http://xiaohu.ai/p/5407 ，https://x.com/imxiaohu/status/1774644903546618298?s=20 在 LLM 开源中文大语言模型及数据集集合中，有以下针对医疗领域的模型： DoctorGLM：地址：https://github.com/xionghonglin/DoctorGLM 。基于 ChatGLM6B 的中文问诊模型，通过中文医疗对话数据集进行微调，实现了包括 lora、ptuningv2 等微调及部署。 BenTsao：地址：https://github.com/SCIRHI/HuatuoLlamaMedChinese 。开源了经过中文医学指令精调/指令微调的 LLaMA7B 模型。通过医学知识图谱和 GPT3.5 API 构建了中文医学指令数据集，并在此基础上对 LLaMA 进行了指令微调，提高了 LLaMA 在医疗领域的问答效果。 BianQue：地址：https://github.com/scutcyr/BianQue 。一个经过指令与多轮问询对话联合微调的医疗对话大模型，基于 ClueAI/ChatYuanlargev2 作为底座，使用中文医疗问答指令与多轮问询对话混合数据集进行微调。 HuatuoGPT：地址：https://github.com/FreedomIntelligence/HuatuoGPT 。开源了经过中文医学指令精调/指令微调的一个 GPTlike 模型。

目前在 Excel 表格导出的用户对话记录进行自定义标签并打标方面，以下是一些常见且好用的工具和方案： 1. Microsoft Excel 本身：可以利用其数据筛选、排序和函数功能来辅助标签和打标。 2. Google Sheets：具有类似 Excel 的功能，且在线协作方便。 3. R 语言：通过编程实现复杂的数据分析和标签处理。 4. Python 及相关库，如 Pandas：能够灵活处理数据和进行标签操作。 但具体选择哪种方案或工具，取决于您的具体需求、技术水平和使用习惯。

要改变回复的语言风格，可以参考以下方法： 1. 对于风格类的 Bot，提示词中的 Fewshot 对输出风格影响较大，可先找预期相关人的风格示例并修改。 2. 在 Examples 里使用特定开头的词，如“Fword”，开头字符会显著影响输出内容。 3. 加星号的部分代表加粗，根据自注意力机制可提升提示词中的关键词效果。 4. 能力方面可使用自带的 Bing 搜索和图片识别，根据需求选择，如避免 Webpilot 以免语气变温和。 5. 可根据需求决定是否加入绘画功能。 6. 防护词可参考，但没有完美的防御提示词。 7. 回复风格可来自自己的群聊机器人的风格嫁接。 8. 最后加入一些小 Tips 进一步提升个性化效果。 在场景方面，可以问 Bot 对内容的看法，或让其帮忙分析事情以获得更接地气的表述。 另外，编写提示时： 简单任务场景： 设定人物，描述 Bot 所扮演的角色或职责、回复风格。 描述功能和工作流程，约定 Bot 在不同场景下的回答方式，强调调用工具以保证回复准确性，也可为 Bot 提供回复格式示例。 指示 Bot 在指定范围内回答。 复杂任务场景：推荐使用结构化格式编写提示，扣子支持将 Bot 的提示自动优化成结构化内容，可直接使用或修改。

以下是一些能让您更好地进行提问，从而提高 AI 回复准确性的方法： 1. 明确角色和任务：例如，指定 AI 为某一特定领域的专业人士，并明确其需要完成的具体任务。 2. 清晰阐述任务目标：让 AI 清楚了解您期望得到的结果。 3. 提供详细的上下文和背景信息：包括相关的案例、事实等，帮助 AI 理解问题的来龙去脉。 4. 提出具体且详细的需求和细节性信息：使用清晰、具体的语言，避免模糊不清的表述。 5. 明确限制和不需要的内容：避免 AI 给出不必要或不符合要求的回答。 6. 确定回答的语言风格和形式：如简洁明了、逻辑严谨等。 7. 讲清楚背景和目的：在提问时，梳理清楚背景信息和提问目的，使 AI 更好地理解问题上下文。 8. 学会拆解环节、切分流程：将复杂任务分解成更小、更具体的环节，以便 AI 更精确执行。 9. 了解 AI 的工作原理和限制：有助于更好地设计问题，使其能提供有用答案。 在信息检索和回答生成过程中： 1. 系统会对检索器提供的信息进行评估，筛选出最相关和最可信的内容，并对信息的来源、时效性和相关性进行验证。 2. 消除多个文档或数据源中的冗余内容，防止在生成回答时出现重复或相互矛盾的信息。 3. 分析不同信息片段之间的逻辑和事实关系，构建结构化的知识框架，使信息在语义上更连贯。 4. 将筛选和结构化的信息组织成连贯的上下文环境，包括排序、归类和整合。 5. 必要时进行语义融合，合并意义相近但表达不同的信息片段。 6. 最后，将整合好的上下文信息编码成适合生成器处理的格式，传递给大语言模型，由其生成准确和连贯的答案。

