ITPub博客

首页 > 人工智能 > 人工智能 > 基于RAG的多Agent客户服务系统实战

基于RAG的多Agent客户服务系统实战

原创 人工智能 作者:brucexia 时间:2026-11-14 09:59:19 0 删除 编辑

本文节选自清华社图书《AI Agent智能体开发实践》的15章,获得出版社和作者授权发布,免费供读者参考。

本文将介绍基于RAG 的多Agent 客户服务系统的设计与实现。该系统是一个基于LangChain 框架构建的多Agent 客户服务系统,融合了检索增强生成(RAG )技术与多智能体协同架构。系统通过多个专业化的Agent 分工协作,实现对客户查询的精准响应,涵盖文档检索、用户信息查询、库存查询等核心客服场景。

系 统 概 述

基于RAG 的多Agent 客户服务系统是一个基于LangChain 框架构建的智能客服解决方案,融合了检索增强生成(RAG )技术与多智能体(Multi-Agent )协同架构,旨在实现复杂客服场景的高效响应与精准决策。

1. 核心定位

以阿里云DashScope 平台的Qwen 大语言模型为推理核心,通过专业化Agent 分工协作,处理产品咨询、库存查询、用户信息及订单查询等典型客服场景需求,提供结构化、准确的服务响应。

2. 技术架构特点

(1 )多Agent 协同模式:采用“顶层协调+ 专业化工具”的分层架构,顶层Agent 负责任务分发,各工具Agent 专注特定领域任务。

(2 )RAG 技术融合:通过文档检索Agent 直接加载并利用预设文档内容(如产品手册)生成回答,确保信息准确性。

(3 )轻量化数据管理:使用CSV 文件和文本文件存储用户数据、库存信息和文档内容,无须复杂数据库部署。

(4 )自动初始化机制:首=次运行时自动创建示例数据(文档、用户信息、库存记录)和必要目录,降低使用门槛。

(5 )对话记忆能力:通过ConversationBufferMemory 保存交互历史,支持多轮对话上下文理解。

2.   核心功能模块

(1 )自定义Qwen LLM 模块:封装Qwen 大语言模型,提供统一的文本生成接口。

(2 )文档检索Agent :加载并检索本地文档内容,回答产品使用方法等基于文档的问题。

(3 )用户数据库Agent :管理用户基本信息与订单历史,支持结构化查询。

(4 )库存查询Agent :提供产品库存状态查询,包括数量、可用性等信息。

(5 )顶层Agent :协调各工具Agent ,根据用户需求智能选择工具并生成最终响应。

3.   典型应用场景

(1 )产品咨询(如使用方法、功能细节)。

(2 )库存状态查询(如产品是否有货、库存数量)。

(3 )用户信息查询(如会员等级、联系方式)。

(4 )订单历史查询(如订单状态、物流信息)。

系 统 架 构

本章介绍的多Agent 客户服务系统采用分层Agent 架构,通过协调多个专用Agent 协同工作,实现智能化的客户服务。系统架构如图15.1 所示。

                                             

图15.1  系统架构图

系统架构说明如下。

(1 )分层关系:采用自顶向下的四层架构,上层依赖下层提供的能力,各层通过标准化接口     交互。

(2 )核心流转:用户请求通过客户端交互层进入系统,由TopAgent 解析后分发到对应工具Agent ,工具Agent 操作数据存储层完成任务并返回结果。

(3 )依赖关系:所有Agent 均依赖QwenLLM 提供的推理能力,工具Agent 各自管理专属数据存储。

(4 )扩展能力:可通过新增ToolAgent 子类扩展功能(如物流查询、售后处理等),无须修改核心架构。

该架构图清晰展示了代码中各模块的层级关系和数据流向,符合代码中TopAgent 协调多个工具Agent 、工具Agent 各自管理数据的设计逻辑。

核心功能模块设计

核心功能模块设计流程

系统的核心功能模块设计流程遵循“需求分析→模块拆分→接口设计 [wy1]  [2]   路径:

