science

AI Playground

模擬問答 + 訓練資料養成

怎麼用:選一個客戶群 → 貼客戶問題 → 跑 AI → 看 4 階段結果(分類 / RAG / 草稿 / 深度分析)。 答得好就編輯後標訓練、之後 AI 草稿會學這風格。
1輸入模擬

虛擬群只在 cs-ops 系統內用、不會送 LINE / 不影響真客戶

⚙️ 進階:模擬提問者 / 客戶 @ 同事
⚙️ 進階:選擇要跑哪些模型(預設 🐋 DeepSeek、勾其他會多算 cost)

勾 1 = 單模型、勾多 = 並排比較。每次跑都會記 audit log。

2🧠 AI 自動分類
2+🔬 RAG 內部技術分析(給 AM 看的判斷、不送客戶)

AI 看了 RAG citations + KB 後給的專業判斷:可能根因、引用證據檔案、建議下一步。 這段不會給客戶看、只給你 AM 內部參考、決定怎麼回 / 是不是要建 GitHub issue。

3📚 RAG 知識庫檢索
查詢內容
📚 規格 KB 條款命中(drafter 會引用、AM/PM approved 的事實)
🔍 MQR 多角度轉述(AI 把原問題改寫成多版本、並行打 RAG)
此群設定該對應的 repos
RAG 實際回應
4✍️ AI 草稿(給客戶看的版)

這是實際會傳給客戶的回覆樣子。編輯後可標訓練。

編輯度 0%
⚠️ 需 ≥10%
4+🎭 4 模型並排比較

同樣 prompt(含 KB / RAG / GitHub events / staff guard)餵 4 個 LLM、看誰寫得最好。 多模型共識的開頭措辭 / 結論方向 = 高信度。

🔍 Debug — 原始 RAG / KB / Prompt(看每步真的回了什麼)
5🔬 深度分析 B'

會跑 agentic loop(DeepSeek-V3)對此群對應的 corpus
根因推論 → 找證據檔案 → 建議下一步。每次約 1-3 分鐘 / ~$0.05 cost。

⭐ Playground 標的訓練資料

AM 在 Playground 跑 AI 後按「標訓練」存進來的範例。每筆都通過 Levenshtein 編輯度 ≥ 10% 驗證、Email / 電話已遮罩。 AI 草稿生成時會吃這些當 few-shot。

📜 本機歷史模擬

這台電腦近期跑過的 simulate(最多 20 筆、存 localStorage)。點任一筆把問題帶回模擬 tab 重跑。

+ 新增虛擬群組

demo / 新客戶測試用、不會綁真 LINE 群。建完會出現在客戶群 dropdown、可立刻拿來 simulate。

📦 模組目錄 維護「模組→repos」、這邊勾完按「套用」一次帶入

需 admin 權限。