以下是关于企业微信 AI 自动化回复的相关内容： 纯 GPT 大模型能力的微信聊天机器人搭建： 1. 在复制的 dockercompose.yml 文件中，需修改具体配置来串联微信号和已创建好的 AI 机器人。配置参考官方来源：https://docs.linkai.tech/cow/quickstart/config 。主要配置解释如下：配置里面的每个参考名称的全大写描述，如 open_ai_api_key 对应编排模板的 OPEN_AI_API_KEY，model 对应编排模板的 MODEL 等。最新的容器编排模板配置参数中，若有'{{中文描述}}'需替换为预留对应值。 2. 私聊或群交流时，最好加上前缀触发机器人回复，如配置的，即对应的配置参数 SINGLE_CHAT_PREFIX，私聊或群里发消息包含 bot 或@bot 才会触发回复。在群组里，对应配置参数是 GROUP_CHAT_PREFIX，机器人只会回复群里包含@bot 的消息。还有参数 GROUP_NAME_WHITE_LIST 用于配置哪些群组的消息需要自动回复。 直接对接 Coze 平台 Bot 的微信聊天机器人搭建： 微信有多种功能，包括个人微信/微信群、微信公众号、微信服务号、微信客服。微信公众号、微信服务号、微信客服均可与 Coze AI 平台对接，而此前 Coze 平台不支持直接与个人微信和微信群对接。但现在 Coze 的国内版正式发布 API 接口功能，直接对接个人微信甚至微信群已成为可能。 张梦飞：【保姆级】一步一图，手把手教你把 AI 接入微信： 1. 登录成功后，找另一个人私聊或者在群中@你，可看到机器人正常回复。 2. 若想为 AI 赋予提示词，可返回“目录 4 里的第 17 步”，其中的中文部分可进行更改。 3. 此后任何更改，都需“返回首页 右上角 点击重启，重启服务器”。 4. 然后，在“文件”的【终端】里，直接输入 nohup python3 app.py&tail f nohup.out 重新扫码登录。 5. 再往后添加插件，可参考 。

目前可以通过 Coze 平台来实现让 AI 机器人自动回复您的抖音新消息。以下是相关信息： 微信的不同功能与 Coze 平台对接情况： 个人微信/微信群：之前 Coze 平台不支持直接对接，但国内版已正式发布 API 接口功能，直接对接成为可能。 微信公众号：Coze 平台支持对接，AI 机器人可自动回复用户消息。 微信服务号：Coze 平台支持对接，能提升服务效率。 微信客服：Coze 平台支持对接，可自动回答用户咨询，提高客服响应速度。 配置 AI 微信聊天机器人的步骤： 登录成功后，找另一个人私聊或者在群中@您，能看到机器人正常回复。 若想为 AI 赋予提示词，可返回“目录 4 里的第 17 步”进行更改。 此后进行任何更改，都需“返回首页 右上角 点击重启，重启一下服务器”。 然后，在“文件”的【终端】里，输入“nohup python3 app.py&tail f nohup.out 重新扫码登录”。 关于添加插件，可参考。 疑问解答： 放行端口：类似于给房子安装门铃，通过放行特定端口（如 8888 端口）可通过互联网访问宝塔面板，管理和配置服务器上的服务。 Bot ID：是在 Coze 平台上创建的 AI 机器人的唯一标识，用于将微信号与特定机器人关联。 微信账号被封：若因使用机器人被封，可尝试联系客服说明情况。建议使用专门微信号作为机器人账号，并遵守微信使用规范。 服务器：需要一直开着，以保证机器人随时在线响应请求。 不懂编程：完全可以配置，按照教程一步一步操作即可。 配置问题：检查每步是否按教程操作，特别是 API 令牌和 Bot ID 是否正确。无法解决可到 Coze 平台的论坛或微信群求助。

以下是一些与自动在邮件 app 或网页上生成回复内容的工具相关的信息： 1. GPTs 可以与 Zapier 结合实现相关功能。例如，假设您是项目经理，可从长篇工作邮件中提取关键信息和摘要；若您是客服代表或独立开发者，能根据邮件内容自动分类（如投诉、感谢信等）并生成相对合适的回复内容，再发送给对应的发件人。具体操作步骤请移步文档： 2. Apple Intelligence 里面各种智能应用的提示词已被曝光，其中包括帮您回复邮件中问题的 Smart Reply 功能的提示词。但关于此功能的更多详细信息暂未明确。

目前已知以下智能客服算法： 天猫小蜜智能客服算法：由浙江天猫网络有限公司提供，应用于手机天猫（APP）的在线智能客服场景，能识别文字或语音问题，结合智能客服知识库生成回答。 钉钉智能客服算法：由钉钉科技有限公司提供，应用于钉钉（APP）的在线智能客服场景，能根据用户咨询内容结合知识库生成多种形式的回答。 淘票票小蜜智能客服算法：由上海淘票票影视文化有限公司提供，应用于淘票票（APP）的在线智能客服场景，能根据用户咨询生成文本或语音智能回答。 1688 阿牛智能客服算法：由杭州阿里巴巴广告有限公司提供，应用于 1688 工业品（APP）、阿里巴巴（APP、网站）的在线智能客服场景，能结合知识库生成多种形式的回答。 但尚未有一款明确表明能同时接入抖音、天猫、淘宝、京东、拼多多、得物等主流平台售前售后咨询问题，并根据客户关键字自动回复的智能客服软件。