Langchain项目-多功能客服

LangChain项目之多功能客服
设计思路是：将客服场景拆解为独立的工具函数（订单查询、退换货处理、常见问题解答），然后让 LLM Agent 根据用户意图自主选择合适的工具来响应。这种"工具驱动"的架构模式在实际项目中非常常见，也是 LangChain Agent 最典型的使用方式。

# customer_service_agent.pyfrom langchain_openaiimportChatOpenAI from langchain_core.toolsimporttool from langchain_core.promptsimportChatPromptTemplate, MessagesPlaceholder from langchain.agentsimportAgentExecutor, create_openai_tools_agent# legacy，新项目推荐 LangGraphfrom langchain_core.messagesimportHumanMessage, AIMessage from langchain_community.chat_message_historiesimportChatMessageHistory from langchain_core.runnables.historyimportRunnableWithMessageHistory from rich.consoleimportConsole from dotenvimportload_dotenvimportjson load_dotenv()console=Console()# ============================# 工具定义# ============================@tool def search_faq(query: str)->str:"""搜索常见问题解答库。适合回答产品使用、政策、流程等问题。""" faq_data={"退款":"退款政策：7天内无理由退款，需要原包装。申请退款请联系客服。","发货":"一般1-3个工作日发货，节假日顺延。急需可选顺丰加急。","保修":"正规渠道购买享有官方1年保修，屏幕损坏不在保修范围内。","优惠":"新用户首单8折优惠，会员用户积分可抵扣货款。","支付":"支持微信、支付宝、银行卡，不支持货到付款。",}forkeyword, answerinfaq_data.items():ifkeywordinquery:returnanswerreturn"未找到相关FAQ，建议联系在线客服获取更多帮助。"@tool def check_order(order_id: str)->str:""" 查询订单状态和物流信息。 输入订单编号（如 ORD-12345678），返回订单详情。""" orders={"ORD-12345678":{"status":"已发货","items":"Python编程书 × 1","amount":89.9,"shipping":"顺丰：SF1234567890，预计明天到达"},"ORD-87654321":{"status":"待发货","items":"AI开发课程 × 1","amount":299.0,"shipping":"预计明天发货"}}order=orders.get(order_id)iforder:returnjson.dumps(order,ensure_ascii=False)returnf"订单 {order_id} 不存在，请确认订单号是否正确。"@tool def submit_complaint(order_id: str, complaint_type: str, description: str)->str:""" 提交售后投诉或申请。 complaint_type: 退款申请/质量问题/物流问题/其他"""importdatetime ticket_id=f"TKT-{datetime.datetime.now().strftime('%Y%m%d%H%M%S')}"return(f"投诉已受理！工单编号：{ticket_id}\n"f"类型：{complaint_type}\n"f"相关订单：{order_id}\n"f"预计24小时内客服跟进处理。")@tool def recommend_products(user_need: str)->str:"""根据用户需求推荐适合的产品。""" catalog=[{"name":"Python入门到精通","price":89,"tag":"编程 Python 初学者"},{"name":"AI Agent实战课程","price":299,"tag":"AI 机器学习 Agent"},{"name":"LangChain实战教程","price":199,"tag":"LangChain Python AI"},{"name":"数据分析全攻略","price":159,"tag":"数据分析 pandas Excel"},]# 简单的关键词匹配results=[]foritemincatalog:ifany(keywordinuser_needforkeywordinitem["tag"].split()): results.append(f"• {item['name']} - ¥{item['price']}")ifresults:return"根据您的需求，为您推荐：\n"+"\n".join(results)return"暂无完全匹配的推荐，请描述更多您的需求。"# ============================# Agent 构建# ============================tools=[search_faq, check_order, submit_complaint, recommend_products]system_message="""你是"小慧"，一位热心、专业的客服助手。## 你的职责- 解答用户的产品和服务相关问题 - 查询订单状态和物流信息 - 处理售后申请和投诉 - 根据用户需求推荐合适的产品## 服务准则1. 始终保持热情、耐心、专业的态度2. 先理解用户需求，再给出帮助3. 使用工具前先思考哪个工具最合适4. 如果无法解决，礼貌地转接人工客服（告知用户联系400-123-4567）5. 用友好的语气，避免生硬的机器人感## 权限限制- 不能修改订单金额 - 不能直接执行退款，只能提交申请""" prompt=ChatPromptTemplate.from_messages([("system", system_message), MessagesPlaceholder(variable_name="chat_history"),("human","{input}"), MessagesPlaceholder(variable_name="agent_scratchpad"),])llm=ChatOpenAI(model="gpt-4.1",temperature=0.3)agent=create_openai_tools_agent(llm, tools, prompt)agent_executor=AgentExecutor(agent=agent,tools=tools,verbose=False,max_iterations=5,handle_parsing_errors=True)# 会话历史管理store={}def get_session_history(session_id: str)->ChatMessageHistory:ifsession_id notinstore: store[session_id]=ChatMessageHistory()returnstore[session_id]agent_with_history=RunnableWithMessageHistory(agent_executor, get_session_history,input_messages_key="input",history_messages_key="chat_history")# ============================# 主程序# ============================def main(): session_id="customer_001"console.print("\n[bold cyan]小慧：[/bold cyan]您好！我是小慧，很高兴为您服务！""请问有什么可以帮助您的？😊")whileTrue: user_input=input("\n[你]：").strip()ifnot user_input:continueifuser_input.lower()in["quit","exit","退出"]: console.print("[bold cyan]小慧：[/bold cyan]感谢您的光临，再见！👋")breakresult=agent_with_history.invoke({"input":user_input},config={"configurable":{"session_id":session_id}})console.print(f"\n[bold cyan]小慧：[/bold cyan]{result['output']}")if__name__=="__main__":main()