珠宝珠宝WhatsApp助手：把价格挡在模型之外

给印度珠宝店的 WhatsApp 助手，最危险的故障不是回复冒犯，而是自信地报出一个错误数字——昨天的金价、旧价目表里的工费，或者模型凭空捏造的一个数。这篇文章介绍一种“价格隔离”设计：让模型完全不碰价格相关的回答，从源头杜绝错误报价。

核心思路：分类先行，价格意图直接转人工

这套设计的第一条规则非常直白：模型永远不产生数字。系统先对用户消息做意图分类（规则加一个小模型），一旦命中价格类意图，就不进入生成环节，直接升级给销售团队。

PRICE_INTENTS = {"rate_today", "making_charges", "quote", "exchange_value", "discount"}

def handle(msg):
    intent = classify(msg.text)
    if intent in PRICE_INTENTS:
        return escalate(msg, team="sales", reason=intent)
    if intent in APPROVED_FAQ:
        return reply(msg, APPROVED_FAQ[intent])
    return escalate(msg, team="front_desk", reason="unknown")

非价格类问题如果命中店主审核过的 FAQ（营业时间、地址、停车、预约、一般政策），就直接返回固定文本。这些内容不会每天变化，因此可以放心让模型“照本宣科”。其余未知意图同样转人工前台。

意图分类（Intent Classification） 是对话系统中的基础环节：把用户输入映射到预定义类别（如“查金价”“问营业时间”“投诉”），再按类别路由到不同处理路径。常见实现有基于关键词/正则的规则匹配、基于嵌入向量的语义相似度，以及微调的小型文本分类模型。这里采用“规则加一个小模型”的混合方案，是因为价格类意图的召回率比精度更重要——宁可把非价格问题误判为价格问题而转人工，也不能漏掉一次报价请求。规则负责覆盖高频表达（如“today rate”“making charge”），小模型则兜住规则未覆盖的变体，包括 Hinglish 混合表达。分类结果直接决定后续是否进入生成环节，因此分类器本身也需要持续用真实消息回归测试。

真要展示金价？单一数据源加时间戳

有些店主希望助手能分享当天的展示金价。这种情况下，读取必须来自唯一一条由人工更新的记录，并且超过时效就拒绝使用。

MAX_AGE = timedelta(hours=6)

def displayed_rate(now):
    rec = rates.latest()
    if rec is None or now - rec["updated_at"] > MAX_AGE:
        return None
    return rec

回复模板会明确说明这是某时点的店内展示价，最终价格以到店确认为准。模型在这里不填充任何内容，只负责把模板里的占位符替换成数据库里的值和更新时间。

时效性校验（TTL / Freshness Check） 是数据管道中防止“陈旧数据被当作实时数据使用”的通用手段。做法是为每条记录附带更新时间戳，读取时计算 now - updated_at，超过预设阈值就视为无效。这里选择 6 小时，是因为印度珠宝店的展示金价通常一天内多次人工调整，超过半天未更新的记录很可能已经偏离市场。相比在数据库层做定时清理，读取时校验更简单，也不会因清理任务失败而放行旧数据。对模型而言，它只接触经过校验的结构化值和时间戳，不参与“这个价格还准不准”的判断——判断权留在确定性代码里。

输出侧兜底：扫描数字与货币/重量单位

即使是非价格类回复，也要在发送前做一次文本扫描：如果生成内容里出现货币符号或重量单位紧邻数字（如 ₹、Rs、INR、rupees、g、gm、grams、tola），就拦截发送。这能抓住模型“热心”地在无关回答里附送估价的情况。

MONEY = re.compile(r"(₹|rs\.?|inr|rupees?)\s*\d|\d+\s*(g|gm|grams?|tola)\b", re.I)

def safe_to_send(text):
    return not MONEY.search(text)

这道输出检查是输入分类之外的第二道防线，两者叠加后，价格数字从模型侧泄漏的概率被压到很低。

输出护栏（Output Guardrail） 是在模型生成之后、消息发出之前执行的检查层，与输入侧的意图分类形成纵深防御。正则在其中是最轻量的一种：它不判断语义，只匹配模式，因此速度快、行为可预测，适合拦截“货币符号或重量单位紧邻数字”这类高置信度风险。需要注意其局限：正则无法识别用文字拼出的数字（如“twenty-two thousand”）、Unicode 变体或跨行拆分，也无法区分合法数字（如“我们 10 点开门”）与报价。因此它应作为最后一道网，而非唯一防线；命中时选择拦截转人工而不是自动改写，可避免引入新的错误。

升级日志比准确率指标更有用

每次升级都要记录原因。运行几周后，日志会告诉店主：客户最常问什么、员工响应速度如何。对于一线运营来说，这些信息比任何模型准确率数字都更有价值——它直接指向该补什么 FAQ、该培训谁、该调整哪个流程。

测试：用真实消息构建价格拦截测试集

测试集应当来自真实（匿名化）消息，包括 Hinglish 和语音转写文本，断言每一条价格相关消息都会触发升级。每次修改分类器或提示词，都要重跑这套测试。这比泛泛的“回复质量评估”更能防止回归。

这套设计为什么值得借鉴

它的价值不在于代码多复杂，而在于把“模型不该做的事”用工程手段锁死。价格是珠宝零售里最敏感、最易变、最容易被模型幻觉污染的信息类型，把它从生成路径里彻底移除，换来的是可预期的安全边界。对于任何涉及实时报价的垂直行业助手，这个模式都可以直接迁移。

披露：作者运营孟买的 AI 自动化机构 NxFlowAI，首个工作流审计需 72 小时。