环信融资

㈠ 智能客服机器人应该怎么选哪家比较号

具体看哪家智能客服机器人好，看按照以下几个标准进行：

1、看公司融资实力
2、看公司专利数量
3、看公司技术团队
4、看公司获得奖项
5、看公司服务客户
相信，对比了这五个之后，您应该有一个直观的了解

㈡ udesk是独角兽吗在客服系统行业算是第一吗

是的，在SaaS行业是独角兽，去年融资4.5亿，客户群体细分15个行业，有全球500强和中国500企业在用他们的产品

㈢ 红杉资本投资了哪些公司

截止2021年12月1日，红杉资本投资的公司有：

红杉资本中国基金的投资组合包括京东商城，阿里巴巴，蚂蚁金服，京东金融，今日头条，摩拜单车，饿了么，滴滴出行，拼多多，快手，瓜子，车好多，酒仙网。

一下科技，华大基因，贝达药业，诺亚财富，中通快递，再鼎医药，药明生物，中持水务，中曼石油，DJI大疆创新找钢网，优客工场，VIPKID，斗鱼，蜜芽宝贝，安能物流，达达-京东到家，依图科技。

发展：

红杉资本于1972年在美国硅谷成立。红杉资本始终致力于帮助创业者成就基业常青的公司，为成员企业带来全球资源和历史经验。

红杉资本中国基金是2005年9月由沈南鹏与红杉资本共同创办。红杉资本中国基金作为创业者背后的创业者，专注于科技、传媒、医疗健康、消费品、工业科技四个方向的投资机遇。自2005年9月创立以来，红杉资本中国基金投资了500余家企业。

2019年11月16日，胡润研究院发布《2019胡润全球独角兽活跃投资机构百强榜》，红杉资本排名第1位。

以上内容参考网络—红杉资本

㈣ 如何通过雪球查询股票之前的变动状况

一. 雪球公司介绍

雪球 聪明的投资者都在这里。

web 1.0：新闻资讯，股价信息，K线图
web 2.0：SNS 订阅，分享，聊天
web 3.0：移动 APP，交易闭环
雪球现在员工数还不到100，其中技术人员占一半。去年9月C轮融资4kw刀。我们现在的技术栈由下列组件组成：Java，Scala，Akka，Finagle，Nodejs，Docker ，Hadoop。我们当前是租用IDC机房自建私有云，正在往“公私混合云”方向发展。

在雪球上，用户可以获取沪深港美2w+股票的新闻信息，股价变化情况，也可以获取债券，期货，基金，比特币，信托，理财，私募等等理财产品的各类信息，也可以关注雪球用户建立的百万组合，订阅它们的实时调仓信息，还可以关注雪球大V。雪球当前有百万日活跃用户，每天有4亿的API调用。App Store 财务免费榜第 18 名。历史上曾排到财务第二，总免费榜第 19。

