AI保险咨询配置：从零搭建智能问答系统的关键步骤

AI保险咨询配置的核心是让系统能准确回答保险条款、理赔流程等常见问题。
本文针对零基础用户，以开源对话机器人（如Rasa或FastGPT）为例，说明如何从零配置一个可用的保险咨询机器人。
适用条件：已有一台Linux服务器（Ubuntu 20.04+或CentOS 7+），具备基本命令行操作能力。

环境准备与依赖安装

首先确保服务器已安装Docker和Docker Compose。
以Ubuntu为例，执行以下命令安装：

sudo apt update
sudo apt install -y docker.io docker-compose
sudo systemctl enable --now docker

验证安装：docker --version 和 docker-compose --version 应返回版本号。
如果提示权限不足，将当前用户加入docker组：sudo usermod -aG docker $USER，然后重新登录。

接着创建项目目录并下载示例配置文件：

mkdir -p ~/ai-insurance && cd ~/ai-insurance

配置AI模型与保险知识库

保险咨询需要模型理解专业术语。
推荐使用支持中文的预训练模型，如ChatGLM3-6B或Qwen-7B。
通过Docker部署模型服务（以ChatGLM3为例）：

docker run -d --name chatglm -p 8000:8000 \
  -v ~/models:/models \
  registry.cn-hangzhou.aliyuncs.com/ai-mirror/chatglm3-6b:latest

等待容器启动后，用curl http://localhost:8000/v1/chat/completions测试接口是否返回JSON。

知识库配置是关键。
将保险条款、常见问题整理成CSV或JSON文件，格式如下：

[
  {"question": "等待期是多少天？", "answer": "一般为90天或180天，具体以合同为准。"},
  {"question": "如何申请理赔？", "answer": "拨打客服电话或通过官方APP提交材料。"}
]

使用向量数据库（如Chroma）导入知识库。
在项目目录创建docker-compose.yml，加入Chroma服务：

services:
  chroma:
    image: chromadb/chroma:latest
    ports:
      - "8001:8000"
    volumes:
      - ./chroma-data:/chroma/chroma

启动后，用Python脚本将知识库向量化并存入Chroma：

import chromadb
client = chromadb.HttpClient(host='localhost', port=8001)
collection = client.get_or_create_collection("insurance_faq")
collection.add(documents=["等待期一般为90天"], ids=["1"])

对话流程与接口对接

将模型服务、向量库和前端对话界面串联。
可使用开源的FastGPT或Rasa。
以Rasa为例，配置credentials.yml和endpoints.yml，将nlu和core模型指向本地服务。
在domain.yml中定义保险相关意图和回复模板。

启动Rasa服务：

rasa run --enable-api --cors "*" --port 5005

测试对话：

curl -X POST http://localhost:5005/webhooks/rest/webhook \
  -H "Content-Type: application/json" \
  -d '{"sender":"user1","message":"等待期多久"}'

预期返回包含答案的JSON。
如果返回空或错误，检查Rasa日志docker logs rasa，常见原因是模型未训练或意图未定义。

避坑指南与效果验证

常见坑点：

• 模型服务启动慢，需等待1-2分钟再测试接口。
• 知识库文件编码必须为UTF-8，否则中文乱码。
• 端口冲突：确保8000、8001、5005未被占用，可用netstat -tlnp检查。
• 防火墙放行端口：sudo ufw allow 5005（如启用ufw）。

效果验证：向机器人提问“等待期多久”和“如何理赔”，应返回知识库中的答案。
若回答不准确，检查向量检索的相似度阈值（在Chroma查询时设置n_results=1并打印距离）。

安全提醒：生产环境务必为API接口添加鉴权，避免直接暴露公网。

常见疑问

问：必须用GPU吗？
答：6B模型在CPU上推理较慢，建议至少16GB内存；如果仅测试，可改用更小的模型如ChatGLM2-1.5B。

问：知识库如何更新？
答：重新运行向量化脚本，删除旧collection或使用collection.update方法。

问：对话记录保存在哪里？
答：Rasa默认保存在内存，可配置Tracker Store使用Redis或SQL。

按以上步骤操作后，你应拥有一个能回答基础保险问题的AI咨询原型。
根据实际业务补充知识库和对话逻辑即可逐步完善。