当前位置：首页 > news >正文

从零构建智能客服Agent：工具、决策循环与实战优化 | 附完整代码

news 2026/3/29 10:28:57

大家好，我是阿龙。今天我们不聊虚的，直接动手做一个能自主决策、调用外部工具的智能客服Agent。它会像人类客服一样：先查订单、再查知识库，最后给出精准回复，甚至能根据规则拒绝不合规的退款请求。

我会用DeepSeek模型作为大脑，配合三个核心工具（订单查询、知识库搜索、退款处理），实现一个完整的ReAct决策循环。全文包含可直接运行的代码，以及两个真实业务场景的推演。

本文所有代码已开源，文末有完整代码，建议收藏后阅读。

一、为什么客服Agent需要“工具”？

纯大模型（如ChatGPT）只能根据训练数据回答，无法获取实时订单状态、无法执行退款操作。而工具（Tool）赋予它“动手能力”：

查询工具：对接数据库，获取订单详情
知识工具：对接RAG（检索增强生成），查询最新政策
操作工具：执行退款申请等敏感操作

我们的客服Agent会这样工作：
用户提问 → 模型思考 → 调用工具 → 获取结果 → 继续思考 → 最终回答
这个过程叫ReAct（Reason + Act），是当前最主流的Agent实现模式。

二、准备三个核心工具函数

我们先实现三个模拟工具，实际项目中可以把它们换成真实API或数据库查询。

python

import json # 1. 订单查询（模拟数据库） def get_order_details(order_id: str): """查询订单状态和发货信息""" mock_db = { "ORD-123": {"status": "已发货", "delivery_date": "2023-12-01", "items": ["iPhone 15"]}, "ORD-456": {"status": "待付款", "items": ["MacBook Pro"]} } result = mock_db.get(order_id) if result: return json.dumps(result, ensure_ascii=False) return json.dumps({"error": "订单不存在"}) # 2. 退款处理（模拟提交） def process_refund(order_id: str, reason: str): """提交退款申请（需人工审核）""" print(f"【系统】正在处理订单 {order_id} 的退款，原因: {reason}") return json.dumps({"status": "success", "message": "退款申请已提交人工审核"}) # 3. 知识库搜索（假设第三讲已实现RAG） from lecture3_rag import CustomerServiceBot # 伪代码，你需要替换为自己的RAG类 rag_bot = CustomerServiceBot() rag_bot.initialize_data() def search_knowledge_base(query: str): """查询退货政策、会员权益等""" return rag_bot.answer(query)

注意：实际使用时，请将 lecture3_rag 替换为你自己的RAG实现，或者直接用一个简单的关键词匹配函数代替。

三、让DeepSeek理解这些工具

我们需要把工具的描述信息注册成模型可以理解的JSON Schema格式。这样DeepSeek在生成回复时，会知道什么时候该调用哪个工具，以及需要传递什么参数。

python

agent_tools = [ { "type": "function", "function": { "name": "get_order_details", "description": "根据订单号查询订单状态、发货信息", "parameters": { "type": "object", "properties": { "order_id": {"type": "string", "description": "订单号，例如 ORD-123"} }, "required": ["order_id"] } } }, { "type": "function", "function": { "name": "search_knowledge_base", "description": "当问题涉及退货政策、会员权益、运费规则等通用知识时使用", "parameters": { "type": "object", "properties": { "query": {"type": "string", "description": "搜索关键词或问题"} }, "required": ["query"] } } }, { "type": "function", "function": { "name": "process_refund", "description": "为指定订单提交退款申请，需用户确认后才可调用", "parameters": { "type": "object", "properties": { "order_id": {"type": "string", "description": "订单号"}, "reason": {"type": "string", "description": "退款原因"} }, "required": ["order_id", "reason"] } } } ]