(1 )需求分析:明确客服场景核心需求(产品咨询、库存查询、用户信息/ 订单查询)。

(2 )模块拆分:

l   将需求映射为专业化Agent (文档检索、用户数据库、库存查询)。

l   设计顶层协调Agent 负责任务分发。

(3 )接口标准化:

l   定义ToolAgent 基类,统一get_tool() 接口。

l   规范工具调用格式(JSON 结构)和参数传递方式。

(4 )协同机制设计:

l   顶层Agent 通过React 模式分析问题→选择工具→执行→生成回答。

l   引入对话记忆维护上下文,支持多轮交互中的信息延续。

(5 )数据初始化与 异常处理 容错:

l   自动创建示例数据(文档、用户数据、库存数据)。

l   完善异常处理(文件缺失、API 错误、格式错误等)。

(6 )系统集成:

l   组装工具列表并注入顶层Agent 。

l   设计用户交互入口(process_query 方法)。

核心功能模块设计

1. 自定义LLM 模块(QwenLLM )

封装阿里云DashScope 平台的Qwen 大语言模型,作为系统的推理核心。

class QwenLLM(LLM):

    model _ name: str = "qwen-plus"

    temperature: float = 0.0

    max _ tokens: int = 2048

 

    def _ call(self, prompt: str, stop: Optional[List[str]] = None) -> str:

        # 调用 DashScope API 进行文本生成

核心设计:

l   继承LangChain 的LLM 基类,实现自定义模型接入。

l   支持配置模型参数(temperature 控制随机性,max_tokens 控制输出长度)。

l   完整的错误处理机制,捕获API 调用异常并返回友好提示。

2. 工具Agent 基类(ToolAgent )

定义所有工具Agent 的抽象接口,实现标准化设计。

class ToolAgent:

    def __ init __ (self, name: str, description: str):

        self.name = name

        self.description = description

       

    def get _ tool(self) -> Tool:

        raise NotImplementedError(" 子类必须实现此方法 ")

核心设计:

l   统一Agent 命名和功能描述,便于顶层Agent 理解工具用途。

l   抽象方法get_tool() 强制子类实现工具转换,确保与LangChain 兼容。

l   为系统扩展新Agent 提供模板(只需继承并实现抽象方法)。

3. 文档检索Agent (DocumentRetrievalAgent )

实现RAG 核心功能,基于预设文档回答产品咨询类问题。

核心设计:

l   自动创建docs 目录并生成示例文档(智能手表使用说明)。

l   加载目录下所有TXT 文档内容到内存,避免重复IO 操作。

l   通过Qwen 模型基于文档内容生成回答,严格限制“不编造信息”。

l   工具描述明确适用场景(产品细节、使用方法等)。

4. 用户数据库Agent (UserDatabaseAgent )

管理用户信息与订单历史,支持结构化查询。

核心设计:

l   使用CSV 文件存储用户数据,首=次运行自动生成示例数据(用户" 张三" )。

l   支持两种查询类型:user_info (基本信息)和orders (订单历史)。

l   自定义输入格式解析(user_id:xxx,type:xxx ),并提供格式校验。

l   处理用户ID 不存在等边界情况,返回友好提示。

5. 库存查询Agent (InventoryAgent )

提供产品库存状态查询,支持库存数量和可用性检查。

核心设计:

l   基于CSV 文件存储产品库存数据,包含产品ID 、名称、数量、位置等字段。

l   自动判断库存状态(有货/ 缺货)并返回结构化信息。

l   输入为产品ID ,输出包含完整产品信息和库存状态描述。

6. 顶层Agent (TopAgent )

系统核心协调器,负责理解用户需求并调度合适的工具Agent 。

核心设计:

l   集成所有工具Agent ,构建工具列表供决策使用。

l   使用ConversationBufferMemory 保存对话历史,支持上下文理解。

l   自定义提示模板,指导Agent 遵循“思考→选择工具→执行→回答”的React 流程。

l   基于CHAT_CONVERSATIONAL_REACT_DESCRIPTION 类型构建,支持多轮交互。

l   提供process_query 统一入口,支持传入用户ID 增强上下文。

实现基于RAG 的多Agent 客户服务系统

本实战案例的依赖库说明如下。

l   langchain :用于构建Agent 和工具链的核心框架。

l   langchain_community :LangChain 的社区扩展,提供额外功能。

l   dashscope :阿里云Qwen 大模型的Python SDK 。

l   pandas :用于处理用户数据和库存数据的表格数据。

l   pydantic :用于数据验证和模型定义。

l   python-dotenv (可选):用于管理环境变量和API 密钥。


【示例 15.1 】 多Agent 客服系统的完整代码,文件名为rag_multi_agent_system.py 。

#pip install langchain langchain _ community dashscope pandas pydantic python-dotenv

