CN116701599A - 一种基于ai系统的客服消息生成方法和电商客服系统 - Google Patents

Abstract

本申请公开了一种基于AI系统的客服消息生成方法和电商客服系统，包括连接外部AI系统且设有问题模型的回复助手工具，问题模型包括具有问题模板和变量词汇的基准问题，问题模板是基准问题的固定语言部分，变量词汇是基准问题的变量语言部分，获取店铺的数据访问权限并接收相应的客服信息，取一定时间内的最后一条买家历史消息作为目标买家消息，将目标买家消息和邻近目标买家消息的客服信息作为变量词汇，变量词汇结合问题模板生成基准问题；再将基准问题作为提问信息输入给AI系统，AI系统根据提问信息输出相应答复内容，选择AI系统输出的答复内容作为新的客服消息。该方法和相应的系统可提高客服消息的创建效率，使客服消息和聊天场景更加匹配。

Description

一种基于AI系统的客服消息生成方法和电商客服系统

技术领域

本申请涉及计算机技术领域，特别涉及一种店铺信息生成方法、一种基于AI系统的客服消息生成方法，及各方法对应的系统。

背景技术

随着全球电子商务的兴起，国际零售贸易得到飞速发展，大量的国内中小型电商卖家将零售业务扩展至国外市场，通过境外的电商平台（如亚马逊amazon、易贝ebay、购物趣Wish、虾皮Shopee、来赞达Lazada等）将国内众多物美价廉的商品销往国外市场。伴随跨境业务的发展，基于ERP软件而开发的电商ERP系统逐步发展起来。电商ERP系统可以和电商平台深度连接，帮助国内的中小型电商卖家统一管理其海外店铺，解决语言差异带来的障碍，可实现一个运营人员同时管理上百个电商店铺，大幅度提高店铺运营的效率。

电商ERP系统是通过既定的规则访问和控制电商平台的店铺，处理店铺运营各环节的动态数据，数据管理庞杂，同时还要满足多种类型用户（卖家）的操作便捷性需求；因此现有已商业化的电商ERP系统的各功能模块都还处于功能逐步更新和完善的阶段，各软件企业在开发自家电商ERP系统时所制定的功能算法和规则也基本不一样，各功能模块随着用户需求变化会持续开发新的版本，以兼容更多的使用场景。

现有电商ERP系统在对店铺商品的标题和描述等店铺信息进行创建或修改时，通常需要人为手动编辑并进行适当的创作，以使店铺商品的标题和描述既能满足电商平台的要求，又能精准的介绍商品的优势特征。这就导致在创建商品的店铺信息时，需要耗费大量的脑力劳动和时间，工作效率低。实际场景下，很多店铺运营人员（用户）为了提高店铺信息的创建效率，在创建商品的店铺信息时，通常只能花费很短的时间去拟定基本的文案（来不及细化，内容粗糙），导致商品店铺信息的表述过于简单，缺少本土化的语言和专业的语法结构。

现有的一些标题生成软件，可以简单对原标题添加前后缀或对相关词语进行拆分并重新组合生成的新标题，但不会对原有标题词语进一步优化，不能增加一些符合电商平台或场景性更强的新词语，输出的语言达不到使用需求，主要体现在店铺商品的优势不能得到充分介绍、介绍语言不够自然、介绍信息缺乏亮点，影响店铺商品的销量。

此外，在通过客服系统处理买家消息（即买家历史消息）时，店铺运营人员（卖家）和买家沟通时通常会采用消息对话的方式进行，客服消息（卖家聊天的回复消息）内容的编辑和措辞优化依赖于运营人员的语言组织能力，对其语言能力要求很高，且人工回复买家消息耗时长、效率低。另一方面，现有客服系统的辅助回复（或者推荐回复）工具，通常是在软件上提前预设固定的答复语句，运营人员根据买家消息的内容或聊天场景选择相应的预设答复用语来答复买家，这种答复方式的辅助回复工具无法理解买家消息或买家消息的场景，答复内容固定，可适用的场景少，当出现买家消息的应用场景没有预先设置在辅助回复工具内时，不能根据聊天内容针对性的回复买家消息，也不能实现系统自动回复买家消息。

此外，在客服环节店铺运营人员给买家发送邮件或回复邮件时，也会需要根据不用的沟通场景耗费运营人员大量的时间来组织语言，沟通效率低，现有的语言辅助工具不能输出精准的语言文案，影响邮件回复质量。

涉及本申请的其他技术问题，在后文进一步阐述。上述内容仅用于辅助理解本申请的技术方案，并不表示上述内容全部都是现有技术。

发明内容

本申请的主要目的是提供一种店铺信息生成方法和系统，以提高店铺信息的创建效率，并优化店铺信息的文字描述。此外，本申请还提供一种基于AI系统的客服消息生成方法和电商客服系统，根据买家消息或聊天场景生成相应的客服消息，提高辅助回复工具输出的客服消息和聊天场景的匹配度，以及客服消息的创建效率，降低客服消息的回复难度。

为实现上述目的，本申请提出一种店铺信息生成方法，用于电商ERP系统或电商平台系统的工具模块，其特征在于，所述方法包括以下步骤：

步骤S1：在工具模块上基于原始店铺信息设置问题模型，所述问题模型连接外部的AI系统，所述问题模型包括基准问题（基准问题的精度经过预先验证），所述基准问题包括变量词汇和设置在软件后端的问题模板，所述问题模板是基准问题的固定语言部分，包括用于限定提问需求和应用场景的约束用语，所述变量词汇是基准问题的变量语言部分，预留给用户或系统进一步设置相应的变量语言内容，所述AI系统是基于自然语言处理技术的聊天机器人，用于识别提问信息中关于文本生成、自然语言对话和语言翻译的语言处理指令，并根据所述语言处理指令生成相应的自然语言，所生成的自然语言作为AI系统的答复内容，所述AI系统通过接口接收提问信息并输出和提问信息对应的答复内容；

步骤S2：当用户设置完成相应的变量词汇时，问题模型根据问题模板和变量词汇生成基准问题；

步骤S3：工具模块将基准问题作为提问信息输入给AI系统，AI系统根据所述提问信息输出相应的答复内容，工具模块获取AI系统输出的答复内容；

步骤S4：选取AI系统输出的答复内容作为新的店铺信息；

或者，编辑调整AI系统输出的答复内容，选取编辑后的答复内容作为新的店铺信息。

本申请的其他特征和技术效果在说明书的后面部分进行阐述说明。本申请的技术问题解决思路和相关产品设计方案为：

为了提高商品店铺信息创建的精准性，需要在相应场景下扩展原有店铺信息之外的新词语，并将新词语和原有店铺信息整理成能够匹配具体场景的自然语言。随着AI（人工智能）技术的发展，AI系统的智能化程度得到大幅提升，比如美国OpenAI公司研发的聊天机器人程序ChatGPT，可以自主学习并根据对话提问输出高质量的自然语言答复，答复语言通常会包含很多对话问题用词之外的新词语。但由于ChatGPT本身没有对电商领域的具体场景进行专门学习，ChatGPT通过简单的电商问题不能知晓提问者的真实意图。从而导致将ChatGPT直接应用于电商领域的店铺信息创建时，其输出店铺信息的准确性非常低，达不到使用要求。