二. 雪球当前总体架构

作为一个典型的移动互联网创业公司，雪球的总体架构也是非常典型的设计：

最上层是三个端：web端，android端和iOS端。流量比例大约为 2：4：4 。web3.0 的交易功能，在 web 端并不提供。
接入层以及下面的几个层，都在我们的自建机房内部。雪球当前只部署了一个机房，还属于单机房时代。正在进行“私有云+公有云混合部署”方案推进过程中。
我们当前使用 nodejs 作为 web 端模板引擎。nodejs 模块与android 和 ios 的 app 模块一起属于大前端团队负责。
再往下是位于 nginx 后面的 api 模块。跟 linkedin 的 leo 和微博的 v4 一样，雪球也有一个遗留的大一统系统，名字就叫 snowball 。最初，所有的逻辑都在 snowball 中实现的。后来慢慢的拆出去了很多 rpc 服务，再后来慢慢的拆出去了一些 http api 做成了独立业务，但即便如此，snowball 仍然是雪球系统中最大的一个部署单元。
在需要性能的地方，我们使用 netty 搭建了一些独立的接口，比如 quoto server，是用来提供开盘期间每秒一次的股价查询服务，单机 qps 5w+，这个一会再细说；而 IM 服务，起初设计里是用来提供聊天服务，而现在，它最大的用途是提供一个可靠的 push 通道，提供 5w/s 的消息下发容量，这个也一会再细说。
雪球的服务化拆分及治理采用 twitter 开源的 finagle rpc 框架，并在上面进行了一些二次开发和定制。定制的功能主要集中在 access log 增强，和 fail fast，fail over 策略及降级开关等。 finagle 的实现比较复杂，debug 和二次开发的门槛较高，团队内部对此也进行了一些讨论。
雪球的业务比较复杂，在服务层中，大致可以分为几类：第一类是web1.0，2.0 及基础服务，我们称为社区，包括用户，帖子，新闻，股价，搜索等等，类比对象就是新浪财经门户+微博；第二类是组合及推荐，主要提供股票投资策略的展示和建议，类比对象是美国的motif；第三类是通道，类似股市中的“支付宝”，接入多家券商，提供瞬间开户，一键下单等等各种方便操作的功能。
雪球的业务实现中，包含很多异步计算逻辑，比如搜索建索引，比如股票涨跌停发通知，比如组合收益计算等等，为此，我们设计了一个独立的 Thread/Task 模块，方便管理所有的后台计算任务。但随着这些 task 越来越多，逻辑差异越来越大，一个统一的模块并不是总是最佳的方案，所以，我们又把它拆成了两大类：流式的，和批量式的。
雪球的推荐体系包括组合推荐“买什么”和个性化推荐。我们最近正在重新梳理我们的大数据体系，这个感兴趣的话可以单聊。
最下面是基础设施层。雪球基础设施层包括：redis，mysql，mq，zk，hdfs，以及容器 docker。
线上服务之外，我们的开发及后台设施也很典型：gitlab开发，jenkins打包，zabbix 监控系统向 openfalcon 迁移，redimine向confluence迁移，jira，以及内部开发的 skiing 后台管理系统。
** 三. 雪球架构优化历程**

首先描述一下标题中的“股市动荡”定语修饰词吧：

上证指数从年初的3000点半年时间涨到了5000多，6月12号达到最高点5200点，然后就急转直下，最大单日跌幅 8.48%，一路跌回4000点以下。最近一周都在3900多徘徊。

3月最后一周，A股开户 166万户，超过历史最高纪录 2007年5月第二周165万户。

4月份，证监会宣布A股支持单用户开设多账户。

6月底，证金公司代表国家队入场救市。

7月份，证监会宣布严打场外配资。

中国好声音广告第一晚，带来超过平时峰值200倍的注册量

挑战：小 VS 大：

小：小公司的体量，团队小，机器规模小
大：堪比大公司的业务线数量，业务复杂度，瞬间峰值冲击

雪球的业务线 = 1个新浪财经 + 1 个微博 + 1 个 motif + 1 个大智慧/同花顺。由于基数小，API调用瞬间峰值大约为平时峰值的 30+ 倍。

挑战：快速增长，移动互联网 + 金融，风口，A股大盘剧烈波动。

首先，在app端，在我们核心业务从 web2.0 sns 向 3.0 移动交易闭环进化的过程中，我们开发了一个自己的 hybrid 框架：本地原生框架，加离线 h5 页面，以此来支撑我们的快速业务迭代。当前，雪球前端可以做到 2 周一个版本，且同时并行推进 3 个版本：一个在 app store 等待审核上线，一个在内测或公测，一个在开发。我们的前端架构师孟祥宇在今年的 wot 上有一个关于这方面的详细分享，有兴趣的可以稍后再深入了解。

雪球App实践—构建灵活、可靠的Hybrid框架 http://wot.51cto.com/2015mobile/ http://down.51cto.com/data/2080769

另外，为了保障服务的可用性，我们做了一系列的“端到端服务质量监控”。感兴趣的可以搜索我今年4月份在环信SM meetup上做的分享《移动时代端到端的稳定性保障》。其中在 app 端，我们采用了一种代价最小的数据传输方案：对用户的网络流量，电池等额外消耗几乎为0