import os

import logging

from typing import List, Dict, Any, Optional

from langchain.agents import AgentType, Tool, initialize _ agent, AgentExecutor

from langchain.chains import LLMChain

from langchain.prompts import PromptTemplate

from langchain.tools import StructuredTool, Tool

from langchain.memory import ConversationBufferMemory

from langchain.llms.base import LLM

from pydantic import BaseModel, Field

import pandas as pd

import dashscope

import json

 

# 配置 Qwen API 密钥(必须替换为你的真实密钥)

DASHSCOPE _ API _ KEY = os.getenv("DASHSCOPE _ API _ KEY")       # 👈 请替换为阿里云百炼获取的密钥

dashscope.api _ key = DASHSCOPE _ API _ KEY                     # 👈 显式设置密钥

 

# 配置日志

logging.basicConfig(level=logging.INFO)

logger = logging.getLogger( __ name __ )

 

# 自定义 Qwen LLM 类,直接使用 dashscope 库

class QwenLLM(LLM):

    model _ name: str = "qwen-plus"

    temperature: float = 0.0

    max _ tokens: int = 2048

 

    @property

    def _ llm _ type(self) -> str:

        return "qwen"

 

    def _ call(self, prompt: str, stop: Optional[List[str]] = None) -> str:

        try:

            response = dashscope.Generation.call(

                self.model _ name,

                prompt=prompt,

                temperature=self.temperature,

                max _ tokens=self.max _ tokens

            )

 

            if response.status _ code == 200 and response.output:

                return response.output["text"]

            else:

                logger.error(f"Qwen 模型调用失败 : {response.message}")

                return f" 模型调用失败 : {response.message}"

        except Exception as e:

            logger.error(f"Qwen 模型调用异常 : {str(e)}")

            return f" 模型调用异常 : {str(e)}"

 

class ToolAgent:

    """ 工具 Agent 基类,所有具体工具 Agent 继承此类 """

 

    def __ init __ (self, name: str, description: str):

        self.name = name

        self.description = description

 

    def get _ tool(self) -> Tool:

        """ 将 Agent 转换为 LangChain 可用的工具 """

        raise NotImplementedError(" 子类必须实现此方法 ")

 

class DocumentRetrievalAgent(ToolAgent):

    """ 文档检索 Agent ,使用预设文档内容而非向量数据库 """

 

    def __ init __ (self, docs _ dir: str = "docs"):

        super(). __ init __ (

            name="DocumentRetrieval",

            description=" 用于从产品手册、帮助文档等文本资料中检索信息。当需要产品细节、使用方法等信息时使用。输入应为查询的问题。 "

        )

        # 创建 docs 目录(如果不存在)

        if not os.path.exists(docs _ dir):

            os.makedirs(docs _ dir)

            logger.info(f" 创建文档目录 : {docs _ dir}")

            # 添加一个示例文档

            with open(os.path.join(docs _ dir, "example.txt"), "w", encoding="utf-8") as f:

                f.write(" 智能手表 ABC123 使用方法: \n1. 长按电源键 3s 开机 \n2. 通过蓝牙连接手机 \n3. 打开配套 App 同步数据 ")

 

        # 直接加载文档内容到内存

        self.document _ content = self. _ load _ documents(docs _ dir)

 

    def _ load _ documents(self, docs _ dir: str) -> str:

        """ 加载文档内容到内存 """

        try:

            content = []

            for filename in os.listdir(docs _ dir):

                if filename.endswith(".txt"):

                    with open(os.path.join(docs _ dir, filename), "r", encoding="utf-8") as f:

