Files
Obsidian/MyArticles/基于 LangChain 实现 AI Agent 智能客服系统.md
coco 8b94d76799 a
2026-07-21 13:57:15 +08:00

8.1 KiB
Raw Permalink Blame History

我给你一套可直接落地、生产级的 LangChain AI Agent 智能客服实现方案,包含架构、核心代码、功能模块、部署全流程,新手也能直接跑起来。

一、系统整体架构(最关键)

智能客服 = AI Agent(大脑) + 工具集(手脚) + 知识库(记忆) + 对话管理

LangChain 负责把所有能力串联起来。

核心模块

  1. 大模型 LLM:GPT-4o / Qwen / GLM / Llama (推理+决策)

  2. Agent 核心:ReAct / OpenAI Functions Agent (决定做什么)

  3. RAG 知识库:产品手册、FAQ、订单规则(回答依据)

  4. 工具集 Tools:查订单、查物流、退款、转人工、天气

  5. 记忆 Memory:对话历史、用户信息

  6. 输出校验:合规、敏感词、格式规范


二、快速实现(完整可运行代码)

1. 安装依赖

pip install langchain langchain-openai langchain-community faiss-cpu python-dotenv pydantic

2. 环境配置(.env)

OPENAI_API_KEY=你的key
OPENAI_BASE_URL=https://api.openai.com/v1  # 国内可替换为代理地址

3. 完整智能客服 Agent 代码

from dotenv import load_dotenv
import os
from typing import Optional, Type
from langchain_openai import ChatOpenAI
from langchain.agents import create_openai_tools_agent, AgentExecutor
from langchain.tools import BaseTool
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.memory import ConversationBufferMemory
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain.schema import Document
from pydantic import BaseModel, Field

# 加载环境变量
load_dotenv()
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")

# ===================== 1. 初始化大模型 =====================
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0.1,  # 客服必须低温度,稳定准确
    streaming=True
)

# ===================== 2. 构建客服知识库(RAG) =====================
def build_knowledge_base():
    # 模拟产品/客服文档
    docs = [
        "退货规则:7天无理由退货,商品未拆封可退,运费由商家承担",
        "物流规则:订单发货后2-3天送达,偏远地区5-7天",
        "订单查询:输入订单号即可查询物流状态",
        "会员权益:银卡95折,金卡9折,黑卡85折",
        "人工客服:工作时间9:00-22:00,输入【转人工】即可转接"
    ]
    
    documents = [Document(page_content=d) for d in docs]
    
    # 切片 + 向量库
    splitter = RecursiveCharacterTextSplitter(chunk_size=200, chunk_overlap=50)
    splits = splitter.split_documents(documents)
    embeddings = OpenAIEmbeddings()
    db = FAISS.from_documents(splits, embeddings)
    return db.as_retriever(search_kwargs={"k": 2})

retriever = build_knowledge_base()

# ===================== 3. 定义客服工具(Tools) =====================
# 工具1:查询订单
class OrderQueryTool(BaseTool):
    name = "order_query"
    description = "用于查询用户的订单状态、物流信息,必须输入订单号"
    
    def _run(self, order_id: str):
        # 真实场景:调用数据库/ERP接口
        return f"订单{order_id}:已发货,物流单号SF123456,预计明天送达"

# 工具2:知识库检索
class KnowledgeBaseTool(BaseTool):
    name = "knowledge_base"
    description = "当用户询问产品、规则、售后、会员等问题时使用"
    
    def _run(self, query: str):
        docs = retriever.get_relevant_documents(query)
        return "\n".join([d.page_content for d in docs])

# 工具3:转人工
class TransferToHumanTool(BaseTool):
    name = "transfer_to_human"
    description = "当用户明确要求人工、问题无法解决时调用"
    
    def _run(self):
        return "已为您转接人工客服,请稍候..."

# 加载所有工具
tools = [OrderQueryTool(), KnowledgeBaseTool(), TransferToHumanTool()]

# ===================== 4. 对话记忆 =====================
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

# ===================== 5. 构建 Agent =====================
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是电商智能客服,礼貌、专业、简洁,严格按照知识库回答,不编造信息。无法回答时转人工。"),
    MessagesPlaceholder(variable_name="chat_history"),
    ("user", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"),
])

agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    memory=memory,
    verbose=True,  # 查看思考过程
    max_iterations=3  # 避免死循环
)

# ===================== 6. 启动对话 =====================
if __name__ == "__main__":
    print("智能客服已启动,输入【退出】结束")
    while True:
        user_input = input("用户:")
        if user_input == "退出":
            break
        response = agent_executor.invoke({"input": user_input})
        print("客服:", response["output"])

三、核心功能详解

1. Agent 决策逻辑(ReAct)

LangChain Agent 会自动完成:

  • 理解用户问题

  • 判断是否需要调用工具

  • 选择工具(查订单/查知识库/转人工)

  • 整合结果回答用户

  • 全程保留对话上下文

2. RAG 知识库(避免胡说)

  • 存储:产品文档、FAQ、售后规则

  • 检索:用户提问 → 匹配最相关知识 → 生成答案

  • 优势:不编造信息、可更新、可管控

3. 工具调用(真正的“智能”)

你可以无限扩展工具:

  • 订单查询

  • 物流跟踪

  • 退款申请

  • 改地址

  • 取消订单

  • 发送优惠券

  • 人工转接

4. 对话记忆

记住用户历史对话,支持:

  • 多轮上下文

  • 用户信息(如订单号、姓名)

  • 上下文纠错


四、进阶增强(生产必备)

1. 流式输出(打字机效果)

from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler

llm = ChatOpenAI(
    streaming=True,
    callbacks=[StreamingStdOutCallbackHandler()]
)

2. 敏感词 & 合规校验

def check_sensitive(text):
    sensitive = ["诈骗", "辱骂", "政治"]
    for word in sensitive:
        if word in text:
            return True
    return False

# 调用前过滤
if check_sensitive(user_input):
    print("客服:无法回答此类问题")
    continue

3. 多轮对话优化(Prompt 工程)

system: 你是专业电商客服,遵循:
1. 只回答电商相关问题
2. 不泄露内部信息
3. 无法解决立即转人工
4. 回答不超过3句话

4. 接入微信/网页/APP

  • FastAPI 封装接口

  • WebSocket 实现流式对话

  • 前端对接(Vue/React)


五、典型对话效果

用户:我想退货
客服:根据退货规则,7天无理由退货,商品未拆封可退,运费由商家承担。

用户:我的订单12345怎么样了
客服:订单12345:已发货,物流单号SF123456,预计明天送达

用户:我要找人工
客服:已为您转接人工客服,请稍候...

六、生产环境部署建议

  1. 模型:国内可用 通义千问、文心一言、GLM

  2. 向量库:FAISS(测试)→ Milvus / Chroma(生产)

  3. 记忆存储:Redis / MySQL

  4. 接口:FastAPI + Uvicorn

  5. 监控:日志、对话审计、异常拦截


总结

  1. 这套代码直接可运行,是标准 LangChain AI Agent 智能客服

  2. 核心是:Agent + Tools + RAG + Memory

  3. 可无限扩展功能:订单、物流、退款、人工、多轮对话

  4. 生产环境只需替换模型、接入真实接口、优化知识库

需要我帮你对接国内大模型(通义/文心/GLM)、接入你的业务接口、或者做成网页版客服吗?