基于 AR 智能眼镜的客服话术陪练复盘系统｜完整技术路线（CSDN 发布版） 一、项目整体概述 本项目面向线下客服、销售话术岗前培训场景，基于 Rokid AR 智能眼镜硬件，搭建可视化低代码工作流，实现「实景对话采集→多轮对话上下文管理→对话结束 AI 自动复盘评分→结构化报告输出」全链路闭环，无需后端开发人员即可快速迭代业务逻辑，适配门店、企业线下培训轻量化部署。 二、整体技术架构分层（自上而下） 1. 终端硬件层：AR 智能眼镜采集端 • 硬件载体：Rokid 系列 AR 智能眼镜 • 采集能力：语音实时收音、场景拍照采集插件（平台内置插件） • 终端交互：语音对话输入、流程结果可视化文字投屏展示 • 数据上报：对话文本、设备环境参数（时间、经纬度、用户 ID、自定义 mode 模式）统一上传至低代码工作流引擎  2. 低代码工作流引擎层（核心业务编排层，本文流程图对应模块） 采用可视化拖拽式流程编排，无代码完成条件分支、大模型调用、数据清洗、结果输出，整体链路分段如下： （1）流程入口：开始节点 1. 接收终端上传全局环境变量：userId、触发时间、经纬度、附加数据 2. 自定义全局参数：mode（区分训练 / 复盘 / 考试模式） 3. 上下文托管：自动携带最多 10 轮历史对话记录，维持多轮会话记忆  （2）第一层条件分支：结束判断节点 判断逻辑：用户输入内容是否等于「结束对话」指令 • 分支 1（未结束对话）：流转至结束评分判空分支 • 分支 2（用户主动结束训练）：流转至训练状态解析代码节点，校验当前训练模式  （3）第二层条件分支：结束评分判空分支 判断逻辑：历史对话信息是否为空 • 分支 1（无对话记录）：直接走兜底结束节点，返回提示文案「请选择场景开始训练后再结束训练」 • 分支 2（存在完整对话记录）：进入 AI 复盘核心链路  （4）AI 推理模块：复盘大模型节点 1. 输入上下文：完整历史对话 history 2. 模型角色设定：客服陪练评分复盘教练 3. 输出两类数据： ◦ 思考过程（文本）：模型打分推理逻辑 ◦ 结构化 JSON 结果：包含标题、总分、4 大维度分项分数、问题清单、优化建议数组   4. 痛点优化：强制模型输出标准 JSON 结构，规避自由文本无法解析问题  （5）数据清洗模块：JSON 解析处理代码节点 自研 JS 脚本完成大模型脏输出兼容处理，解决 LLM 附带 ```json、<json>标签、多余注释、换行乱码问题： 1. 多源参数兼容取值逻辑，兼容平台多种输入字段格式 2. 正则匹配提取标签内纯净 JSON 字符串 3. JSON 异常捕获兜底：解析失败自动填充默认报错数组与修复建议 4. 输出标准化字段：标题 cardTitle、总分 totalScore、表达 / 情绪 / 方案 / 合规 4 项分项分数、问题列表 problemsList、建议列表 suggestionsList  （6）流程终点：结束输出节点 1. 接收清洗完成的结构化变量 2. 组装可视化复盘报告文本，适配 AR 眼镜投屏展示 3. 支持空值容错渲染，避免字段为空导致页面报错 4. 配套问题引导，给用户后续练习方向建议  3. AI 大模型服务层 • 基座大模型：通用对话大模型（Qwen 系列） • 提示词工程：定制客服复盘专属 Role 指令，约束输出固定 JSON Schema • 能力约束：限制模型不输出冗余描述，仅返回可结构化解析数据，降低前端处理成本  4. 业务应用层 • 培训场景：新员工话术模拟、客户异议应对演练、服务合规校验 • 展示终端：AR 眼镜屏幕、后台管理看板（扩展预留） • 数据沉淀：对话记录、复盘评分数据可对接数据库做长期培训效果统计（扩展能力）  三、核心技术难点与解决方案 难点 1：大模型输出文本格式混乱，JSON 解析频繁失败 解决方案：独立代码节点做多层兼容清洗 1. 正则匹配 ```json / <json> 两种常用代码块标记，截取内部内容 2. 容错捕获 try-catch，解析失败返回标准化错误提示数组 3. 统一输出固定字段，所有下游流程只读取清洗后标准化变量  难点 2：多分支条件逻辑复杂，新手难以维护流程 解决方案：分层两段式条件判断 1. 第一层：区分「是否结束对话」主业务分支 2. 第二层：区分「有无对话数据」数据校验分支流程分层清晰，可视化链路一目了然，业务人员可自行修改判断条件  难点 3：AR 眼镜终端屏幕尺寸有限，复盘报告适配难 解决方案：双版本输出模板 1. 完整版：后台、大屏使用，完整展示所有分项得分与问题 2. 精简版：AR 眼镜专用，压缩换行、精简文字，适配小屏阅读模板内置空值 ${变量?:"默认文本"} 语法，无数据时自动填充占位符不破坏排版  难点 4：多轮对话上下文丢失、历史记录携带不稳定 解决方案：引擎原生历史对话托管开始节点统一配置历史对话携带轮数，全程自动透传上下文，无需手动拼接对话记录传入大模型 四、工作流完整执行时序（文字流程图） 用户 AR 眼镜发起对话 → 开始节点接收参数 + 历史对话 → 结束判断├─ 未结束对话 → 结束评分判空分支│ ├─ 无历史对话 → 兜底结束，提示先开始训练│ └─ 有历史对话 → 复盘大模型推理打分 → JSON 清洗代码标准化输出 → 结束节点渲染复盘报告└─ 用户输入结束指令 → 训练状态解析代码 → 练场条件分支（扩展业务逻辑） 五、技术栈清单（CSDN 文章可直接放） 1. 硬件：Rokid AR 智能眼镜、设备拍照采集插件 2. 编排引擎：低代码 AI 工作流可视化平台 3. 脚本语言：JavaScript（数据清洗、参数兼容处理） 4. AI 能力：通义千问系列大模型、自定义提示词工程 5. 数据格式：JSON（标准化复盘输出结构） 6. 交互终端：AR 光学投屏、可视化流程画布  六、扩展优化方向（文章结尾展望） 1. 数据持久化：新增数据库节点，存储每轮对话复盘分数，做员工培训数据看板 2. 多模型路由：根据 mode 模式切换复盘 / 闲聊 / 考试专用大模型提示词 3. 语音 TTS 播报：结束节点对接语音插件，语音朗读复盘评分 4. 自定义评分权重：新增配置节点，动态调整表达、情绪、合规等维度打分权重 5. 报表导出：对接文件插件，批量导出月度员工话术培训 Excel 报表  七、CSDN 文章配套写作建议 1. 配图：把你截图里的完整流程画布分段插入，每段架构对应一张流程图 2. 代码片段：贴出 JSON 清洗完整 JS 脚本，加注释讲解正则兼容逻辑 3. 实操落地：补充低代码平台节点配置步骤、取值路径填写规范、结束节点消息模板 4. 受众定位：面向低代码 AI 应用开发者、企业数字化培训系统搭建、AR 终端 AI 落地场景参考