                        content.append(f.read())

            return "\n\n".join(content) if content else " 没有找到相关文档 "

        except Exception as e:

            logger.warning(f" 加载文档失败 : {str(e)}")

            return " 文档加载失败 "

 

    def retrieve(self, query: str) -> str:

        """ 模拟检索:使用 Qwen 模型根据问题和文档内容生成回答 """

        logger.info(f" 文档检索 Agent 处理查询 : {query}")

 

        # 如果没有文档内容,直接返回提示

        if self.document _ content in [" 没有找到相关文档 ", " 文档加载失败 "]:

            return self.document _ content

 

        # 使用 Qwen 模型根据文档内容回答问题

        prompt = f""" 基于以下文档内容,回答问题:

 

        文档内容:

        {self.document _ content}

 

        问题: {query}

 

        请根据文档内容回答,不要编造信息。如果文档中没有相关信息,请说明。

        """

 

        llm = QwenLLM(model _ name="qwen-plus", temperature=0)

        return llm. _ call(prompt)

 

    def get _ tool(self) -> Tool:

        return Tool(

            name=self.name,

            func=self.retrieve,

            description=self.description

        )

 

class UserDatabaseAgent(ToolAgent):

    """ 用户数据库 Agent ,负责查询用户信息和历史记录 """

 

    def __ init __ (self, db _ path: str = "user _ data.csv"):

        super(). __ init __ (

            name="UserDatabase",

            description=" 用于查询用户信息或历史订单。输入格式应为 'user _ id: 用户 ID,type: 查询类型 ' ,其中查询类型为 'user _ info' (用户信息)或 'orders' (订单历史)。例如: 'user _ id:U12345,type:orders'"

        )

        self.db _ path = db _ path

        self.data = self. _ load _ data()

 

    def _ load _ data(self) -> pd.DataFrame:

        """ 加载用户数据 """

        try:

            return pd.read _ csv(self.db _ path)

        except FileNotFoundError:

            logger.warning(f" 用户数据库文件 {self.db _ path} 未找到,创建示例数据 ")

            # 创建示例数据

            sample _ data = {

                "user _ id": ["U12345"],

                "name": [" 张三 "],

                "email": ["zhangsan@example.com"],

                "membership _ level": ["VIP"],

                "order _ history": [" 订单 12345 (已发货) , 订单 67890 (处理中) "]

            }

            df = pd.DataFrame(sample _ data)

            df.to _ csv(self.db _ path, index=False, encoding="utf-8")

            return df

        except Exception as e:

            logger.error(f" 加载用户数据失败 : {str(e)}")

            return pd.DataFrame(columns=["user _ id", "name", "email", "membership _ level", "order _ history"])

 

    def query _ user(self, user _ id: str) -> str:

        """ 查询用户信息 """

        logger.info(f" 用户数据库 Agent 查询用户 : {user _ id}")

 

        user _ data = self.data[self.data["user _ id"] == user _ id]

        if user _ data.empty:

            return f" 未找到用户 ID 为 {user _ id} 的信息 "

 

        user _ info = user _ data.iloc[0].to _ dict()

        return (f" 用户信息 :\n"

                f"- 用户 ID: {user _ info.get('user _ id')}\n"

                f"- 姓名 : {user _ info.get('name')}\n"

                f"- 邮箱 : {user _ info.get('email')}\n"

                f"- 会员等级 : {user _ info.get('membership _ level')}")

 

    def query _ orders(self, user _ id: str) -> str:

        """ 查询用户订单历史 """

        logger.info(f" 用户数据库 Agent 查询用户 {user _ id} 的订单 ")

 

        user _ data = self.data[self.data["user _ id"] == user _ id]

        if user _ data.empty:

            return f" 未找到用户 ID 为 {user _ id} 的信息 "

 

        orders = user _ data.iloc[0]["order _ history"]

        return f" 用户 {user _ id} 的订单历史 : {orders}"

 

    def _ handle _ query(self, input _ str: str) -> str:

        """ 处理查询,使用单参数输入,格式为 "user _ id:xxx,type:xxx" """

        try:

