基于RexUniNLU的Skill Creator开发：零代码构建AI技能平台-编程实验室

基于RexUniNLU的Skill Creator开发：零代码构建AI技能平台

最近跟几个做电商和客服的朋友聊天，他们都在抱怨同一个问题：想用AI处理点业务数据，比如从用户评价里自动提取产品反馈，或者把客服对话自动分类，但一看到要写代码、调模型就头大。技术团队忙不过来，业务人员又搞不定，最后只能手动处理，效率低还容易出错。

这让我想起之前接触过的一个工具——RexUniNLU。它本身是个挺厉害的通用自然语言理解模型，能处理信息抽取、文本分类这些任务。但更让我感兴趣的是，能不能基于它做个“零代码”的平台，让不懂技术的人也能快速搭建自己的AI技能？比如，电商运营想自动分析商品评论里的“价格-质量-服务”三个维度的情感，他只需要在界面上点一点、拖一拖，就能生成一个可用的分析工具。

这就是今天想跟大家聊的“Skill Creator”开发思路。我们不写复杂的代码，而是利用RexUniNLU的能力，通过配置化的方式，让业务人员自己就能构建定制化的NLP应用。整个过程就像搭积木一样简单。

1. 为什么需要零代码AI技能平台？

先说说我观察到的几个痛点。

第一个是技术门槛高。现在很多AI模型能力很强，但要用起来，你得懂Python、知道怎么调API、明白模型参数是什么意思。这对业务人员来说太难了。他们只关心“能不能帮我自动处理这些文本”，而不是“这个模型用的什么架构”。

第二个是开发周期长。业务部门提个需求，比如“帮我们做个从合同里抽关键条款的工具”，技术团队评估、开发、测试，一圈下来可能一两周就过去了。业务等不起，很多时候需求就黄了。

第三个是灵活性差。今天想分析评论情感，明天想提取会议纪要里的待办事项，每个需求都得重新开发。如果有个平台，能让业务人员自己根据不同的文本和任务，快速配置出一个“技能”，那效率就完全不一样了。

RexUniNLU这类通用NLU模型，正好给了我们做这种平台的基础。它不用针对每个任务单独训练模型，通过“提示”（Schema）就能理解你要做什么，非常适合做成可配置的“技能模板”。

2. Skill Creator的核心设计思路

我们的目标很简单：做一个Web界面，用户在里面通过填空、选择的方式，定义一个“技能”。然后系统在后台，根据这个定义，自动组装成RexUniNLU能理解的查询，并提供一个API给用户调用。

整个平台可以分成几个关键部分：

2.1 技能模板库

这是给用户“打样”的。我们预先做好一些常见的技能模板，比如：

情感分析模板：输入一段评论，输出“正面”、“负面”或“中性”的情感标签。
实体抽取模板：输入一篇新闻，自动抽出里面的人名、地名、机构名。
关系抽取模板：输入一段文本，找出“谁在什么公司任职”这样的关系。
自定义分类模板：用户自己定义几个类别（比如“咨询产品”、“投诉物流”、“寻求售后”），让模型把输入的文本分到这些类别里。

用户可以直接使用这些模板，也可以基于模板修改，大大降低了起步难度。

2.2 可视化意图配置器

这是核心操作区。用户在这里定义他的“技能”具体要干什么。

举个例子，一个电商经理想分析评论。他不需要写代码，只需要在界面上：

给技能起个名字：“商品评论三维度分析”。
描述输入：“一段用户对商品的评论文字”。
定义输出结构（这就是RexUniNLU的Schema）：
- 我想抽取出关于“价格”的评论片段，并判断其情感是好评、中评还是差评。
- 我想抽取出关于“质量”的评论片段，并判断其情感。
- 我想抽取出关于“服务”的评论片段，并判断其情感。
提供几个例子（可选，但能提升效果）：
- 输入：“价格有点贵，但质量确实好，客服回复也快。”
- 输出：{“价格”: {“片段”: “价格有点贵”， “情感”: “差评”}, “质量”: {“片段”: “质量确实好”， “情感”: “好评”}, “服务”: {“片段”: “客服回复也快”， “情感”: “好评”}}

这个配置器在后台，其实就是把用户友好的描述，翻译成RexUniNLU需要的、带有明确模式指示的查询格式。

2.3 一键测试与部署

配置好了不能光看，得立刻试试效果。平台会提供一个测试框，用户贴一段自己的文本进去，点“测试”，马上就能看到模型返回的结果。

如果效果满意，就可以“发布”这个技能。发布后，平台会生成一个唯一的API接口地址和密钥。用户就可以在自己的系统里（比如电商后台、CRM系统）调用这个API了，整个过程不需要关心服务器、模型加载这些技术细节。

2.4 技能管理与监控

用户可以在后台看到自己创建的所有技能，每个技能的调用次数、平均响应时间、最近是否有错误等信息。对于重要的技能，还可以设置一个“校验规则”，比如随机抽查1%的调用结果，人工判断一下对错，用来持续监控技能的准确率。

3. 从配置到API：后台如何工作？

用户在前台点点划划，后台其实在忙这几件事：

第一步，Schema转换。把用户定义的“价格-情感”、“质量-情感”这样的自然语言描述，转换成RexUniNLU模型能处理的正式Schema。比如，可能会转换成类似这样的结构：

schema = { "价格": { "抽取类型": "片段", "后续任务": { "任务类型": "分类", "选项": ["好评", "中评", "差评"] } }, "质量": { ... }, # 类似结构 "服务": { ... } # 类似结构 }