每个请求里带上前一个请求的结果

succ or fail ： 1 char
失败原因：0 - 1 char
请求接口编号： 1 char
请求耗时：2 - 3 char
其它：网络制式，etc
炒股的人大多都会盯盘：即在开盘期间，开着一个web页面或者app，实时的看股价的上下跳动。说到“实时”，美股港股当前都是流式的数据推送，但国内的A股，基本上都是每隔一段时间给出一份系统中所有股票现价的一个快照。这个时间间隔，理论上是3秒，实际上一般都在5秒左右。 交了钱签了合同，雪球作为合作方就可以从交易所下属的数据公司那里拿到数据了，然后提供给自己的用户使用。

刚才介绍总体架构图的时候有提到 quote server ，说到这是需要性能的地方。

业务场景是这样的，雪球上个人主页，开盘期间，每秒轮询一次当前用户关注的股票价格变动情况。在内部，所有的组合收益计算，每隔一段时间需要获取一下当前所有股票的实时价格。起初同时在线用户不多，这个接口就是一个部署在 snowball 中的普通接口，股价信息被实时写入 redis ，读取的时候就从 redis 中读。后来，A股大涨，snowball 抗不住了。于是我们就做了一个典型的优化：独立 server + 本地内存存储。开盘期间每次数据更新后，数据接收组件主动去更新 quote server 内存中的数据。 后续进一步优化方案是将这个接口以及相关的处理逻辑都迁移到公有云上去。

对于那些不盯盘的人，最实用的功能就是股价提醒了。在雪球上，你除了可以关注用户，还可以关注股票。如果你关注的某只股票涨了或跌了，我们都可以非常及时的通知你。雪球上热门股票拥有超过 50w 粉丝（招商银行，苏宁云商）粉丝可以设置：当这支股票涨幅或跌幅超过 x%（默认7%）时提醒我。曾经连续3天，每天超过1000股跌停，证监会开了一个会，于是接下来2天超过1000股涨停

原来做法：

股票涨（跌）x%，扫一遍粉丝列表，过滤出所有符合条件的粉丝，推送消息
新做法：

预先建立索引，开盘期间载入内存
1%：uid1，uid2
2%：uid3，uid4，uid5
3%：uid6
问题：有时候嫌太及时了：频繁跌停，打开跌停，再跌停，再打开。。。的时候
内部线上记录：

4台机器。
单条消息延时 99% 小于 30秒。
下一步优化目标：99% 小于 10 秒
IM 系统最初的设计目标是为雪球上的用户提供一个聊天的功能:

送达率第一
雪球IM：Netty + 自定义网络协议
Akka ： 每个在线client一个actor
推模式：client 在线情况下使用推模式
多端同步：单账号多端可登录，并保持各种状态同步
移动互联网时代，除了微信qq以外的所有IM，都转型成了推送通道，核心指标变成了瞬间峰值性能。原有架构很多地方都不太合适了。

优化：

分配更多资源：推送账号actor池
精简业务逻辑：重复消息只存id，实时提醒内容不推历史设备，不更新非活跃设备的session列表等等
本地缓存：拉黑等无法精简的业务逻辑迁移到本地缓存
优化代码：异步加密存储，去除不合理的 akka 使用
akka这个解释一下：akka 有一个自己的 log adapter，内部使用一个 actor 来处理所有的 log event stream 。当瞬间峰值到来的时候，这个 event stream 一下子就堵了上百万条 log ，导致 gc 颠簸非常严重。最后的解决办法是，绕过 akka 的 log adapter，直接使用 logback 的 appender

线上记录：5w/s （主动限速）的推送持续 3 分钟，p99 性能指标无明显变化

7月10号我们在中国好声音上做了3期广告。在广告播出之前，我们针对广告可能带来的对系统的冲击进行了压力测试，主要是新用户注册模块，当时预估广告播出期间2小时新注册100万