为此，我们在电商ERP系统的工具模块上基于具体应用场景下的原始店铺信息（原始店铺信息不完整，通常只有少量的基础数据）设置问题模型，问题模型连接外部的AI系统，通过问题模型改进向AI系统（ChatGPT或其他智能系统）的提问方式，以提高AI系统输出答复信息的准确性，从而获得更加精准的店铺信息。AI系统为基于指令微调、人类反馈强化学习的机器人，采用了自然语言生成模型（后文介绍）。在改进向AI系统的提问方式时，根据应用场景预先设置相应的多种提问方式，对比每种提问方式从AI系统输出信息的准确程度，选择准确性更高的提问方式作为问题模型的基准问题，或者基于准确性更高的提问方式继续改进提问方式（比如增加其他约束条件或者变更原先部分约束条件）以得到新的基准问题，从而得到经过预先验证的基准问题。也即，在电商ERP系统的工具模块上设置经过预先验证的问题模型，提高AI系统输出信息的准确性。

进一步的，将问题模型的基准问题拆分为问题模板和变量词汇。问题模板作为提问语言的框架设置在软件的后端，是基准问题的主体结构，也是基准问题的固定语言部分，用于从多个维度限定提问问题的答复方向，包括用于限定提问需求和应用场景的约束用语。也即，问题模板的内容包括应用场景用语、需求用语和其他固定的约束用语（如补充限定词、标点符号、语法结构等）。变量词汇是基准问题的变量语言部分，预留给用户进一步设置相应的内容，用于限定或约束提问问题的答复范围；变量词汇可以设置在软件的前端，由用户（提问者）设置其内容。变量词汇的设置方式可以是输入相应内容、从预定选项中选取相应的内容或者从原有店铺信息中获取相关的信息内容，变量词汇的内容可以是单个词语、多个词语、一句话、一段话或多段话的文字描述。

比如，某个基准问题A是“我希望发布一个【xx类目】的产品，原标题为【xxxxx】，其他关键信息有【xx\xx\xx】，帮我写5个优化后的【英文】产品标题，字符数量在98-128之间。”其中，中括号内的文字内容是变量词汇，用于限定和缩小AI系统的答复范围，【xx类目】可以获取店铺商品的分类，关键信息【xx\xx\xx】可以通过由用户手动输入一个或多个关键词，【英文】可以由用户输入或选择预先的翻译目标语言；中括号之外的文字内容作为问题模板，问题模板除了用于衔接各变量词汇外，还可以提供其他补充限定词，比如“字符数量在98-128之间”，可以通过将多个类型的约束用语（有关联或者无关联）集中设置在问题模板，大幅度简化用户操作层面的提问方式。为了便于区分识别和简化表述，本申请的变量词汇用中括号标识，在具体应用时可以采用其他表达方式。

也即，通过问题模板和变量词汇将提问者的意图拆分为多个固定和可变化的约束用语，以弥补提问者难以快速、完整、精准的表述真实意图的缺陷。将基准问题拆分为问题模板和变量词汇，可以将多个近似的提问合并为格式一致的基准问题，以简化提问方式和减少问题数量；并且用户可以只设置少量的变量词汇，即可生成完整的基准问题，基准问题可以自动连接AI系统以输出精准的答复语言，也即生成新的店铺信息。

实际应用时，当用户根据原始店铺信息（如商品的原标题、产品分类、产品属性、客服信息、客服邮件等信息）设置相应的变量词汇后，问题模型自动生成由问题模板和相应的变量词汇构成的基准问题。工具模块将基准问题作为提问信息输入给AI系统，AI系统根据所述提问信息输出相应的答复内容，工具模块获取AI系统输出的答复内容。再将AI系统输出的答复内容作为新的店铺信息，或者当AI系统输出多个答复方案时选择其中一个答复方案作为新的店铺信息。

这种店铺信息的生成方法，无需AI系统对电商领域的具体场景进行专门学习，也无需用户投入大量的脑力劳动进行语言构思，用户只需要少量进行变量词汇的设置操作，即可快速得到新的店铺信息，大幅度提高店铺信息的创建效率，语言自然、精准且能够匹配多种的应用场景；操作灵活、简单、难度低，用户可以自由选择设置相应的变量词汇，使得生成的新店铺信息内容丰富多样，满足个性化需求。另一方面，将问题模型设置在电商ERP系统或者电商平台系统的工具模块上，既可以在设置变量词汇时获取原有的店铺信息，又可以利用电商ERP系统或者电商平台系统庞大的用户数量，通过监控数百万次的操作结果进一步的验证和校准相应的问题模板，持续改进问题模型及其基准问题。其他实施方案和技术效果在后文阐述。

进一步的，本申请还提供一种基于AI系统的客服消息生成方法，用于电商客服系统，其特征在于，所述客服系统包括用于辅助回复相应买家历史消息的辅助回复工具，所述辅助回复工具包括连接外部AI系统的回复助手工具，所述AI系统是基于自然语言处理技术的聊天机器人，用于识别提问信息中关于文本生成、自然语言对话和语言翻译的语言处理指令，并根据所述语言处理指令生成相应的自然语言，所生成的自然语言作为AI系统的答复内容，所述AI系统通过接口接收提问信息并输出和提问信息对应的答复内容，所述客服消息生成方法包括以下步骤P1-P8。

步骤P1：在所述回复助手工具上设置问题模型，所述问题模型包括基准问题，所述基准问题包括问题模板和变量词汇，所述问题模板是基准问题的固定语言部分，包括用于限定提问需求和应用场景的约束用语，所述变量词汇是基准问题的变量语言部分，用于系统进一步获取相应的变量语言内容，比如用于补充更新对话场景相关的客服信息。

步骤P2：通过客服系统获取一个或多个店铺的数据访问权限并接收相应店铺账号的客服信息，将接收到的相应店铺账号的客服信息按买家历史消息、卖家历史消息和系统消息进行分类，标识每条买家历史消息、卖家历史消息和系统消息的发送时间并按时间先后顺序对各客服信息逐条排序，定义并标识各买家历史消息和卖家历史消息的消息类型，所述消息类型包括文本消息和一种或多种非文本消息。

步骤P3：跳过系统消息，获取一定时间T1内的最后一条客服信息，判断该最后一条客服信息是否为买家历史消息，如果该最后一条客服信息是卖家历史消息，那么停止客服消息的生成，如果该最后一条客服信息是买家历史消息，那么将该最后一条买家历史消息作为目标买家消息，执行步骤P4。

步骤P4：根据目标买家消息的消息类型进行是否调取回复助手工具的判断，当目标买家消息是文本消息或可转换非文本买家消息时，客服系统调取回复助手工具，否则不调取回复助手工具，所述可转换非文本买家消息是指能够通过客服系统将该非文本买家消息转化为文本消息的非文本买家消息，当判断结果是客服系统不调取回复助手工具时，停止客服消息的生成，当判断结果是客服系统调取回复助手工具时，执行步骤P5。