            # 解析输入字符串

            params = {}

            parts = input _ str.split(',')

            for part in parts:

                key _ value = part.split(':')

                if len(key _ value) == 2:

                    params[key _ value[0].strip()] = key _ value[1].strip()

 

            user _ id = params.get('user _ id')

            query _ type = params.get('type', 'user _ info')

 

            if not user _ id:

                return " 缺少用户 ID ,请提供格式为 'user _ id: 用户 ID,type: 查询类型 ' 的输入 "

 

            if query _ type == "user _ info":

                return self.query _ user(user _ id)

            elif query _ type == "orders":

                return self.query _ orders(user _ id)

            else:

                return f" 不支持的查询类型 : {query _ type} ,可选类型: user _ info 、 orders"

        except Exception as e:

            return f" 查询格式错误,请使用 'user _ id: 用户 ID,type: 查询类型 ' 的格式。错误 : {str(e)}"

 

    def get _ tool(self) -> Tool:

        # 使用普通 Tool 而非 StructuredTool ,避免多参数问题

        return Tool(

            name=self.name,

            func=self. _ handle _ query,

            description=self.description

        )

 

class InventoryAgent(ToolAgent):

    """ 库存查询 Agent ,负责查询产品库存状态 """

 

    def __ init __ (self, inventory _ path: str = "inventory.csv"):

        super(). __ init __ (

            name="InventoryCheck",

            description=" 用于查询产品库存状态和可用性。输入应为产品 ID 。当用户询问产品是否有货、库存数量时使用。 "

        )

        self.inventory _ path = inventory _ path

        self.inventory = self. _ load _ inventory()

 

    def _ load _ inventory(self) -> pd.DataFrame:

        """ 加载库存数据 """

        try:

            return pd.read _ csv(self.inventory _ path)

        except FileNotFoundError:

            logger.warning(f" 库存文件 {self.inventory _ path} 未找到,创建示例数据 ")

            # 创建示例库存数据

            sample _ data = {

                "product _ id": ["ABC123", "DEF456"],

                "name": [" 智能手表 ", " 蓝牙耳机 "],

                "quantity": [50, 0],

                "location": [" 仓库 A", " 仓库 B"]

            }

            df = pd.DataFrame(sample _ data)

            df.to _ csv(self.inventory _ path, index=False, encoding="utf-8")

            return df

        except Exception as e:

            logger.error(f" 加载库存数据失败 : {str(e)}")

            return pd.DataFrame(columns=["product _ id", "name", "quantity", "location"])

 

    def check _ inventory(self, product _ id: str) -> str:

        """ 查询产品库存 """

        logger.info(f" 库存 Agent 查询产品 {product _ id} 的库存 ")

 

        product _ data = self.inventory[self.inventory["product _ id"] == product _ id]

        if product _ data.empty:

            return f" 未找到产品 ID 为 {product _ id} 的库存信息 "

 

        product _ info = product _ data.iloc[0].to _ dict()

        status = " 有货 " if int(product _ info.get("quantity", 0)) > 0 else " 缺货 "

        return (f" 产品库存信息 :\n"

                f"- 产品 ID: {product _ info.get('product _ id')}\n"

                f"- 产品名称 : {product _ info.get('name')}\n"

                f"- 库存数量 : {product _ info.get('quantity')}\n"

                f"- 库存状态 : {status}")

 

    def get _ tool(self) -> Tool:

        return Tool(

            name=self.name,

            func=self.check _ inventory,

            description=self.description

        )

 

class TopAgent:

    """ 顶层 Agent ,负责协调其他 Agent 和工具 """

 

    def __ init __ (self):

        # 初始化各个工具 Agent

        self.document _ agent = DocumentRetrievalAgent()

        self.user _ db _ agent = UserDatabaseAgent()

        self.inventory _ agent = InventoryAgent()

       

        # 创建工具列表

        self.tools = [

            self.document _ agent.get _ tool(),

            self.user _ db _ agent.get _ tool(),

            self.inventory _ agent.get _ tool()

        ]

 

        # 初始化 LLM 为自定义的 Qwen 模型

        self.llm = QwenLLM(model _ name="qwen-plus", temperature=0)

 

