客服 AI Copilot 案例：先辅助坐席，不急着全自动

// 直接把用户问题丢进向量搜索，返回什么就用什么
async function recommendKnowledge(query: string) {
  const embeddings = await embed(query)
  const results = await vectorDB.search(embeddings, { topK: 3 })
  // 问题1：没有过滤过期文档
  // 问题2：没有来源标注，坐席无法核实
  return results.map(r => r.text)
}

interface KnowledgeDoc {
  id: string
  text: string
  metadata: {
    status: 'active' | 'deprecated' | 'draft'
    effectiveDate: string
    category: string
    lastUpdated: string
  }
}
 
async function recommendKnowledge(query: string): Promise<Recommendation[]> {
  const embeddings = await embed(query)
 
  // 混合检索：向量召回 + 关键词精排
  const candidates = await vectorDB.search(embeddings, { topK: 10 })
  const keywordResults = await keywordSearch(query, { topK: 10 })
  const merged = rerank(candidates, keywordResults)
 
  // 只保留生效中的文档
  const active = merged.filter(
    doc => doc.metadata.status === 'active'
  )
 
  // 返回带来源标注的推荐
  return active.slice(0, 3).map(doc => ({
    text: doc.text,
    source: {
      title: doc.metadata.title,
      category: doc.metadata.category,
      lastUpdated: doc.metadata.lastUpdated,
      // 坐席可以点击查看原文
      url: `/knowledge-base/${doc.id}`,
    },
  }))
}

// 不管用户说什么，都生成同一种风格的回复
async function generateDraft(message: string) {
  const prompt = `
    用户说：${message}
    请生成一段客服回复，语气礼貌、专业。
  `
  // 问题：没有情绪感知，回复千篇一律
  // 问题：没有引用具体订单信息
  return await llm.generate(prompt)
}

interface DraftOptions {
  userMessage: string
  sentiment: 'negative' | 'neutral' | 'positive'
  orderInfo?: OrderInfo
  knowledgeRefs: KnowledgeRecommendation[]
}
 
async function generateDraft(options: DraftOptions): Promise<Draft> {
  // 根据情绪选择不同的回复策略
  const strategyMap = {
    negative: '先安抚情绪，再提供解决方案，语气更加温和',
    neutral: '直接回答问题，简洁专业',
    positive: '确认解决，提供后续建议',
  }
  const strategy = strategyMap[options.sentiment]
 
  // 把订单信息和知识库引用作为上下文注入
  const context = [
    options.orderInfo
      ? `用户订单：${options.orderInfo.id}，状态：${options.orderInfo.status}，预计送达：${options.orderInfo.eta}`
      : '',
    options.knowledgeRefs.map(ref => `参考：${ref.source.title} - ${ref.text}`).join('\n'),
  ].filter(Boolean).join('\n')
 
  const prompt = `
    你是客服坐席的助手。请根据以下信息生成回复草稿。
 
    回复策略：${strategy}
    上下文信息：
    ${context}
 
    用户消息：${options.userMessage}
 
    要求：
    1. 用 [EDITABLE] 和 [/EDITABLE] 标记需要坐席确认的部分（如金额、日期）
    2. 引用知识库来源，格式为「根据 XX 政策」
    3. 控制在 150 字以内
  `
 
  const text = await llm.generate(prompt)
 
  return {
    text,
    // 标注可编辑区域，方便坐席快速定位
    editableRanges: extractEditableRanges(text),
    sources: options.knowledgeRefs.map(ref => ref.source),
  }
}