压测发现 DB 成为瓶颈：

昵称检测 cache miss > 40%
昵称禁用词 where like 模糊查询
手机号是否注册 cache miss > 80%
注册新用户：5 insert
优化：

redis store：昵称，手机号
本地存储：昵称禁用词
业务流程优化：DB insert 操作同步改异步
下一步优化计划：

将 sns 系统中所有的上行操作都改成类似的异步模式
接口调用时中只更新缓存，而且主动设置5分钟过期，然后写一个消息到 mq 队列，队列处理程序拿到消息再做其它耗时操作。
为了支持失败重试，需要将主要的资源操作步骤都做成幂等。
前置模块HA：

合作方合规要求：业务单元部署到合作方内网，用户的敏感数据不允许离开进程内存
业务本身要求：业务单元本身为有状态服务，业务单元高可用
解决方案：

使用 Hazelcast In-Memory Data Grid 的 replication map 在多个 jvm 实例之间做数据同步。

java 启动参数加上 -XX:+DisableAttachMechanism -XX:-UsePerfData，禁止 jstack，jmap 等等 jdk 工具连接

关于前置模块，其实还有很多很奇葩的故事，鉴于时间关系，这里就不展开讲了。以后有机会可以当笑话给大家讲。

组合净值计算性能优化：

一支股票可能在超过20万个组合里（南车北车中车，暴风科技）
离线计算，存储计算后的结果
股价3秒变一次，涉及到这支股票的所有组合理论上也需要每 3 秒重新计算一次
大家可能会问，为什么不用户请求时，实时计算呢？这是因为“组合净值”中还包括分红送配，分股，送股，拆股，合股，现金，红利等等，业务太过复杂，开发初期经常需要调整计算逻辑，所以就设计成后台离线计算模式了。当前正在改造，将分红送配逻辑做成离线计算，股价组成的净值实时计算。接口请求是，将实时计算部分和离线计算部分合并成最终结果。

实际上，我们的计算逻辑是比较低效的：循环遍历所有的组合，对每个组合，获取所有的价值数据，然后计算。完成一遍循环后，立即开始下一轮循环。

优化：

分级：活跃用户的活跃组合，其它组合。
批量：拉取当前所有股票的现价到 JVM 内存里，这一轮的所有组合计算都用这一份股价快照。
关于这个话题的更详细内容，感兴趣的可以参考雪球组合业务总监张岩枫在今年的 arch summit 深圳大会上的分享：构建高可用的雪球投资组合系统技术实践 http://sz2015.archsummit.com/speakers/201825

最后，我们还做了一些通用的架构和性能优化，包括jdk升级到8，开发了一个基于 zookeeper 的 config center 和开关降级系统

四. 聊聊关于架构优化的一些总结和感想

在各种场合经常听说的架构优化，一般都是优化某一个具体的业务模块，将性能优化到极致。而在雪球，我们做的架构优化更多的是从问题出发，解决实际问题，解决到可以接受的程度即可。可能大家看起来会觉得很凌乱，而且每个事情单独拎出来好像都不是什么大事。

我们在对一个大服务做架构优化时，一般是往深入的本质进行挖掘；当我们面对一堆架构各异的小服务时，“架构优化”的含义其实是有一些不一样的。大部分时候，我们并不需要（也没有办法）深入到小服务的最底层进行优化，而是去掉或者优化原来明显不合理的地方就可以了。

在快速迭代的创业公司，我们可能不会针对某一个服务做很完善的架构设计和代码实现，当出现各种问题时，也不会去追求极致的优化，而是以解决瓶颈问题为先。

即使我们经历过一回将 snowball 拆分服务化的过程，但当我们重新上一个新的业务时，我们依然选择将它做成一个大一统的服务。只是这一次，我们会提前定义好每个模块的 service 接口，为以后可能的服务化铺好路。

在创业公司里，重写是不能接受的；大的重构，从时间和人力投入上看，一般也是无法承担的。而“裱糊匠”式做法，哪里有性能问题就加机器，加缓存，加数据库，有可用性问题就加重试，加log，出故障就加流程，加测试，这也不是雪球团队工作方式。我们一般都采用最小改动的方式，即，准确定义问题，定位问题根源，找到问题本质，制定最佳方案，以最小的改动代价，将问题解决到可接受的范围内。

