Intelligent_Customer_Agent_Demo - GitLite

KO | EN

gitlite — search

#javascript #python #hacktoberfest #react #ai #android #machine-learning #rust #deep-learning #nodejs #java #awesome #vue #openai

Intelligent_Customer_Agent_Demo

(★ 14)

本项目是一个模块化智能客服系统，通过自然语言交互处理客户服务全流程（咨询、投诉、订单查询等场景）。系统整合意图分类、对话状态跟踪、知识检索与人机转人工决策能力，支持无缝多轮对话、动态关键信息（槽位）填充，以及高效的人机协作，旨在平衡自动化服务效率与客户体验。但因为受限于业务场景的原因，并没有接入Function call以及一系列tool，主要还是在验证整个流程的可行性。总体来说比较适合需要自动化处理高频重复客服需求的企业（如电商、金融、硬件产品），可降低人工客服负荷、缩短客户响应时间，同时通过模块化设计支持业务场景扩展。

Intelligent_Customer_Agent_Demo 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# 智能客服Agent_集成

## 项目介绍

智能客服Agent是一个基于LangChain/LangGraph框架搭建的完整的客户服务系统，通过集成多个核心模块，实现自然语言交互，处理咨询、投诉、订单查询等客服场景的全流程。系统采用模块化设计，各模块按业务逻辑自动联动，支持多轮对话、动态槽位填充和人机协作决策。

## 系统架构

系统采用模块化架构，主要包含以下组件：

1. **意图分类器（IntentClassifier）**：识别用户输入的意图和置信度
2. **对话状态跟踪器（DialogueStateTracker）**：维护对话上下文、槽位信息和历史记录
3. **知识检索系统（KnowledgeRetrievalSystem）**：基于知识库检索相关知识
4. **人机转人工决策模型（HumanHandoffDecisionModel）**：判断是否需要转人工处理
5. **LLM-based槽位提取器（LLMbasedSlotExtractor）**：基于大语言模型进行槽位提取
6. **API服务层**：基于FastAPI提供HTTP接口，处理用户请求

## 技术栈

- **框架**：FastAPI、LangChain、LangGraph
- **模型**：支持多种LLM模型（默认配置为Gemini-2.5-flash和Deepseek）
- **数据处理**：Pydantic、python-dotenv
- **HTTP服务**：Uvicorn、Requests
- **编程语言**：Python 3.8+

## 项目结构

```
智能客服Agent_集成_cleaned/
├── app/                  # 主应用目录
│   └── main.py           # FastAPI主入口
├── data/                 # 数据目录
│   ├── knowledge_base.json  # 知识库数据
│   └── load_knowledge.py    # 知识库加载脚本
├── modules/              # 核心模块
│   ├── IntentClassifier.py              # 意图分类模块
│   ├── DialogueStateTracker.py          # 对话状态跟踪模块
│   ├── KnowledgeRetrievalSystem.py      # 知识检索模块
│   ├── HumanHandoffDecisionModel.py     # 人机转人工决策模块
│   └── LLMbasedSlotExtractor.py         # LLM-based槽位提取模块
├── utils/                # 工具函数
│   ├── common_utils.py   # 通用工具函数
│   └── llm_config.py     # LLM配置工具
├── tests/                # 测试目录
│   ├── test_agent.py     # 集成测试用例
│   ├── test_dst.py       # 对话状态跟踪器测试
│   ├── test_knowledge_retrieval.py    # 知识检索系统测试
│   └── test_llm_slot_extractor.py     # LLM槽位提取器测试
├── logs/                 # 日志目录
├── .env                  # 环境变量配置文件
├── .env.example          # 环境变量示例文件
├── requirements.txt      # 依赖清单
├── .gitignore            # Git忽略文件
└── README.md             # 项目说明文档
```

## 功能特性

1. **意图识别**：自动识别用户输入的意图和置信度
2. **多轮对话**：维护对话上下文，支持连续交互
3. **槽位填充**：自动检测和追问缺失的关键信息
4. **知识检索**：基于知识库检索相关知识
5. **人机协作**：智能判断转人工时机，提升服务质量
6. **API接口**：提供RESTful API，方便集成到其他系统
7. **日志记录**：完整记录系统运行状态和用户交互

## 快速开始

### 安装依赖

```bash
pip install -r requirements.txt
```

### 配置环境变量

复制示例环境变量文件并根据需要进行配置：

```bash
# Windows
copy .env.example .env

# Linux/Mac
cp .env.example .env
```

