这个项目解决的是企业客服"贵、慢、乱、散"四大核心痛点——人工客服成本高、响应慢、不同客服回答不一致、业务信息分散在多个系统难以整合。通过 RAG 把企业私有产品文档变成可精准检索的知识库（解决"乱"和"散"），通过 Agent 自动调用订单、工单等系统工具（解决"慢"），通过多 Agent 监督者架构让产品、订单、投诉三个专业领域各司其职（解决不一致），通过记忆机制让系统记住用户上下文不用重复说明——就是用 AI 自动处理企业 70% 以上的重复性客服请求，目标是做出一个比人工客服更快、更准、更便宜、7x24 小时不间断的智能客服中台。
系统主要有三块核心能力：**问产品、查订单、提投诉**。用户问产品相关的问题——价格、颜色、退货政策、保修条款——系统会去检索企业自己的产品文档来回答，不会乱编；问订单和物流，系统直接调接口查给你看；想投诉的话，系统会帮你把问题记录下来创建工单，给你一个工单号。这三类问题背后分别有三个专家 Agent 负责，主管 Agent 负责判断你的问题该交给谁处理。整个过程系统会记住你在这次对话里说过的信息，不用重复说。操作上有一个网页聊天界面，可以直接在浏览器里用，回复是流式输出的，后台也有完整的调用链路记录，方便排查问题。
整个系统的实现思路是分层搭建的。最底层先把企业的产品文档（PDF、Word、Markdown 等）加载进来，切成小块，用 bge-base-zh 嵌入模型转成向量，存进 Milvus 向量数据库，这样用户提问时就能快速检索到最相关的内容——这是 RAG 的部分。订单查询和工单创建则封装成独立的工具函数，用 `@tool` 装饰器让 AI 能直接调用。在这之上，用 LangGraph 的 `create_react_agent` 分别创建了产品专家、订单专家、投诉专家三个 Agent，每个只负责自己领域的事情；再用 `create_supervisor` 在最外层搭一个主管 Agent，负责分析用户意图并决定派哪个专家来处理。会话记忆通过 `InMemorySaver` 加 `thread_id` 实现，同一个用户的对话上下文会被保存下来。最后用 Streamlit 做了一个网页聊天界面，支持流式输出，并接入 LangSmith 做全链路追踪监控。
评论