【图解】LangChain 带你零代码搭建智能客服，工单响应率翻番

AI程序猿人

于 2025-04-28 18:01:15 发布

阅读量861

点赞数 29

文章标签： langchain 人工智能自然语言处理 AI大模型智能客服大模型应用大模型技术

本文链接：https://blog.csdn.net/python1222_/article/details/147592780

版权

基本功能

1. 链式调用

# 创建简单的对话链
from langchain.chains import ConversationChain
from langchain.llms import OpenAI
# 初始化大语言模型
llm = OpenAI(temperature=0.7)
# 创建对话链
对话 = ConversationChain(llm=llm)
# 进行对话
回复 = 对话.predict(input="你好，请介绍一下你自己")
print(回复)

2. 内存管理

# 添加记忆功能
from langchain.memory import ConversationBufferMemory
# 创建对话记忆
记忆 = ConversationBufferMemory()
# 带记忆的对话链
智能对话 = ConversationChain(
    llm=llm,
    memory=记忆,
    verbose=True  # 显示详细过程
)
# 连续对话，能记住上下文
回复1 = 智能对话.predict(input="我叫小明")
回复2 = 智能对话.predict(input="你还记得我的名字吗？")

实用功能

1. 知识库问答

# 构建客服知识库问答系统
from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA
# 加载知识文档
加载器 = TextLoader("客服手册.txt")
文档 = 加载器.load()
# 分割文档
分割器 = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
文本块 = 分割器.split_documents(文档)
# 创建向量存储
嵌入模型 = OpenAIEmbeddings()
向量库 = Chroma.from_documents(文本块, 嵌入模型)
# 构建问答链
客服问答 = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=向量库.as_retriever()
)
# 回答客户问题
回答 = 客服问答.run("如何申请退款？")

在这里插入图片描述

2. 工单自动分类

# 工单分类系统
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
# 定义分类提示模板
分类模板 = PromptTemplate(
    input_variables=["工单内容"],
    template="""
    请分析以下客户工单内容，并将其分类为以下类别之一：
    - 账户问题
    - 技术故障
    - 退款请求
    - 产品咨询
    - 投诉建议
    工单内容: {工单内容}
    分类结果:
    """
)
# 创建分类链
分类器 = LLMChain(
    llm=llm,
    prompt=分类模板,
    verbose=True
)
# 自动分类工单
分类结果 = 分类器.run("我的账号无法登录，已经尝试重置密码但仍然失败")

3. 多轮客服对话

# 构建智能客服对话系统
from langchain.chains import ConversationalRetrievalChain
from langchain.memory import ConversationBufferMemory
# 创建对话记忆
对话记忆 = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)
# 构建对话检索链
客服对话 = ConversationalRetrievalChain.from_llm(
    llm=llm,
    retriever=向量库.as_retriever(),
    memory=对话记忆
)
# 进行多轮对话
回复1 = 客服对话({"question": "你们的退货政策是什么？"})
回复2 = 客服对话({"question": "如果商品有质量问题呢？"})

在这里插入图片描述

常见任务示例

1. 客服智能路由

# 客服工单智能路由系统
工单类型_专家映射 = {
    "账户问题": ["张三", "李四"],
    "技术故障": ["王五", "赵六"],
    "退款请求": ["钱七", "孙八"],
    "产品咨询": ["周九", "吴十"],
    "投诉建议": ["郑十一", "钱十二"]
}
def 智能路由(工单内容):
    # 1. 分类工单
    分类 = 分类器.run(工单内容)
    # 2. 查找专家
    if 分类 in 工单类型_专家映射:
        专家列表 = 工单类型_专家映射[分类]
        # 简单轮询分配
        import random
        指派专家 = random.choice(专家列表)
    else:
        指派专家 = "客服主管"  # 默认处理人
    return {
        "工单分类": 分类,
        "处理人": 指派专家,
        "优先级": "高" if "紧急" in 工单内容 else "普通"
    }

2. 智能回复生成

# 定义回复模板
回复模板 = PromptTemplate(
    input_variables=["问题", "知识", "历史"],
    template="""
    基于以下信息生成专业、友好的客服回复:
    客户问题: {问题}
    相关知识: {知识}
    历史对话: {历史}
    你的回复应该:
    1. 问候客户
    2. 直接回答问题
    3. 提供额外相关信息
    4. 询问是否有其他需要
    客服回复:
    """
)
def 生成智能回复(客户问题, 历史对话=None):
    # 1. 从知识库获取相关信息
    检索结果 = 向量库.similarity_search(客户问题)
    相关知识 = "\n".join([doc.page_content for doc in 检索结果[:2]])
    # 2. 处理历史对话
    历史文本 = str(历史对话) if 历史对话 else "无历史对话"
    # 3. 生成回复
    回复链 = LLMChain(llm=llm, prompt=回复模板)
    回复 = 回复链.run(问题=客户问题, 知识=相关知识, 历史=历史文本)
    return 回复

在这里插入图片描述