步骤P5：根据目标买家消息的时间调取邻近目标买家消息的N1条连续的非系统消息的客服信息。

步骤P6：将步骤P5中调取的所述邻近目标买家消息的客服信息和目标买家消息作为变量词汇，问题模型根据问题模板和变量词汇生成基准问题。

步骤P7：所述回复助手工具将所述基准问题作为提问信息输入给AI系统，AI系统根据所述提问信息输出相应的答复内容，所述回复助手工具获取AI系统输出的答复内容。

步骤P8：选取AI系统输出的答复内容作为新的客服消息；或者，编辑调整AI系统输出的答复内容，选取编辑后的答复内容作为新的客服消息。

这种基于AI系统的客服消息生成方法，可以大幅提高客服消息生成的准确性，使生成的客服消息和聊天场景更加匹配，同时提高客服消息的创建效率。此外，该方法可以最大限度的减少运营人员的参与，如果运营人员选择不作人工审核客服消息，那么可以实现从买家消息的获取、分类、内容识别、规则判断、客服消息生成和回复都由系统自动完成，从而大幅提高客服环节的效率，一个运营人员能够同时处理上百个店铺的日常客服工作。也即，通过AI系统搭建新的工具模块，实现原本AI系统不能完成的功能。

本申请的工具模块可用于电商ERP系统或电商平台系统（如亚马逊、阿里巴巴、易贝等电商平台系统），执行店铺信息生成方法所包含的各项操作指令。

进一步的，本申请还提供一种服务器，服务器包括存储器、处理器，本申请中的工具模块及其系统储存在存储器，处理器可以执行工具模块及其系统的操作指令。

进一步的，本申请还提供一种计算机设备，计算机设备包括存储器、处理器，本申请的工具模块及其系统储存在存储器，处理器可以执行工具模块及其系统的操作指令。

申明：本申请中向AI系统提问的问题内容可以是提需求或提疑问。参考图1，本申请的电商ERP系统包括商品模块、销售模块、采购模块、物流模块、仓库模块、财务模块、广告模块、客服模块、工具模块、权限管理模块和数据模块等功能模块中的一个或多个；本申请的各功能模块之间可以相互融合，也可以独立存在，还可以是一个功能模块作为另一个功能模块的子模块。本申请ERP系统的操作人员也可以称为店铺管理人员、卖家、运营、运营人员、用户、客服人员或提问者（AI系统的提问者），除特别申明外，其身份不做严格限定。本申请中“商品”和“产品”都是本领域习惯性称呼，两者含义相同，不做区分。

本申请中电商领域名词的含义及说明（本申请中英文单词的字母不区分大小写）：

（1）ERP（Enterprise Resource Planning）是企业资源计划，本申请中也可以作为ERP系统的简称。

（2）AI（Artificial Intelligence）是指人工智能。

（3）ASIN（Amazon standard identification number）是亚马逊平台的商品编号，在本申请中可泛指电商平台的商品编号；SKU（Stock Keeping Unit）是指库存商品编码；SPU（Standard Product Unit ）指标准化产品单元；MSKU（Merchant Stock Keeping Unit）是指在线商品编码。

（4）APP（Application）是指软件应用程序。

附图说明

附图用来提供对本申请的进一步理解，不构成对本申请的限制；附图所示内容可以是实施例的真实数据，属于本申请的保护范围。

图1为本申请一实施例中电商ERP系统功能模块示意图；

图2为本申请一实施例中店铺信息生成方法原理示意图；

图3为本申请一实施例中店铺信息生成方法流程示意图；

图4为本申请一实施例中客服系统主界面结构示意图；

图5为本申请一实施例中客服消息生成方法原理示意图；

图6为本申请一实施例中客服消息生成方法流程示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本申请实施例做进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参考图3，本申请提出一种店铺信息生成方法，用于电商ERP系统或电商平台系统的工具模块。在本申请的一实施例中，该补货方法包括步骤S1-步骤S4，如下。

步骤S1：在工具模块上基于原始店铺信息设置问题模型，所述问题模型连接外部的AI系统（可以是通过互联网连接AI系统），所述问题模型包括基准问题（基准问题的精度经过预先验证），所述基准问题包括变量词汇和设置在软件后端的问题模板，所述问题模板是基准问题的固定语言部分，包括用于限定提问需求（也即提问目的）和应用场景的约束用语（还可以包括其他一种或多种约束用语），所述变量词汇是基准问题的变量语言部分，预留给用户或系统进一步设置相应的变量语言内容。变量词汇的设置可以是用户手动设置，也可以是软件系统按规则自动获取相关的字段信息（比如买家消息、客户投诉等），可以设置在软件的前端或后端。当变量词汇是软件系统自动获取相关信息时，变量词汇也可以是设置在软件的后端。问题模板的约束用语，可以是通过相同的话同时限定提问需求和应用场景，也可以是通过不同的话分别限定提问需求和应用场景，还可以在问题模板的约束用语中对提问需求和应用场景只做基本的说明，然后结合变量词汇的内容共同体现提问需求和应用场景的信息。

本申请中，基准问题的约束用语，是指能够引导AI系统输出和约束目的有关的答复内容的语言，约束用语并非全部都是直接限定约束目的的语言，可以是结合除该约束用语外的其他基准问题内容体现约束目的的语言。比如在后文案例A中的第1个约束条件，约束用语是“你是很有帮助的助手”，并没有直接限定提问需求和应用场景， 但该约束用语结合第2-3个约束条件可以知道相应的提问需求和应用场景。在其他实施例中，提问需求和应用场景的约束用语可以都设置在变量词汇中；或者提问需求约束用语和应用场景约束用语中的一个设置在问题模板，另一个设置在变量词汇。

AI系统可以是语言对话类聊天机器人（如ChatGPT），基于指令微调、人类反馈强化学习的机器人。具体为，AI系统是一种基于深度学习和自然语言处理技术的聊天机器人，采用自然语言生成模型，通过对大规模的文本语料进行训练，以实现文本生成、自然语言对话、机器翻译等多种自然语言处理任务。也即，AI系统的语言模型中具有相应的文本生成、自然语言对话、机器翻译等语言处理模块，预先经过大规模的文本语料进行训练，使其能够识别提问信息中关于文本生成、自然语言对话和语言翻译的语言处理指令，并根据所述语言处理指令生成相应的自然语言，所生成的自然语言作为AI系统的答复内容。

在AI系统的架构上，采用监督学习和强化学习的组合来优化自然语言生成模型，让AI系统在大规模无监督训练的基础上，通过人类反馈来进一步调优，使其AI系统更加准确、自然、连贯地生成文本。同时，AI系统配置有可连接外部语言数据（如文字、图片、视频等信息数据）的接口，通过开源平台向外界提供训练后的模型参数；也即，AI系统可以通过接口接收外部的提问信息（提问问题），并输出和提问信息（提问问题）对应的答复内容。

