AI 前台如何避免报出过期价格
文章用 Python 3.14 标准库演示如何校验价格是否存在、是否属于当前数据版本,再决定能否将其写入回复。诊所案例中,应用从文档和日历取数,由第二个 AI 核对回复中的事实,最终预约由负责人确认。
AI 深度解读
顾客问诊费,AI 前台客气地报了个过期价格,接着又问了一遍顾客的姓名。这样的对话,即使每句话都写得像真人,也很难让人放心预约。作者用诊所项目和一段 Python 示例说明,模型负责组织措辞,应用负责查证价格、维护会话状态和控制预约。
对做前端或全栈的读者,这篇文章值得看的是回复发出前的几道检查。哪些信息可以直接展示,什么时候该转人工,什么时候才能把页面上的「可选时段」改成「预约已确认」,这些都可以落到代码和测试里。
把报价和预约交给应用处理
作者做的诊所前台覆盖约 114 个价格条目和 48 项服务。系统从诊所资料取价格,从日历查可用时段,再由第二个 AI 对照资料检查回复里的说法。预约需要诊所方确认,原文在描述具体流程时写的是医生确认,并再次检查日历。
这里有三个不同的判断。价格来自有来源和版本的业务记录,空闲时段是某一刻的日历查询结果,预约确认则需要授权并真正执行操作。顾客问「周五下午有空吗」,系统可以给出查到的时段。等顾客选定之后,还得看那个时段是否仍然空闲。前端如果提前显示「预约成功」,即使聊天消息说得再委婉,顾客也会以为自己已经约上了。
据作者报告,团队用真实问题测试过这套流程,系统已准备好,等负责人决定何时启用。原文没有公开测试规模、错误率、上线后的预约转化率或生产表现。措辞可以用 humanizer 技能审阅,价格和预约状态仍得由业务流程提供。
报价发出前,先确认价格属于当前版本
下面的教学示例用 Python 3.14 和标准库演示一道报价检查,价格存在且版本一致时才渲染金额。
from dataclasses import dataclass
@dataclass(frozen=True)
class Quote:
service: str
amount: int | None
version: str
def respond(quote, current_version):
if quote.amount is None or quote.version != current_version:
return "HANDOFF"
return f"{quote.service}: {quote.amount} USD"
assert respond(Quote("Consultation", 90, "v2"), "v2") == "Consultation: 90 USD"
assert respond(Quote("Consultation", None, "v2"), "v2") == "HANDOFF"
assert respond(Quote("Consultation", 90, "v1"), "v2") == "HANDOFF"
print("3 checks passed")
重点看 if quote.amount is None or quote.version != current_version: 这一行,报价记录和权威的 current_version 都要由调用方取得。
作者把代码保存为 quote_check.py,运行 python3 quote_check.py,在 Python 3.14.9 上得到 3 checks passed。三条断言分别覆盖 v2 的 90 USD 报价、v2 缺少金额,以及当前版本为 v2 时拿到旧版 v1 报价。价格是虚构的,示例无需第三方包或 API 凭据,int | None 的写法要求 Python 3.10 或更新版本。
版本相同之后,还要确认服务匹配、币种和数据来源。比如两种检查名称相近,系统拿错了服务记录,版本校验一样会通过。数据库也可能在检查之后、消息发出之前更新,生产系统需要明确发送时如何保证一致性。碰到价格区间,或必须先检查才能确定费用的项目,这些条件要和金额一起展示,否则一条简短回复就可能变成顾客理解中的固定报价。
HANDOFF 应触发队列或明确的人工处理流程。只有系统真的创建了交接任务,才适合告诉顾客「工作人员会帮您确认价格」。
一轮对话里,哪些信息可以直接沿用
收到消息后,应用先结合会话状态识别顾客问的是哪项服务,再取当前报价。有问到时间才查日历。给模型的上下文只需包含这次回复用得上的历史和业务事实。顾客已经说过姓名就沿用,顾客纠正姓名就更新。记录了姓名,只能说明顾客提供过这个信息,预约同意和员工确认都应单独记录。
生成后的草稿也可能引入新错误。第二个 AI 可以找出缺乏资料支持的说法,但它也会漏判。精确金额可以直接从结构化数据渲染,模型负责前后的说明文字,同时检查自由文本里是否又出现了冲突的价格。示例中的 respond 只生成固定字符串,无法完成这一步。校验超时或报错时,应用应按预先定义的方式处理,并限制重试次数,避免两个模型反复改稿。
转人工时,要让接手的人看到顾客的问题和必要的会话历史,具体传哪些信息取决于隐私和留存规则。交接也要改变机器人的状态,否则员工在处理问题时,机器人还可能继续发出互相矛盾的消息。
我的判断
原文最实用的一点,是把「听起来像真人」落实到顾客能感知的行为上。问价格就先回答价格,已有姓名就别再问,预约到了哪一步就说到哪一步。提示词适合规定语气、长度和措辞示例,业务状态应由应用维护。对于固定报价,从可信记录直接渲染,金额出了问题也更容易追查到是哪条记录、哪个版本。
第二个 AI 是否值得接入,作者给的是项目经验。原文没有提供单模型和双模型的对照,也没给出误报、漏报或延迟数据。对价格字段有限、规则清楚的服务,结构化渲染加确定性校验更容易写出明确的验收条件。涉及需要对照诊所资料理解的表述时,可以把第二个模型用作检查,再用实际问题衡量它能发现多少额外错误。作者公开展示的可复现结果只有三条本地断言,后面列出的集成场景是测试建议。
能拿来做什么
- 在 Node 的报价接口中,把金额、币种、适用条件和来源版本放在同一条业务记录里。测试时修改权威价格并刷新或失效缓存,再核对用户看到的文本和服务端记录的版本,确认系统给出新价格或进入人工处理。
- 在预约界面区分「可选时段」「待确认」和「已确认」。提交时重新查一次日历,在集成环境覆盖日历不可用和时段已被占用的情况,验证页面和聊天消息都没有误报成功。
- 用缺失价格、校验超时、顾客改名和中途要求人工接手走一遍聊天流程。检查员工收到的任务是否包含顾客原问题、姓名是否以更正后的为准,以及人工接手后机器人是否停止发送冲突消息。