我们现在正在所有的地方强推3个数据指标：qps，p99，error rate。每个技术人员对自己负责的服务，一定要有最基本的数据指标意识。数字，是发现问题，定位根源，找到本质的最重要的依赖条件。没有之一。

我们的原则：保持技术栈的一致性和简单性，有节制的尝试新技术，保持所有线上服务依赖的技术可控，简单来说，能 hold 住。

能用cache的地方绝不用db，能异步的地方，绝不同步。俗称的：吃一堑，长一智。

特事特办：业务在发展，需求在变化，实现方式也需要跟着变化。简单的来说：遗留系统的优化，最佳方案就是砍需求，呵呵。

㈤ 有一个做房地产私募股权基金的投资公司让我去面试，这个行业现在前景如何

现在房地产融资难度加大，这个名字的背后是要你出去拉到私人的钱以股权内的方式支容持他的房地产项目。请你注意几个风险：
1、你的优势在哪儿？他看中的你哪方面的优势？如果答案是狗屁都不是，低薪+高提成，你就谨慎点吧；
2、小心落入非法集资的圈套。房地产私募股权基金是灰色地带，200人、100万是个门槛。如果5万、8万的都可以，你就走人吧。

㈥ 环信（杭州）股权投资基金管理有限公司怎么样

简介：环信基金以融资服务为核心，以资本运作为手段，以金融咨询为纽带，是专注于私募股权投资业务的专业机构。
法定代表人：李贵金
成立时间：2017-08-02
注册资本：5000万人民币
工商注册号：330181000736657
企业类型：有限责任公司(自然人独资)
公司地址：浙江省杭州市萧山区城厢街道河浜路10号306

㈦ 想不想知道环信联合Gartner发布的客服机器人报告

近日，环信联合Gartner发布了《智能客服机器人之客户服务行业最佳实践》报告。作为业界首个智能客服机器人选项报告，给方兴未艾的智能客服市场注入了一剂强心针，也给包括保险、证券、金融、教育、电商等强客服体验行业开辟了一条新的通途。
环信CEO刘俊彦表示：“很多甲方公司已经认识到智能客服机器人的可用性，所以很多传统行业的大企业今年拿出预算要上线客服机器人，可以说今年开始进入大规模商业化阶段。
其一，需要识别同一问题的不同表达方式。譬如，“你们快递是用哪家”，做得不好的机器人，就需要把很多不同问法都输入到机器人的知识库里。
而做得好的机器人，只需要输入其中一个问法，其他的近似问法即可自动识别，返回一个相同的答案“亲，我们快递是申通和顺丰。”

其二，理解语义细微差别，处理差异性问法。高可用的机器人会以词+句式理解问句语义，即使问句相似，但语义存在差别，会自动匹配到对应的不同答案。

比如你干嘛的？你在干嘛？你干嘛啊！这三个句子从用词来说，看上去都差不多，但其实表达意思完全不同，机器人系统能否正确识别，十分考验技术功力。

其三，聚类高频问题，自动学习优化知识库。除了算法层面优化，要提高召回率和准确率，就需要完善知识库。

这里指的并非是人工补充知识库，而是指机器人需要有自主学习能力，即机器人根据历史对话数据，自动总结及挖掘不在知识库内的高频问句，补充和完善知识库。

不过，在客服场景中，很多问题不能通过简单的一问一答单论会话解决。比如当顾客提问订单什么时候能到？机器人回答请提供订单号，然而顾客很有可能记不住订单号，这时就需要机器人参考上下文信息，引导顾客提供其他信息或数据进入下一轮对话，直到准确回复用户想要的答案。

如何评价多轮会话的效率？这主要通过任务完成率和多轮会话开发定制的快速简单程度。一个多轮会话机制，成功结束的会话数量越多，则说明任务完成率相对较高，从而说明该多轮会话的可用性更好。