在具体的应用场景下，AI系统通过接口输出的和提问信息对应的答复内容，和实际场景的匹配精度很差，需要通过电商ERP系统或电商平台系统的工具模块的问题模型进一步校准。

步骤S2：当用户根据原始店铺信息设置完成相应的变量词汇时，问题模型根据问题模板和变量词汇生成基准问题。可以是点击确定键后生成基准问题，也可以是直接生成基准问题。可以理解为，问题模板和变量词汇组成基准问题。

步骤S3：点击AI生成键后，工具模块将基准问题作为提问信息输入给AI系统，AI系统根据所述提问信息输出相应的答复内容，工具模块获取AI系统输出的答复内容。基于问题通过AI系统的接口将提问信息输入给AI系统，也即，将基准问题按AI系统接口的格式要求转换成相应格式的编程语言，以便于AI系统充分识别基准问题。

步骤S4：选取AI系统输出的答复内容作为新的店铺信息；或者，编辑调整AI系统输出的答复内容（以修正或添加部分信息），选取编辑后的答复内容作为新的店铺信息。编辑调整可以是对AI系统输出的答复内容进一步解析，使答复内容能更好的展示在系统前端界面，比如删除部分标点符号使答复内容格式更合理，对答复内容进行拆分使其展示在前端界面的不用位置。编辑调整也可以是用户手动修改AI系统输出的答复内容，比如增加或删除部分内容信息，结合系统的自动生成和用户的人工编辑两种信息生成方式，使操作更加灵活、便捷。此外，当AI系统输出的答复内容包含多个答复方案时选择其中一个答复方案作为新的店铺信息。

对于语言精准性要求更严格的应用场景，AI系统根据前述约束用语（提问需求和应用场景的约束用语）组成的基准问题仍就不能生成符合要求的答复内容。因此在步骤S1中，所述问题模板还包括目标格式约束用语，用于引导AI系统输出（返回）具有目标格式的答复内容，以自动过滤一些与目标答案无关的文字，方便AI系统解析提问意图并按提问意图输出相应格式的语言内容，进一步提高答复内容的准确性；也使AI系统对具有相同问题模板不同变量词汇的基准问题的答复更加稳定。比如要求AI系统：参考原标题的先后文、字符数量在98-128之间、商品标题的格式为中文等。

一实施例中，问题模型预可以设有多个基准问题和多个用于设置变量词汇的参数设置框，至少一部分所述参数设置框可以选择设置内容或不设置内容，所述多个基准问题分别对应不同类型的参数设置框设置场景，当用户设置某一个或多个变量词汇时，问题模型根据变量词汇的设置类型自动匹配出相应的唯一基准问题，该唯一的基准问题用于本次访问AI系统（即输入给AI系统）的提问问题。比如，问题模型中具有2个变量词汇（A1和A2）和3个基准问题（B1、B2和B3），当A1设置内容且A2不设置内容时，问题模型匹配对应的基准问题B1；当A1不设置内容且A2设置内容时，问题模型匹配对应的基准问题B2；当A1设置内容且A2设置内容时，问题模型匹配对应的基准问题B3。从而使得用户在创建新店铺信息时，只需要选择设置少部分变量词汇，无需考虑如何拟定提问问题，也无需考虑该提多少问题，大幅降低店铺信息的创建难度。相关实施中，可以限定参数设置框中的一个或多个为必填的项目，以提高提问的准确性，并减少问题模型中预设基准问题的数量。

一实施例中，所述工具模块还包括AI生成键，在步骤S3中，点击AI生成键后，工具模块再将基准问题输入给AI系统，以获取AI系统的答复内容。AI生成键可以是变量词汇编辑后的确定键，也可以是独立的操作键；其他实施例中，可以不用AI生成键，在基准问题生成后直接输入给AI系统。相关实施例中，可以限定AI生成键的有效操作时间，使其用户只能在距离上一次店铺信息生成时间达到某个固定时间（如5秒钟）后才能进行下一次店铺信息生成的操作，降低AI系统接口被调用的频率，也防止用户误点带来不必要的扣费。

一实施例中，所述工具模块还包括发布键，在步骤S4中，获得新的店铺信息后，点击所述发布键后，工具模块调取新的店铺信息设置在相应的应用场景。比如，在完成店铺商品的标题创建后，点击发布键，工具模块会自动调取新的标题内容设置在对应商品的标题位置，可以是重新创建新标题或用新标题替换原有标题。

一实施例中，所述工具模块还包括翻译模块，在步骤S4中，翻译模块自动获取AI系统输出的答复内容并将其翻译成目标语言，所述目标语言和工具模块所在系统的软件前端界面的语言相同。比如，如果软件前端界面被设置为简体中文界面，那么翻译模块将AI系统输出的答复内容自动翻译成简体中文，以便于运营人员阅读或编辑校准答复内容。其他实施例中，可以通过在基准问题中限定AI系统输出相应目标语言（比如电商平台或买家所需的目标语言）的答复内容，同时在基准问题中限定AI系统对答复内容翻译成另一种目标语言（比如运营人员或卖家所述的目标语言）。

相关实施例中，原始店铺信息的类型和新店铺信息的类型相同。比如，当原始店铺信息为标题时，生成的新店铺信息为新标题。其他实施例中，原始店铺信息可以是新店铺信息的一部分，比如当原始店铺信息为商品的类别和关键词，生成的新店铺信息为商品描述。

一实施例中，在步骤S2中，用户在设置相应变量词汇之前，先调取变量词汇的设置界面，变量词汇设置界面的调取入口设置在使用店铺信息的应用场景界面，以方便获取原始店铺信息的基础数据。比如，在创建店铺的商品标题或商品描述时，将变量词汇设置界面的调取入口设置在销售模块的商品列表界面中，使运营人员可以快速的在商品列表界面选择现有商品并利用其原标题或原描述的信息重新生成新的标题或描述，且在设置变量词汇时可以直接获取商品分类、部分关键词等店铺信息的基础数据，以及参照现有店铺信息增加简短的关键词信息，提高设置变量词汇的工作质量和效率。其他实施例中，变量词汇设置界面的调取入口可以有多个，比如将连接AI系统的工具模块设置为独立的AI操作界面，从该AI操作界面调取变量词汇设置界面的入口，以减少用户的操作步骤。

一实施例中，当所述店铺信息为商品标题或商品描述时，变量词汇设置界面包括一个或多个参数设置框，参数框用于设置相应的变量词汇。参数框可以是编辑框（手动输入信息），也可以是选项框（选择现有的信息内容），还可以是预设用于设置相关内容的无边框的区域（比如预设的无边框的空白区域作为原标题的参数设置框，待进一步导入原标题）。当店铺信息为商品标题时，可以在问题模板中增加限定约束用语，如果商品标题的目标语言是英文，限定在标题的最前面加阿拉伯数字0，以提高商品在电商平台销售环节被检索的概率。