编辑`.env`文件，配置必要的API密钥和参数：

```env
# Gemini配置
GEMINI_API_KEY=your_gemini_api_key_here
GEMINI_API_BASE=https://generativelanguage.googleapis.com/v1beta/openai/
GEMINI_MODEL=gemini-2.5-flash
```

### 启动服务

```bash
python app/main.py
```

服务将在 http://localhost:8000 启动

### API接口

1. **健康检查**
   - URL: `/api/health`
   - Method: GET
   - 用途: 检查服务是否正常运行

2. **聊天接口**
   - URL: `/api/chat`
   - Method: POST
   - 请求体: 
     ```json
     {
       "user_id": "用户ID",
       "text": "用户输入文本",
       "session_id": "会话ID（可选）"
     }
     ```
   - 响应: 
     ```json
     {
       "response": "客服回复",
       "intent": "识别的意图",
       "confidence": 置信度,
       "response_type": "响应类型",
       "missing_slots": [缺失的槽位],
       "need_handoff": 是否需要转人工,
       "handoff_reason": 转人工原因
     }
     ```

3. **重置会话**
   - URL: `/api/reset_session/{user_id}`
   - Method: POST
   - 用途: 重置指定用户的会话状态

4. **获取会话状态**
   - URL: `/api/session_status/{user_id}`
   - Method: GET
   - 用途: 获取指定用户的当前会话状态

## 测试

运行测试用例，验证系统功能：

```bash
python tests/test_agent.py
```

测试用例包含五个场景：
1. 订单查询场景 - 验证一次性信息收集功能
2. 产品咨询场景 - 验证特定属性查询准确性
3. 转人工场景 - 验证情绪识别与转人工决策优化
4. 知识库检索场景 - 政策与操作流程
5. 混合场景 - 综合功能验证

## 配置说明

系统支持通过 `.env` 文件配置以下参数：

```env
# LLM配置 - Gemini/Deepseek（推荐）
GEMINI_API_KEY=your_gemini_api_key_here
GEMINI_API_BASE=https://generativelanguage.googleapis.com/v1beta/openai/
GEMINI_MODEL=gemini-2.5-flash
GEMINI_TEMPERATURE=0.0
GEMINI_MAX_TOKENS=2048
GEMINI_RETRY_COUNT=3
GEMINI_RETRY_DELAY=2.0

# LLM配置 - OpenAI兼容格式（可选）
# 如果设置了GEMINI_前缀的变量，这些将被忽略
# OPENAI_API_KEY=your_openai_api_key_here
# OPENAI_API_BASE=https://api.openai.com/v1
# OPENAI_MODEL=gpt-3.5-turbo
# OPENAI_TEMPERATURE=0.0
# OPENAI_MAX_TOKENS=2048
# OPENAI_RETRY_COUNT=3
# OPENAI_RETRY_DELAY=2.0

# Redis配置（可选）
REDIS_HOST=localhost
REDIS_PORT=6379
REDIS_DB=0

# 服务配置
PORT=8000
HOST=0.0.0.0

# 日志配置
LOG_LEVEL=INFO
LOG_FILE=logs/app.log
```

## 注意事项

1. 系统默认使用Gemini-2.5-flash模型，需要确保API密钥正确配置
2. 知识库使用JSON文件存储，位于`data/knowledge_base.json`
3. 如需使用Redis缓存对话状态，请确保Redis服务已启动并正确配置
4. 日志文件保存在`logs/app.log`，可通过修改`common_utils.py`中的日志配置调整日志级别和格式
5. 测试前请确保服务已启动，否则会出现"服务未就绪"错误

## 扩展建议

1. **知识库扩展**：根据实际业务需求，扩展`data/knowledge_base.json`中的内容，提升回复准确性
2. **意图库扩展**：增加更多意图类型，覆盖更广泛的用户场景
3. **模型调优**：根据实际使用情况，调整LLM参数，优化回复质量
4. **UI界面**：开发Web或移动端界面，提升用户体验
5. **数据分析**：添加用户交互数据分析功能，优化服务流程

## 常见问题

1. **服务启动失败**：检查Gemini API密钥是否正确配置，以及依赖是否全部安装
2. **知识库检索无结果**：确认知识库已正确初始化，且包含相关知识
3. **意图识别不准确**：可能需要扩展意图训练数据，或调整意图分类器的参数
4. **对话上下文丢失**：检查对话状态跟踪器的实现，确保上下文正确维护
5. **测试报错"服务未就绪"**：请先启动主服务（app/main.py），然后再运行测试脚本