使用PGAI构建基于RAG的客户反馈分析系统

引言

在现代商业环境中，理解客户反馈对于业务增长至关重要。本文将介绍如何利用PGAI项目构建一个基于检索增强生成(RAG)的客户反馈分析系统，通过结合PostgreSQL的强大数据管理能力和AI模型的智能分析能力，帮助企业从海量客户反馈中快速获取有价值的商业洞察。

技术架构概述

该系统由三个核心组件构成：

1. 私有数据集：包含行业知识、最新业务数据和大量客户反馈
2. 嵌入模型：将文本数据转换为数值向量，便于相似性计算
3. 大语言模型：如Gemini、ChatGPT等，用于生成最终分析报告

实际应用场景

以一个披萨店订单下降分析为例，系统可以：

1. 收集并存储客户反馈数据
2. 通过语义搜索找出与"订单下降"相关的反馈
3. 生成包含问题原因和建议的商业报告

关键技术实现

1. 数据准备

首先创建存储客户反馈的表结构，包含文本内容和嵌入向量：

CREATE TABLE public.t_embeddings_dmeta (
    id bigserial PRIMARY KEY,
    title text NOT NULL,
    content text NOT NULL,
    url text,
    model_name text NOT NULL,
    embedding vector NOT NULL
);

2. 文本嵌入转换

使用本地运行的嵌入模型将客户反馈转换为向量：

CREATE OR REPLACE FUNCTION public.ollama_embedding(
    _model text, 
    _input text, 
    _user text DEFAULT NULL, 
    _dimensions integer DEFAULT NULL
) RETURNS vector
LANGUAGE plpython3u
AS $$
from ollama import Client
client = Client(host='http://172.16.14.46:11434')
embedding_dict = client.embeddings(model=_model, prompt=_input)
return embedding_dict['embedding']
$$;

3. 相似性检索

通过向量相似度查找与业务问题最相关的客户反馈：

WITH question AS (
    SELECT '为什么披萨销量下降？' AS question,
           'shaw/dmeta-embedding-zh:latest' AS model
),
emb_question AS (
    SELECT question, ollama_embedding(model, question) AS embedding
    FROM question
)
SELECT question, content, te1.embedding <-> te2.embedding AS similarity
FROM t_embeddings_dmeta te1 CROSS JOIN emb_question te2
ORDER BY te1.embedding <-> te2.embedding
LIMIT 3;

4. 报告生成

将检索结果输入大语言模型生成商业报告：

SELECT simple_chat_complete(
    'https://openrouter.ai/api/v1',
    'your_api_key',
    'google/gemini-pro-1.5',
    '生成商业报告回答用户问题...',
    FALSE
) AS response_json;

系统优势

1. 数据隐私保护：支持本地嵌入模型，敏感数据不出本地环境
2. 成本效益：相比全量使用云API，显著降低运营成本
3. 灵活扩展：可轻松切换不同的大语言模型和嵌入模型
4. 高效检索：利用PostgreSQL的向量索引加速相似性搜索

实际效果展示

系统生成的商业报告示例：

### 披萨销量下降分析报告

**主要客户投诉点：**
1. 订单准确性：客户反映收到错误订单(如点热狗却收到披萨)
2. 食用体验：有客户因食用过多导致不适
3. 配料争议：菠萝配料引起部分客户不满

**改进建议：**
1. 加强订单管理系统准确性
2. 控制单份披萨大小
3. 提供更清晰的配料说明

总结

PGAI项目通过将PostgreSQL与AI技术深度整合，为企业提供了一套完整的私有数据智能分析解决方案。该系统不仅能够处理结构化数据，还能有效分析非结构化的客户反馈文本，帮助业务决策者快速发现问题并制定改进措施。这种技术组合特别适合需要处理大量客户反馈同时又重视数据隐私的企业场景。