所述参数设置框的类型为关键词、商品类别、商品品牌、商品型号、目标语言、商品参数、答复内容字数范围、商品特性、电商平台和参考ASIN中的一个或多个。其中关键词是指和对应店铺信息相关的关键词，关键词可以是一个或多个；商品类别是指根据商品功能属性所确定的类别，可以是大类或小类，也可以是具体的商品名称；目标语言是指店铺信息文字的语言类型；答复内容字数范围是指用于设置答复内容的输出字数范围；参考ASIN是指AI系统在答复基准问题时参考商品编号为某ASIN值的商品店铺信息，也即让AI系统调取其他平台的数据作为参考来回答基准问题。在同一个参数框输入多个关键词、参数或特性时，可以用回车号、逗号或分号隔开。

其他实施例中，为了获取更新、更及时的店铺信息数据，可以在基准问题中要求AI系统根据商品类别调取指定电商平台中销量最好的商品（一款或多款）的店铺信息，以此作为创建新店铺信息的参考。进一步的，工具模块记录AI系统从电商平台中调取的相同类别销量最好商品的店铺信息，将其按商品标题和商品描述进行分类，提取其中的关键词信息作为用户新创建商品标题或描述时的备选词汇，并标识各关键词的使用频率，从而完成备用关键词的采集；在交互方式上，当用户创建商品标题或描述时，在用户设置完商品类别后，当关键词参数设置框处于编辑状态时，将备用关键词按使用频率的高低顺序呈现出来，以供用户选择相应的备用关键词。从而进一步降低用户创建店铺信息的难度。

在变量词汇设置界面还设置有历史记录模块，点击历史记录键可以获取店铺信息生成的历史记录清单，便于用户查找和调取历史记录，避免相同店铺信息重复创建，减少AI系统的访问次数。

一实施例中，在创建基准问题时，通过问题模板和/或变量词汇限定AI系统输出多个答复方案，用户可选择其中任意一个答复方案作为新的店铺信息。问题模型对相同应用场景下AI系统输出的多个答复方案进行标识，并监控用户（相同用户或不同用户）选择答复方案的情况，当用户选择使用某个答复方案的频率高于某个基准值或用户选择使用某个答复方案的频率低于某个基准值时，问题模型提醒系统维护人员（指电商ERP系统或电商平台系统的软件维护人员）升级问题模板。利用电商ERP系统庞大的用户数量，持续改进问题模型及其基准问题。相关实施例中，当满足一定用户使用次数且用户选择使用某个答复方案的频率低于某个基准值时，问题模型只显示使用频率高的答复方案；系统维护人员可以根据答复方案显示数量的变化，判断是否对问题模板或基准问题进行升级。

在店铺运营环节处理买家消息和售后邮件回复内容，大部门用户需要借助翻译软件，内容比较生硬，可以通过问题模型和AI系统给买家消息和邮件内容进行润色或翻译，提高文案质量。也即，当所述店铺信息为邮件内容时，将邮件内容作为变量词汇，在问题模板中限定对变量词汇内容进行润色。邮件内容可以是自定义邮件内容或邮件模板，在邮件模板中可以以变量的方式插入和本次邮件相关的参数信息，比如插入订购日期、订单号、订单金额、订单商品数量、产品标题、产品ASIN和买家昵称中的一个或多个参数。润色是指对文字内容进行优化，使其逻辑结构性合理；比如，将基准问题创建为“请优化以下邮件内容，要求逻辑结构性合理，邮件内容为【XXXX】”。相关实施例中，可以对邮件内容进行润色，或者进行润色并翻译成目标语言。润色后的邮件内容可以继续编辑校准或直接发送给买家。

其他实施例中，邮件内容还可以通过上传附件的方式获得，附件类型可以是文本文件、PDF、Word或者常规格式的jpg/jpeg/gif/png图片。

在店铺运营环节处理买家消息时存在很大困扰，如果手动输入信息内容，那么存在语言障碍、语境不够规范生动；如果复制已有模板的信息内容，那么只能应对固定问题，不能灵活应答；如果借助翻译软件回复，那么操作会被打断。这种场景也可以通过问题模型和AI系统处理买家消息，在同一个界面直接生成回复内容，高效快捷，且符合对话场景，相当于智能客服。也即，当所述店铺信息为买家消息时，将买家消息作为变量词汇（交互方式可以是，点击买家消息并将其自动添加为变量词汇），在问题模板中限定对变量词汇内容进行礼貌回复。比如，将基准问题创建为“请用非常礼貌的方式回复以下买家消息，买家消息为【XXXX】”。相关实施例中，可以获取买家消息的上一条或多条信息作为基准问题的参考信息，以提高答复内容的准确性。

其他实施例中，所述店铺信息还可以是针对买家投诉信息的回复，将买家投诉信息作为变量词汇，在问题模板中限定对变量词汇内容进行礼貌回复。

一实施例中，参考图4-6，本申请还提供一种基于AI系统的客服消息生成方法，用于电商客服系统。所述电商客服系统可以是作为一个功能模块设置在电商ERP系统或电商平台系统上，也可以是独立的应用软件（比如独立的在线网页、移动APP或电脑客户端软件）。所述电商客服系统包括用于辅助回复相应买家消息的辅助回复工具（也即辅助回复工具模块），所述辅助回复工具包括连接外部AI系统的回复助手工具（回复助手工具用于根据买家消息创建相应的卖家消息），所述AI系统是基于自然语言处理技术的聊天机器人，用于识别提问信息中关于文本生成、自然语言对话和语言翻译的语言处理指令，并根据所述语言处理指令生成相应的自然语言，所生成的自然语言作为AI系统的答复内容，所述AI系统通过接口接收提问信息并输出和提问信息对应的答复内容，所述客服消息生成方法包括如下步骤P1-P8。

步骤P1：在所述回复助手工具上设置问题模型，所述问题模型包括基准问题，所述基准问题包括问题模板和变量词汇，所述问题模板是基准问题的固定语言部分，包括用于限定提问需求和应用场景的约束用语，所述变量词汇是基准问题的变量语言部分。当变量词汇的信息很多或很充分时，可以在问题模板中只设置少量或简单的约束用语。

步骤P2：通过客服系统获取一个或多个店铺（每个店铺具有一个或多个账号，如主账号和子账号）的数据访问权限并接收相应店铺账号的客服信息（接收的客服信息也即历史客服消息，客服信息的接收方式可以是每隔一定时间自动接收店铺账号的客服信息，以保障客服信息更新的及时性），将接收到的相应店铺账号的客服信息按买家历史消息、卖家历史消息和系统消息进行分类。所述系统消息是指买家历史消息和卖家历史消息之外的其他消息，比如电商平台的系统消息、电商ERP的系统消息、客服系统的系统消息、相关公告等，系统消息不作为回复助手工具的回复对象。然后，标识每条买家历史消息、卖家历史消息和系统消息的发送时间并按时间先后顺序对各客服信息逐条排序，在客户系统的交互方式上，将各客服信息展示在客服系统的历史消息展示窗，将时间最晚的客服信息排列在客服信息展示位置的最下面。并且，定义并标识各买家历史消息和卖家历史消息的消息类型，所述消息类型包括文本消息和一种或多种非文本消息。非文本消息可以是订单、商品链接、图片、视频、优惠券、邀请关注、表情或者其他类型消息。