第二步，模型调用封装。平台会维护一个预加载好的RexUniNLU模型服务。当API被调用时，后台接收用户输入的文本，结合上面转换好的Schema，调用模型管道（pipeline）进行推理。

# 简化的后台处理伪代码 from modelscope.pipelines import pipeline # 模型在服务启动时已加载，全局复用 nlp_pipeline = pipeline('rex-uninlu', model='damo/nlp_deberta_rex-uninlu_chinese-base') def skill_inference(user_input_text, skill_schema): """执行技能推理""" result = nlp_pipeline(input=user_input_text, schema=skill_schema) # 对原始结果进行后处理，使其更符合用户定义的输出格式 formatted_result = format_output(result, skill_schema) return formatted_result

第三步，API暴露。使用像FastAPI这样的框架，为每个发布的技能动态创建一个端点。

from fastapi import FastAPI, HTTPException from pydantic import BaseModel app = FastAPI() class SkillRequest(BaseModel): text: str # 用户要分析的文本 # 其他可能的参数，如置信度阈值等 # 这个路由路径 /skill/{skill_id} 是动态生成的 @app.post("/skill/{skill_id}") async def run_skill(skill_id: str, request: SkillRequest): skill_config = get_skill_config_from_db(skill_id) # 从数据库获取该技能的配置 if not skill_config: raise HTTPException(status_code=404, detail="Skill not found") schema = skill_config['schema'] result = skill_inference(request.text, schema) return {"skill_id": skill_id, "result": result}

第四步，并发与性能。这里需要注意，像之前社区反馈的，RexUniNLU模型在多线程调用时可能需要一些特殊处理。在平台化部署时，我们可以采用一些策略，比如为每个工作进程单独加载模型副本，或者使用队列来管理推理请求，避免直接的多线程冲突，确保平台的稳定性和并发处理能力。

4. 真实场景：电商评论分析技能搭建实录

光说思路可能有点虚，我带大家走一遍一个电商运营同学“小李”的实际操作。

小李的烦恼：他负责一款智能音箱的产品线，每天要看上百条用户评论，手动总结大家在价格、音质、智能程度和售后服务上的反馈，耗时耗力。

他的解决过程：

登录Skill Creator平台，点击“创建新技能”。
选择模板：他看到有一个“多维情感-实体抽取”模板比较接近，就以此为基础创建。
配置意图：
- 技能名：“智能音箱用户评论分析”。
- 输入描述：“用户购买智能音箱后的评价文本”。
- 输出定义：他删掉了模板里不相关的项，定义了四个维度：
  - 价格：找出谈论价格的句子，并判断情感倾向（觉得值，有点贵，不讨论）。
  - 音质：找出谈论音质的句子，并判断情感倾向（好评，一般，差评）。
  - 智能水平：找出谈论智能功能（如唤醒、识别）的句子，并判断情感倾向（聪明，一般，迟钝）。
  - 售后服务：找出谈论售后、客服的句子，并判断情感倾向（满意，一般，不满意）。
提供示例：他输入了两条真实评论作为例子，并标注好期望的输出，帮助模型更好地理解他的意图。
测试：他输入一条新评论：“音质震撼，低音有力，这个价钱完全值了。就是有时候叫它名字反应慢半拍。” 点击测试。

查看结果：几秒钟后，平台返回：

{ "价格": {"片段": "这个价钱完全值了", "情感": "觉得值"}, "音质": {"片段": "音质震撼，低音有力", "情感": "好评"}, "智能水平": {"片段": "有时候叫它名字反应慢半拍", "情感": "迟钝"}, "售后服务": {"片段": null, "情感": "不讨论"} }

小李一看，提取得很准，情感判断也符合直觉。

发布：他点击发布，获得一个API端点：https://api.skill-creator.com/run/abc123xyz。
集成：他把这个API地址和密钥交给公司的IT同事，IT同事很快就把这个功能接入了他们的电商后台系统。现在，所有新的用户评论都能自动分析，并生成可视化的报表给小李看。

小李从有一个想法，到获得一个可用的AI工具，全程没有写一行代码，只花了大概20分钟在页面上配置。这就是零代码AI技能平台带来的效率变革。

5. 总结

基于RexUniNLU开发Skill Creator这样的平台，其价值不在于技术的炫酷，而在于它真正把AI能力做成了“水电煤”一样的基础设施。业务人员可以按需取用，快速组合，解决自己眼前最紧迫的问题。

这种模式特别适合那些有大量文本处理需求，但技术资源又相对紧张的团队，比如电商、教育、内容审核、客服质检等领域。它降低了AI的应用门槛，加速了AI从“技术模型”到“业务工具”的转化过程。

当然，目前这还是一个初步的思路。在实际开发中，我们还需要考虑很多工程问题，比如技能配置的版本管理、模型效果下降的预警和迭代、平台本身的高可用性等等。但方向是清晰的：让AI变得更易用、更普惠。未来，也许每个业务人员都能拥有一个属于自己的“AI技能工具箱”，随时打造解决特定问题的智能小助手，那会是一个很有意思的场景。