四、Agent核心：ReAct决策循环

现在到了最关键的环节——循环。我们将不断调用DeepSeek，检查它是否要求调用工具，如果有就执行工具并把结果返回给它，直到它给出最终答案。

python

import json from openai import OpenAI # DeepSeek 兼容OpenAI接口 client = OpenAI( api_key="your-api-key", base_url="https://api.deepseek.com" ) # 工具函数映射表 available_functions = { "get_order_details": get_order_details, "search_knowledge_base": search_knowledge_base, "process_refund": process_refund } def run_agent(user_input): # 初始化对话历史（包含系统指令） messages = [ {"role": "system", "content": "你是一个智能客服Agent。即使你知道答案，也优先使用知识库工具确认。处理订单问题时必须先查询订单状态。退款操作必须用户明确同意才能调用process_refund。"}, {"role": "user", "content": user_input} ] while True: # 1. 调用DeepSeek模型 response = client.chat.completions.create( model="deepseek-chat", messages=messages, tools=agent_tools, tool_choice="auto" ) response_msg = response.choices[0].message # 2. 检查模型是否要求调用工具 tool_calls = response_msg.tool_calls if tool_calls: # 将模型的工具调用意图加入历史（防止它“失忆”） messages.append(response_msg) # 3. 执行所有工具调用（可能一次多个，如并发查询） for tool_call in tool_calls: func_name = tool_call.function.name func_args = json.loads(tool_call.function.arguments) func_to_call = available_functions.get(func_name) print(f"【Agent动作】调用 {func_name} 参数: {func_args}") # 执行函数并获取结果 func_response = func_to_call(**func_args) # 4. 将工具结果作为新消息加入历史 messages.append({ "tool_call_id": tool_call.id, "role": "tool", "name": func_name, "content": str(func_response), }) # 继续循环，模型会看到工具结果并决定下一步 else: # 没有工具调用，说明模型已经准备好最终回答 print(f"【Agent回答】: {response_msg.content}") return response_msg.content

几点说明：
tool_choice="auto" 让模型自行决定是否需要调用工具。
工具结果通过 role="tool" 返回给模型，模型会把这些结果当作“观察”来推理下一步。
循环直到模型返回普通文本（即最终答案）才结束。

五、实战场景推演

让我们用两个真实业务问题测试这个Agent。

场景1：复合问题（订单查询 + 政策咨询）

用户输入：

“我的订单ORD-123还没收到，是不是丢件了？还有你们的退款政策是啥？”

执行过程（模拟输出）：

text

【Agent动作】调用 get_order_details 参数: {'order_id': 'ORD-123'} 【Agent动作】调用 search_knowledge_base 参数: {'query': '退款政策'} 【Agent回答】: 关于您的订单ORD-123，系统显示已于12月1日发货，状态正常，请耐心等待。另外，我们的退款政策是支持7天无理由退换货...

可以看到，Agent先查了订单状态，又查了知识库，最后将两者整合回答。这正是多工具协作的魅力。

场景2：工具链式调用（按规则决策）

用户输入：

“帮我把订单ORD-123退了。”

执行过程（模拟输出）：

text

【Agent动作】调用 get_order_details 参数: {'order_id': 'ORD-123'} 【Agent思考】订单状态是“已发货”，不能直接取消，需要告知用户收货后申请退货。 【Agent回答】: 您的订单ORD-123已经发货了，无法直接取消。您可以在收货后申请7天无理由退货。

这里Agent没有盲目调用 process_refund，而是根据业务规则（已发货订单不能直接退款）做出了合理决策。这就是系统提示词和工具调用的结合——模型“理解”了业务约束。

六、优化技巧：减少幻觉 & 提升性能

6.1 强化系统提示词

为了防止模型编造订单数据或擅自退款，我们可以在系统提示中加入硬性约束：

python

SYSTEM_PROMPT = """ 你是一个严谨的电商业务助手。 1. 禁止伪造订单数据，必须使用 `get_order_details` 查询。 2. 只有在用户明确确认后，才能调用 `process_refund` 涉及资金的接口。 3. 如果工具返回 `Error`，请直接告诉用户错误原因，不要尝试自己编造成功的结果。 """

6.2 并行工具调用

DeepSeek支持一次返回多个工具调用（例如同时查天气和查汇率）。我们可以利用Python的concurrent.futures并发执行，降低延迟：

python

from concurrent.futures import ThreadPoolExecutor with ThreadPoolExecutor() as executor: futures = [] for tool_call in tool_calls: func = available_functions[tool_call.function.name] args = json.loads(tool_call.function.arguments) futures.append(executor.submit(func, **args)) results = [f.result() for f in futures]

然后将结果依次加入消息列表即可。