步骤P3：跳过系统消息（也即不统计系统消息，以简化客服消息生成的步骤），获取一定时间T1内的最后一条客服信息，判断该最后一条客服信息是否为买家历史消息，如果该最后一条客服信息是卖家历史消息，那么停止客服消息的生成，如果该最后一条客服信息是买家历史消息，那么将该最后一条买家历史消息作为目标买家消息，执行步骤P4。

T1时间可以是24小时、48小时或其他时间，是基于当前时间往更早时间计算；也即超过T1时间的买家历史消息不通过回复助手工具来回复，但可以人工回复。T1时间可以是在软件系统后台设置相应的固定值，也可以是由用户在软件前端设置相应的时间值。在步骤P3中，当在T1时间内，没有客服信息时，停止客服消息的生成。

步骤P4：根据目标买家消息的消息类型进行是否调取回复助手工具的判断，当目标买家消息是文本消息或可转换非文本买家消息时，客服系统调取回复助手工具，否则不调取回复助手工具，所述可转换非文本买家消息是指能够通过客服系统将该非文本买家消息转化为文本消息的非文本买家消息。比如，目标买家消息是非文本类型的订单消息，如果客服系统可以提取订单消息中的商品编号、商品类别、商品描述、商品单价、销售数量等订单内容信息并将其转化为文本消息，那么客服系统也可以根据这种非文本类的买家消息调取回复助手工具，使其可以进一步的生成客服消息，后文补充说明。当判断结果是客服系统不调取回复助手工具时，停止客服消息的生成（系统可以给用户作相应的不调用说明，比如提示系统无法识别该消息），当判断结果是客服系统调取回复助手工具时，执行步骤P5。

步骤P5：根据目标买家消息的时间调取邻近目标买家消息的N1条连续的非系统消息的客服信息；也即调取N1条连续的卖家历史消息和/或买家历史消息。比如当N1=3且最后一条客服消息是文本类型的买家历史消息（可以判断其为目标买家消息）时，从目标买家消息向上寻找更早的3条连续客服信息。该N1条客服信息不包含系统消息，包括N2条卖家历史消息和N3条买家消息，N2+N3=N1。也即，在调取该N1条客服消息时，跳过系统消息。

在步骤P5中，当所述N1条客服消息包括非文本消息时，先将相应的非文本消息处理为对应的文本消息，再将处理后的N1条文本消息用于步骤P6中生成相应的变量词汇，以简化非文本消息的数据识别，更好的利益非文本消息所包含的信息。当邻近目标买家消息的客服信息的总数量小于N1时，调取全部的非系统消息的客服信息。

N1可以固定的数值，也可以是变化的数值。在相关实施例中，如果该N1条客服信息都是买家历史消息或都是卖家历史消息，则逐条增加客服信息的调取数量，直到调取的邻近目标买家消息的客服信息包含至少一条买家历史消息和至少一条卖家历史消息。也即，在步骤P5中，进一步的判断该N1条客服信息是否包含至少一条买家历史消息和至少一条卖家历史消息，如果包含买家历史消息和卖家历史消息，那么执行步骤P6；如果只包含买家历史消息或者卖家历史消息，那么逐条增加客服信息的调取数量，直到调取的邻近目标买家消息的客服信息包含至少一条买家历史消息和至少一条卖家历史消息，从而获取到更为齐全的聊天场景信息。其他实施例中，对于客服消息生成质量要求不严格时，为了简化数据采集，也可以按N1=0取值，也即在步骤P5中只调取目标买家消息作为变量词汇。

步骤P6：将步骤P5中调取的所述邻近目标买家消息的客服信息和目标买家消息作为变量词汇，问题模型根据问题模板和变量词汇生成基准问题。

步骤P7：所述回复助手工具将所述基准问题作为提问信息输入给AI系统，AI系统根据所述提问信息输出相应的答复内容，所述回复助手工具获取AI系统输出的答复内容。

步骤P8：选取AI系统输出的答复内容作为新的客服消息；或者，编辑调整AI系统输出的答复内容，选取编辑后的答复内容作为新的客服消息。当AI系统输出的答复内容包含多个答复方案时选择其中一个答复方案作为新的客服消息。

这种基于AI系统的客服消息生成方法，可以大幅提高客服消息生成的准确性，使生成的客服消息和聊天场景更加匹配，同时提高客服消息的创建效率。此外，该方法可以最大限度的减少运营人员的参与，如果运营人员选择不作人工审核客服消息，那么可以实现从买家消息的获取、分类、内容识别、规则判断、客服消息生成和回复都由系统自动完成，从而大幅提高客服环节的效率，一个运营人员能够同时处理上百个店铺的日常客服工作。

案例A：在客服消息生成过程中，用于输入给AI系统的提问信息可以是如下提问语言（基准问题转换的编程语言）：

messages=[

{"role": "system", "content": "You are a helpful assistant."},

{"role": "assistant（邻近的客服信息=assistant）", "content": "变量1（此处为邻近目标买家消息的客服信息）"},

{"role": "user（买家历史消息=user）", "content": "变量2（此处为目标买家消息内容）"}

]

提问语言中：（1）程序语言“messages”表示程序类型为消息，对应AI系统的消息接口。（2）“role”是子程序开始的程序语言，每条子程序分别用于限定相应的提问约束条件，提问语言中3个“role”对应的内容分别表示3个提问约束条件（约束条件作为基准问题的子问题）。（3）第1个约束条件中，"system" 表示相应的子程序是定义系统的角色（聊天机器人的角色），"content"是引入限定内容的格式性程序语言，"You are a helpfulassistant."是具体的限定内容，表示对应的角色属性是“你是很有帮助的助手”，是基准问题的固定语言部分（问题模板的一部分），用于限定提问需求和应用场景。（4）第2个约束条件中，"assistant"表示相应的子程序是获取辅助信息，用于获取变量1的内容，变量1是步骤P5中调取的所述邻近目标买家消息的客服信息，是变量词汇的内容。（5）第3个约束条件中，"user "表示相应的子程序是获取回复对象，用于获取变量2的内容，变量2是目标买家消息。（6）提问语言中小括号内的内容为备注信息。（7）综合第1-3个约束条件，AI系统可以识别出，本次提问的应用场景是以助手的角色处理买家历史消息和卖家历史消息，提问需求是参考第2个约束条件内容，以助手的角色回复第3个约束条件中的消息，从而提高客服消息生成的准确性，使生成的客服消息和聊天场景更加匹配，大幅提高客服消息的创建效率。

所述客服系统包括客服消息编辑窗，在步骤P7中，所述回复助手工具将获取到的所述答复内容填入所述客服消息编辑窗，以完成所生成客服消息的展示。所述客服系统还包括翻译模块，翻译模块自动获取AI系统输出的答复内容并将其翻译成目标语言，所述目标语言和客服系统的软件前端界面的语言相同，以方便客服人员直接审阅和编辑生成的客服消息，无需额外的翻译或调取外部翻译工具。