        # 初始化对话记忆

        self.memory = ConversationBufferMemory(

            memory _ key="chat _ history",

            return _ messages=True

        )

 

        # 创建顶层 Agent

        self.agent = self. _ create _ agent()

 

    def _ create _ agent(self) -> AgentExecutor:

        """ 创建顶层 Agent"""

        logger.info(" 初始化顶层 Agent")

 

        # 自定义提示模板

        prompt _ template = """ 你是一个智能客服顶层 Agent ,负责协调各种工具来回答客户问题。

 

        你可以使用以下工具 :

        {tools}

 

        使用工具的格式如下 :

        ```

        {{

            "action": "{{ 工具名称 }}",

            "action _ input": "{{ 工具所需的参数 }}"

        }}

        ```

 

        根据客户的问题,决定使用哪个工具。如果需要多个工具的信息,逐步调用它们。

        若缺少必要参数(如产品 ID 、用户 ID ),请先向客户询问。

 

        客户问题 : {input}

        对话历史 : {chat _ history}

        工具返回结果 : {agent _ scratchpad}

 

        请思考是否需要调用工具,或者可以直接回答

        """

 

        prompt = PromptTemplate(

            template=prompt _ template,

            input _ variables=["tools", "input", "chat _ history", "agent _ scratchpad"]

        )

 

        # 初始化 Agent

        return initialize _ agent(

            self.tools,

            self.llm,

            agent=AgentType.CHAT _ CONVERSATIONAL _ REACT _ DESCRIPTION,

            verbose=True,

            memory=self.memory,

            agent _ kwargs={

                "system _ message": " 你是专业的客户服务协调 Agent ,负责理解客户需求并调用合适的工具提供准确回答。 ",

                "human _ message _ template": "{input}",

                "prompt": prompt

            },

            handle _ parsing _ errors=" 工具调用格式错误,请检查并重新尝试 "

        )

 

    def process _ query(self, user _ query: str, user _ id: Optional[str] = None) -> str:

        """ 处理客户查询 """

        logger.info(f" 处理客户查询 : {user _ query}, 用户 ID: {user _ id}")

 

        # 如果有用户 ID ,将其加入查询上下文

        full _ query = user _ query

        if user _ id:

            full _ query += f"\n 用户 ID: {user _ id}"

 

        # 执行 Agent

        try:

            result = self.agent.run(full _ query)

            return result

        except Exception as e:

            return f" 处理请求时发生错误 : {str(e)}"

 

# 系统初始化和运行示例

if __ name __ == " __ main __ ":

    # 检查并安装必要的依赖库

    required _ packages = ["langchain", "langchain _ community", "dashscope",

                        "pandas", "pydantic"]

    missing _ packages = []

    for pkg in required _ packages:

        try:

            __ import __ (pkg)

        except ImportError:

            missing _ packages.append(pkg)

 

    if missing _ packages:

        print(f" 检测到缺失的依赖库,正在安装 : {', '.join(missing _ packages)}")

        import subprocess

        import sys

        subprocess.check _ call([sys.executable, "-m", "pip", "install", *missing _ packages])

 

    # 初始化系统

    logger.info(" 初始化多 Agent 客户服务系统 ")

    customer _ service _ system = TopAgent()

 

    # 示例对话

    print(" 欢迎使用智能客服系统!请问有什么可以帮助您的? ")

 

    # 示例 1: 查询产品信息

    query1 = " 请告诉我产品 ABC123 的使用方法? "

    print(f"\n 用户 : {query1}")

    response1 = customer _ service _ system.process _ query(query1, user _ id="U12345")

    print(f" 客服 : {response1}")

 

    # 示例 2: 查询库存

    query2 = " 产品 ABC123 现在有货吗? "

    print(f"\n 用户 : {query2}")

    response2 = customer _ service _ system.process _ query(query2, user _ id="U12345")

    print(f" 客服 : {response2}")

 

    # 示例 3: 查询订单

    query3 = " 我的订单什么时候发货? "

    print(f"\n 用户 : {query3}")

    response3 = customer _ service _ system.process _ query(query3, user _ id="U12345")

    print(f" 客服 : {response3}")

运行代码,输出如下:

欢迎使用智能客服系统!请问有什么可以帮助您的?