// 直接把聊天记录丢给 LLM 总结
async function summarizeTicket(messages: Message[]) {
  const transcript = messages.map(m => `${m.role}: ${m.content}`).join('\n')
  const summary = await llm.generate(`请总结以下对话：\n${transcript}`)
  // 问题：没有结构化，关键信息容易遗漏
  // 问题：不包含上下文传递，转接时信息丢失
  return summary
}

interface TicketSummary {
  // 用户核心诉求
  intent: string
  // 已收集的关键信息
  collectedInfo: {
    orderId?: string
    paymentProof?: boolean
    contactMethod?: string
  }
  // 已尝试的解决方案
  attemptedActions: Array<{
    action: string
    result: string
    timestamp: string
  }>
  // 待处理事项
  pendingItems: string[]
  // 用户情绪变化
  sentimentTrend: Array<{
    timestamp: string
    sentiment: 'negative' | 'neutral' | 'positive'
  }>
  // 给下一个坐席的建议
  handoffNotes: string
}
 
async function summarizeTicket(messages: Message[]): Promise<TicketSummary> {
  const transcript = messages
    .map(m => `[${m.timestamp}] ${m.role}: ${m.content}`)
    .join('\n')
 
  const prompt = `
    请根据以下客服对话记录，生成结构化摘要。
 
    对话记录：
    ${transcript}
 
    请提取以下信息（如果对话中未出现，填写「未提供」）：
    1. intent: 用户的核心诉求（一句话）
    2. collectedInfo: 已收集的信息（订单号、支付凭证、联系方式）
    3. attemptedActions: 已尝试的解决方案及结果
    4. pendingItems: 仍需处理的事项
    5. sentimentTrend: 用户情绪变化节点
    6. handoffNotes: 给下一个坐席的交接建议
 
    以 JSON 格式返回。
  `
 
  const result = await llm.generate(prompt, { responseFormat: 'json' })
  return JSON.parse(result) as TicketSummary
}

// 坐席需要切换到另一个页面查看 AI 推荐
function CopilotPage() {
  const [query, setQuery] = useState('')
  const [results, setResults] = useState([])
 
  // 问题：坐席要手动输入用户问题
  // 问题：需要在工作台和 Copilot 之间来回切换
  const handleSearch = async () => {
    const recs = await recommendKnowledge(query)
    setResults(recs)
  }
 
  return (
    <div>
      <input value={query} onChange={e => setQuery(e.target.value)} />
      <button onClick={handleSearch}>搜索</button>
      {results.map(r => <div key={r.id}>{r.text}</div>)}
    </div>
  )
}

// Copilot 作为工作台的侧边栏组件，自动监听会话消息
function CopilotSidebar({ activeConversation }: { activeConversation: Conversation }) {
  const [recommendations, setRecommendations] = useState<Recommendation[]>([])
  const [draft, setDraft] = useState<Draft | null>(null)
  const [summary, setSummary] = useState<TicketSummary | null>(null)
 
  // 新消息到达时自动触发 AI 分析
  useEffect(() => {
    const lastMessage = activeConversation.messages.at(-1)
    if (!lastMessage || lastMessage.role !== 'customer') return
 
    // 并行请求：知识推荐、话术草稿、摘要更新
    Promise.all([
      recommendKnowledge(lastMessage.content),
      generateDraft({
        userMessage: lastMessage.content,
        sentiment: activeConversation.sentiment,
        orderInfo: activeConversation.orderInfo,
        knowledgeRefs: [], // 会在下面回填
      }),
      summarizeTicket(activeConversation.messages),
    ]).then(([recs, draftResult, summaryResult]) => {
      // 把知识推荐注入话术草稿
      const enrichedDraft = {
        ...draftResult,
        sources: recs.map(r => r.source),
      }
      setRecommendations(recs)
      setDraft(enrichedDraft)
      setSummary(summaryResult)
    })
  }, [activeConversation.messages])
 
  return (
    <aside className="copilot-sidebar">
      <KnowledgePanel items={recommendations} />
      <DraftPanel
        draft={draft}
        // 坐席一键发送或编辑后发送
        onSend={(text) => sendMessage(activeConversation.id, text)}
      />
      <SummaryPanel summary={summary} />
    </aside>
  )
}