在步骤P7中，在所述回复助手工具将获取到的所述答复内容填入所述客服消息编辑窗之前，如果所述客服消息编辑窗已有内容，则在所述回复助手工具将获取到的所述答复内容填入所述客服消息编辑窗时将原有内容覆盖。

一实施例中，参考图4，所述客服系统包括客服消息编辑窗和本地翻译工具，在步骤P8中，客服消息编辑窗的客服消息重新编辑后，选择相应的目标语言并点击本地翻译工具，可以将编辑后的客服消息再次翻译成目标语言。相关实施例中，可以在对客服消息编辑窗的客服消息重新编辑后，再次输入AI系统，采用步骤S1-S4店铺信息的生成方法，类似生成邮件内容的方案，将重新编辑后的客服消息作为变量词汇，在问题模板中限定对变量词汇内容进行润色，以降低客服消息的编辑难度，提供另一种新的客服消息答复方案。

一实施例中，所述客服系统还包括历史消息展示窗和在线翻译工具，所述历史消息展示窗用于展示各客服信息（包括买家历史消息、卖家历史消息和系统消息），当某条客服信息的消息类型为文本消息时，所述在线翻译工具在该文本消息附近生成在线翻译图标，点击所述在线翻译图标后可以在该文本消息位置附近生成相应的翻译内容。本地翻译工具用于翻译客服消息编辑窗内的客服消息，在线翻译工具用于翻译历史消息用于展示窗内的客服信息，使运营人员可以和陌生语言的买家进行正常对话，降低运营沟通难度。

一实施例中，所述客服系统还包括快捷回复工具，所述快捷回复工具上预设有固定的客服消息，所述预设的固定客服消息用于运营人员根据买家历史消息的内容或聊天场景选择相应的客服消息人工答复买家。快捷回复工具和回复助手想结合，方便用户根据应用场景自由选定不同类型的客服消息。快捷回复工具可以从历史消息显示窗中选择相应的买家历史消息、卖家历史消息和系统消息进行收藏，方便用户收集高频使用或重要的客服信息，收藏的客服信息可以是图片、视频、日常回复用语等。

一实施例中，所述客服系统还包括发送工具，当步骤P8所述新的客服消息填入所述客服系统的客服消息编辑窗后，点击发送工具将相应的客服消息发送给买家，并作为最新的卖家历史消息展示在客服消息编辑窗。

一实施例中，在步骤P2中，所述非文本消息包括订单、商品链接、图片、视频、优惠券、邀请关注、表情消息中的一种或多种。

一实施例中，所述客服系统还包括用于自动回复买家历史消息的自动回复工具，当设置启动自动回复买家历史消息功能时，所述客服系统自动完成步骤P1-P8的操作，并将步骤P8生成的新的客服消息自动发送给买家。实现从买家消息的获取、分类、内容识别、规则判断、客服消息生成和回复都由系统自动完成，从而大幅提高客服环节的效率。

一实施例中，在步骤P5中，当邻近目标买家消息的N1条连续的客服信息都是买家消息，且每条消息的间隔时间小于某个固定值T3时，在步骤P1中，在问题模板中限定对目标买家消息进行礼貌回复，并增加安抚性的约束用语。

相关实施例中，客服消息生成后由人工审核，当运营人员确认客服消息编辑窗的客服消息后再人工发送给买家。此外，客服系统可以统计买家历史消息是否在某固定时间T2内及时回复，当买家消息超过T2时间没得到回复时，客服系统自动启动自动回复工具，由系统自动回复买家历史消息。当T2大于T1时，在步骤P3中按T2时间获取目标买家消息，也即在步骤P3中：跳过系统消息，获取一定时间T2内的最后一条客服信息，判断该最后一条客服信息是否为买家历史消息，如果该最后一条客服信息是卖家历史消息，那么停止客服消息的生成，如果该最后一条客服信息是买家历史消息，那么将该最后一条买家历史消息作为目标买家消息。其他实施例中，客服系统可以统计买家历史消息的数量M1，当买家历史消息的数量达到M1值时，客服系统自动启动自动回复工具，由系统自动回复买家历史消息。此外，客服系统可以统计买家历史消息的频率，在步骤P5中，当邻近目标买家消息的N1条连续的客服信息都是买家消息，且每条消息的间隔时间小于某个固定值T3时，在步骤P1中，在问题模板中限定对目标买家消息进行礼貌回复，增加安抚性的约束用语。

一实施例中，当在步骤P2中所述非文本消息包括订单消息时，所述客服系统按商品编号、商品类别、商品描述、商品单价、销售数量提取订单消息内容，并将所述订单消息转换为包含商品编号、商品类别、商品描述、商品单价、销售数量的文本消息，当该订单消息为目标买家消息时，所述客服系统调取回复助手工具。在步骤P2中，所述文本消息进一步分为普通文本消息和议价消息（普通文本消息是议价消息之外的文本消息），如果目标买家消息为议价消息，那么已启动的自动回复买家历史消息功能失效，在步骤P8生成的新的客服消息需要运营人员手动发送给买家，方便运营人员审核或修正客服消息。

一实施例中，所述客服系统记录调取回复助手工具的次数M2，当回复助手工具的次数M2大于预设值M3时，判定回复助手工具使用次数超限，停止客服消息的生成操作。也即禁用回复助手工具，比如在步骤P4中停止调取回复助手工具，从而更好的管控AI系统的调配资源，降低电商ERP系统或电商平台系统负荷）。停止客服消息的生成操作后，回复助手工具的操作键颜色变灰色。待用户升级套餐或重新获取回复助手工具的使用权限后，回复助手工具的操作键颜色恢复，也即可以继续正常使用。

本申请中，客服系统用于所述系统为电商ERP系统或电商平台系统，包括辅助回复工具，所述辅助回复工具执行本申请中基于AI系统的客服消息生成方法所包含的操作指令。

如图2和图5，本申请客服消息生成方法中的回复工具模块，类似店铺信息生成方法中的工具模块，在此基础上搭建问题模型。步骤P2-P5为客服信息的获取规则，通过该规则得到目标买家消息和邻近目标买家消息的客服信息作为变量词汇，再结合问题模板生成相应的基准问题。

本申请中，基于AI系统的客服消息生成方法可以用于生成店铺信息。客服消息作为店铺信息中的一种，在步骤S1-S4相关的技术方案可以用于步骤P1-P8中相同或相似的技术方案，步骤P1-P8相关的技术方案也可以用于步骤S1-S4中相同或相似的技术方案，本申请各近似实施例的具有相应的技术效果。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是在本申请的发明构思下，利用本申请说明书及附图内容所作的等效变换，或直接/间接运用在其他相关的技术领域均包括在本申请的专利保护范围内。

Claims (10)