 

用户 : 请告诉我产品 ABC123 的使用方法?

 

> Entering new AgentExecutor chain...

INFO: __ main __ : 文档检索 Agent 处理查询 : 产品 ABC123 的使用方法

```json

{

    "action": "DocumentRetrieval",

    "action _ input": " 产品 ABC123 的使用方法 "

}

```

Observation: 没有找到相关文档

Thought:

INFO: __ main __ : 处理客户查询 : 产品 ABC123 现在有货吗? , 用户 ID: U12345

```json

{

    "action": "Final Answer",

    "action _ input": " 很抱歉,目前我无法提供产品 ABC123 的具体使用方法。建议您联系我们的客服团队以获取更多帮助。 "

}

```

 

> Finished chain.

客服 : 很抱歉,目前我无法提供产品 ABC123 的具体使用方法。建议您联系我们的客服团队以获取更多帮助。

 

用户 : 产品 ABC123 现在有货吗?

 

> Entering new AgentExecutor chain...

INFO: __ main __ : 库存 Agent 查询产品 ABC123 的库存

```json

{

    "action": "InventoryCheck",

    "action _ input": "ABC123"

}

```

Observation: 产品库存信息 :

- 产品 ID: ABC123

- 产品名称 : 智能手表

- 库存数量 : 50

- 库存状态 : 有货

Thought:

INFO: __ main __ : 处理客户查询 : 我的订单什么时候发货? , 用户 ID: U12345

```json

{

    "action": "Final Answer",

    "action _ input": " 产品 ABC123 (智能手表)目前有货,库存数量为 50 。 "

}

```

 

> Finished chain.

客服 : 产品 ABC123 (智能手表)目前有货,库存数量为 50 。

 

用户 : 我的订单什么时候发货?

 

 

> Entering new AgentExecutor chain...

INFO: __ main __ : 用户数据库 Agent 查询用户 U12345 的订单

```json

{

    "action": "UserDatabase",

    "action _ input": "user _ id:U12345,type:orders"

}

```

Observation: 用户 U12345 的订单历史 : 订单 12345 (已发货) , 订单 67890 (处理中)

Thought:```json

{

    "action": "Final Answer",

    "action _ input": " 您的订单 12345 已发货,订单 67890 正在处理中。 "

}

```

 

> Finished chain.

客服 : 您的订单 12345 已发货,订单 67890 正在处理中。

本 章 小 结

本章详细介绍了基于RAG 的多Agent 客户服务系统的设计与实现,该系统通过整合检索增强生成(RAG )技术和多智能体协同架构,显著提升了复杂客服场景的决策效率和响应精准度。本系统基于LangChain 框架构建,包含以下要点:

(1 )系统架构采用分层设计,顶层Agent 负责任务调度,工具Agent 处理特定子任务,检索模块实现多源信息获取,生成模块完成最终响应合成。这种模块化设计确保了系统的灵活性和可扩展性。

(2 )核心功能包括:

① 多源信息检索能力,可同时查询结构化数据库和非结构化文档。

② 复杂任务分解与处理机制,通过Agent 协作完成多步骤业务流程。

③ 个性化响应生成,结合用户画像和历史交互数据提供定制化服务。

(3 )系统优化重点包括Agent 调度算法改进和主循环效率提升,通过动态负载均衡和优先级队列管理确保高并发场景下的稳定性能。

(4 )典型应用场景覆盖智能客服(7 ×24 小时自动应答)、企业知识管理(文档智能检索与摘要)和设备检修(故障诊断与解决方案推荐)三大领域,展示了技术方案的广泛适用性。

本章介绍的多Agent 客户服务系统的完整实现方案,提供了从环境配置、模块开发到系统集成的全流程技术细节,为构建企业级智能客服系统提供了可复用的参考架构。该系统通过RAG 技术确保知识实时更新,借助多Agent 协同实现人类工作流的数字化映射,在保持响应准确性的同时大幅降低了人工干预需求。


 


来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/18841117/viewspace-3188977/ ,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2022-02-14

  • 博文量
    229
  • 访问量
    207383