8.1 KiB
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
-
大模型 LLM:GPT-4o / Qwen / GLM / Llama (推理+决策)
-
Agent 核心:ReAct / OpenAI Functions Agent (决定做什么)
-
RAG 知识库:产品手册、FAQ、订单规则(回答依据)
-
工具集 Tools:查订单、查物流、退款、转人工、天气
-
记忆 Memory:对话历史、用户信息
-
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
-
模型:国内可用 通义千问、文心一言、GLM
-
向量库:FAISS(测试)→ Milvus / Chroma(生产)
-
记忆存储:Redis / MySQL
-
接口:FastAPI + Uvicorn
-
监控:日志、对话审计、异常拦截
总结
-
这套代码直接可运行,是标准 LangChain AI Agent 智能客服
-
核心是:Agent + Tools + RAG + Memory
-
可无限扩展功能:订单、物流、退款、人工、多轮对话
-
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?