从技术角度，多轮会话比单论对话的难点显然要更多，这主要体现在准确的进行语义理解，状态管理和个性化语言生成，预装行业知识图谱、预构建行业业务场景，第三方系统集成这四方面。

此外，人机协作在智能客服领域同样不容忽视。单轮会话和多轮会话经常用于企业的售后场景，而在售前场景中，企业客服不仅要担负问题解决的任务，还要担负销售转化和成单的任务。

尤其当企业获客成本很高，潜在客户线索非常珍贵，直接交给机器人接待很容易造成流失。因此这时由人工客服负责接待，机器人进行辅助，是更可行的方式。当客户提出问题，机器人会根据自身的机器体系和历史会话数据计算，向人工客服推荐答案。

进击的环信“Alpha”，夯实算法、深挖行业、打造一体化解决方案

经过长期的积累，目前环信已经夯实了三方面的硬实力。

首先，技术团队上，环信有30多人的人工智能团队，其中算法的人占了一半。经过一年半的研究，环信在基础算法上做的已经比较深入，摸得比较透。

其次，工程能力，环信全公司270人，工程师有170人。工程团队有很好的正反馈，客户要什么，然后迅速给用户去实践和试错，不足之处继续改进，这是好的工程产品的做法。因为有客户的实践，所以工程化的迭代速度很快。整个环信的工程师团队都在支持着AI团队的每一次迭代。

再次，数据层面，客服系统每天下发大概几百万条消息。并且在证券、保险、教育等这些有价值的行业中有大量的行业支持和行业知识图谱。

2017年，环信整合旗下即时通信云、移动客服、智能客服机器人和主动营销产品线，推出环信CEC（Customer Engagement Cloud），向企业提供从客户互动渠道、到客户服务、再到精准营销的全流程客户互动解决方案。

像教育、保险、金融公司这样高客单价的行业客户，是环信关注的重点。这些客户具有两个鲜明特点，一方面，高客单价、高粘性互动；另一方面，高客单价客户对定制化服务水平格外看重，所以环信在深刻理解客户画像的情况下，做高定制的一体化互动解决方案。

现阶段，环信的智能机器人可帮企业主降低约80%的客服工作量。

首先，支持菜单导航功能，通过层级式引导帮助客户获取准确答案，提高用户体验；其次，预置行业知识库，行业相关的常见问答可以一键拥有，节约创建知识库时间；

再次，可导入客户现有知识库，无需重新录入。智能机器人在与人工客服的交互过程中不断学习，优化知识库，提高应答准确率；第四，机器人与人工客服之间无缝调度，切换至人工客服后依然可以使用智能应答简化搜索提高服务效率。

2016年环信作为国内唯一的SaaS厂商荣膺Gartner 2016 Cool Vendor，2017年3月环信刚获得由经纬中国领投、银泰嘉禾跟投的1.03亿元C轮融资，显示出包括国际顶级研究机构和资本市场对于环信商业模式和发展前景的认可。

正是得益于包括红杉资本、经纬中国、SIG和银泰嘉禾的鼎力支持，保障了环信持续巨额的研发投入，形成了公司业务发展的正向循环。

目前，环信的三条主要产品线中，即时通讯云和移动客服产品线分别都已经开展了三四年时间，两个产品线本身均已接近盈利。

同时，在产品能力、团队建设、品牌建设、客户影响力建设等方面，都已经做得很成熟。因此，获得C轮融资之后，环信主要会在两个方面加大投入。

首先是人工智能产品线的深化布局，这代表了行业和企业自身未来的发展方向；其次，打造更强大的销售团队，今年环信的销售目标是1个亿，这显然需要一个更强大的销售团队来支撑。

环信的中期目标是争取在今年底实现盈亏平衡，明年实现盈利，并且计划两年左右时间去冲击国内创业板IPO。

截至2016年年底，环信移动客服共服务了近6万家商业客户，涵盖保险、银行、电子商务、教育O2O等多个领域的众多标杆企业。这些企业包括泰康在线、中意人寿、中信证券、国美在线、优信二手车、新东方、新浪微博、链家、58到家等。