1.一种基于AI系统的客服消息生成方法，用于电商客服系统，其特征在于，所述客服系统包括用于辅助回复相应买家历史消息的辅助回复工具，所述辅助回复工具包括连接外部AI系统的回复助手工具，所述AI系统是基于自然语言处理技术的聊天机器人，用于识别提问信息中关于文本生成、自然语言对话和语言翻译的语言处理指令，并根据所述语言处理指令生成相应的自然语言，所生成的自然语言作为AI系统的答复内容，所述AI系统通过接口接收提问信息并输出和提问信息对应的答复内容，所述客服消息生成方法包括以下步骤：

步骤P1：在所述回复助手工具上设置问题模型，所述问题模型包括基准问题，所述基准问题包括问题模板和变量词汇，所述问题模板是基准问题的固定语言部分，包括用于限定提问需求和应用场景的约束用语，所述变量词汇是基准问题的变量语言部分；

步骤P2：通过客服系统获取一个或多个店铺的数据访问权限并接收相应店铺账号的客服信息，将接收到的相应店铺账号的客服信息按买家历史消息、卖家历史消息和系统消息进行分类，标识每条买家历史消息、卖家历史消息和系统消息的发送时间并按时间先后顺序对各客服信息逐条排序，定义并标识各买家历史消息和卖家历史消息的消息类型，所述消息类型包括文本消息和一种或多种非文本消息；

步骤P3：跳过系统消息，获取一定时间T1内的最后一条客服信息，判断该最后一条客服信息是否为买家历史消息，如果该最后一条客服信息是卖家历史消息，那么停止客服消息的生成，如果该最后一条客服信息是买家历史消息，那么将该最后一条买家历史消息作为目标买家消息，执行步骤P4；

步骤P4：根据目标买家消息的消息类型进行是否调取回复助手工具的判断，当目标买家消息是文本消息或可转换非文本买家消息时，客服系统调取回复助手工具，否则不调取回复助手工具，所述可转换非文本买家消息是指能够通过客服系统将该非文本买家消息转化为文本消息的非文本买家消息，当判断结果是客服系统不调取回复助手工具时，停止客服消息的生成，当判断结果是客服系统调取回复助手工具时，执行步骤P5；

步骤P5：根据目标买家消息的时间调取邻近目标买家消息的N1条连续的非系统消息的客服信息；

步骤P6：将步骤P5中调取的所述邻近目标买家消息的客服信息和目标买家消息作为变量词汇，问题模型根据问题模板和变量词汇生成基准问题；

步骤P7：所述回复助手工具将所述基准问题作为提问信息输入给AI系统，AI系统根据所述提问信息输出相应的答复内容，所述回复助手工具获取AI系统输出的答复内容；

步骤P8：选取AI系统输出的答复内容作为新的客服消息；

或者，编辑调整AI系统输出的答复内容，选取编辑后的答复内容作为新的客服消息。

2.如权利要求1所述基于AI系统的客服消息生成方法，其特征在于，在步骤P5中，进一步的判断该N1条客服信息是否包含至少一条买家历史消息和至少一条卖家历史消息，如果包含买家历史消息和卖家历史消息，那么执行步骤P6；如果只包含买家历史消息或者卖家历史消息，那么逐条增加客服信息的调取数量，直到调取的邻近目标买家消息的客服信息包含至少一条买家历史消息和至少一条卖家历史消息；

或者，在步骤P5中按N1=0取值，只调取目标买家消息。

3.如权利要求1所述基于AI系统的客服消息生成方法，其特征在于，在步骤P5中，当所述N1条客服消息包括非文本消息时，先将相应的非文本消息处理为对应的文本消息，再将处理后的N1条文本消息用于步骤P6中生成相应的变量词汇；

和/或，在步骤P5中，当所述邻近目标买家消息的客服信息的总数量小于N1时，调取全部的非系统消息的客服信息；

和/或，在步骤P3中，当在T1时间内，没有客服信息时，停止客服消息的生成。

4.如权利要求1所述基于AI系统的客服消息生成方法，其特征在于，所述客服系统包括客服消息编辑窗，在步骤P7中，所述回复助手工具将获取到的所述答复内容填入所述客服消息编辑窗。

5.如权利要求4所述基于AI系统的客服消息生成方法，其特征在于，所述客服系统还包括翻译模块，翻译模块自动获取AI系统输出的答复内容并将其翻译成目标语言，所述目标语言和客服系统的软件前端界面的语言相同；

和/或，在步骤P7中，在所述回复助手工具将获取到的所述答复内容填入所述客服消息编辑窗之前，如果所述客服消息编辑窗已有内容，则在所述回复助手工具将获取到的所述答复内容填入所述客服消息编辑窗时将原有内容覆盖。

6.如权利要求1所述基于AI系统的客服消息生成方法，其特征在于，所述客服系统包括客服消息编辑窗和本地翻译工具，在步骤P8中，客服消息编辑窗的客服消息重新编辑后，选择相应的目标语言并点击本地翻译工具，可以将编辑后的客服消息再次翻译成目标语言；

和/或，所述客服系统还包括历史消息展示窗和在线翻译工具，所述历史消息展示窗用于展示各客服信息，当某条客服信息的消息类型为文本消息时，所述在线翻译工具在该文本消息附近生成在线翻译图标，点击所述在线翻译图标后可以在该文本消息位置附近生成相应的翻译内容；

和/或，所述客服系统还包括快捷回复工具，所述快捷回复工具上预设有固定的客服消息，所述预设的固定客服消息用于运营人员人工答复买家；

和/或，所述客服系统还包括发送工具，当步骤P8所述新的客服消息填入所述客服系统的客服消息编辑窗后，点击发送工具将相应的客服消息发送给买家。

7.如权利要求1所述基于AI系统的客服消息生成方法，其特征在于，在步骤P2中，所述非文本消息包括订单、商品链接、图片、视频、优惠券、邀请关注、表情消息中的一种或多种；

和/或，所述客服系统还包括用于自动回复买家历史消息的自动回复工具，当设置启动自动回复买家历史消息功能时，所述客服系统自动完成步骤P1-P8的操作，并将步骤P8生成的新的客服消息自动发送给买家；

和/或，在步骤P5中，当邻近目标买家消息的N1条连续的客服信息都是买家消息，且每条消息的间隔时间小于某个固定值T3时，在步骤P1中，在问题模板中限定对目标买家消息进行礼貌回复，增加安抚性的约束用语。

8.如权利要求7所述基于AI系统的客服消息生成方法，其特征在于，当在步骤P2中所述非文本消息包括订单消息时，所述客服系统按商品编号、商品类别、商品描述、商品单价、销售数量提取订单消息内容，并将所述订单消息转换为包含商品编号、商品类别、商品描述、商品单价、销售数量的文本消息，当该订单消息为目标买家消息时，所述客服系统调取回复助手工具。

9.如权利要求1所述基于AI系统的客服消息生成方法，其特征在于，所述客服系统记录调取回复助手工具的次数M2，当回复助手工具的次数M2大于预设值M3时，停止客服消息的生成操作。

10.一种电商客服系统，其特征在于，所述电商客服系统包括辅助回复工具，所述辅助回复工具执行权利要求1-9中任一项所述基于AI系统的客服消息生成方法所包含的操作指令。