# 智扫通智能客服项目 - 项目大纲 ## 1. 项目概述 **项目名称**: 智扫通智能机器人客服 **项目类型**: 基于 LangChain + RAG + Agent 的智能问答系统 **核心功能**: - 提供扫地机器人/扫拖一体机器人的专业智能客服 - 支持 ReAct 思考框架的 Agent 自主工具调用 - 基于向量检索(RAG)的专业知识库问答 - 个性化用户报告生成 **目标用户**: 扫地机器人用户 --- ## 2. 技术架构 ### 2.1 技术栈 | 层级 | 技术/框架 | 用途 | |------|----------|------| | 前端 | Streamlit | Web 交互界面 | | AI Agent | LangChain + LangGraph | Agent 推理与工具调用 | | LLM | 通义千问 (qwen3-max) | 大语言模型 | | 向量数据库 | Chroma | 知识向量存储与检索 | | Embedding | DashScope (text-embedding-v4) | 文本向量化 | | 配置管理 | YAML | 配置文件管理 | ### 2.2 系统架构图 ``` ┌─────────────────────────────────────────────────────────┐ │ Streamlit Web UI │ └─────────────────────┬───────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────────────┐ │ ReactAgent (Agent) │ │ ┌─────────────────────────────────────────────────┐ │ │ │ ReAct 思考框架 │ │ │ │ Thought → Action → Observation → ... │ │ │ └─────────────────────────────────────────────────┘ │ │ │ │ │ ┌─────────────┼─────────────┐ │ │ ▼ ▼ ▼ │ │ ┌──────────────┐ ┌───────────┐ ┌──────────────┐ │ │ │ RAG工具 │ │ 天气工具 │ │ 用户信息工具 │ │ │ │ rag_summarize│ │ get_weather│ │ get_user_id │ │ │ └──────────────┘ └───────────┘ └──────────────┘ │ │ │ │ │ ┌──────────────────────────────────────────────────┐ │ │ │ Middleware 中间件 │ │ │ │ monitor_tool | log_before_model | prompt_switch│ │ │ └──────────────────────────────────────────────────┘ │ └─────────────────────┬───────────────────────────────────┘ │ ┌───────────┴───────────┐ ▼ ▼ ┌─────────────────┐ ┌─────────────────────┐ │ VectorStore │ │ 外部数据源 │ │ (Chroma DB) │ │ (CSV 用户记录) │ └─────────────────┘ └─────────────────────┘ ``` --- ## 3. 目录结构 ``` agent_proj/ ├── agent/ # Agent 核心模块 │ ├── tools/ │ │ ├── agent_tools.py # Agent 工具定义 │ │ └── middleware.py # 中间件实现 │ └── react_agent.py # ReAct Agent 封装 │ ├── config/ # 配置文件 │ ├── agent.yaml # Agent 配置 │ ├── chroma.yaml # Chroma 向量库配置 │ ├── prompts.yaml # Prompt 路径配置 │ └── rag.yaml # RAG 模型配置 │ ├── data/ # 数据目录 │ ├── external/ │ │ └── records.csv # 用户使用记录 │ └── 知识库文件 (pdf/txt) # RAG 知识库 │ ├── model/ # 模型工厂 │ └── factory.py # LLM/Embedding 模型工厂 │ ├── prompts/ # Prompt 模板 │ ├── main_prompt.txt # 主系统 Prompt │ ├── rag_summarize.txt # RAG 总结 Prompt │ └── report_prompt.txt # 报告生成 Prompt │ ├── rag/ # RAG 服务 │ ├── rag_service.py # RAG 总结服务 │ └── vector_store.py # 向量存储服务 │ ├── utils/ # 工具模块 │ ├── config_handler.py # 配置加载器 │ ├── file_handler.py # 文件处理 │ ├── logger_handler.py # 日志管理 │ ├── path_tool.py # 路径工具 │ └── prompt_loader.py # Prompt 加载器 │ ├── chroma_db/ # Chroma 向量数据库 │ ├── logs/ # 日志目录 │ ├── app.py # Streamlit 主应用 ├── 01_Agent.py # Agent 基础示例 ├── 02_Stream.py # Stream 流式输出示例 ├── 03_ReAct.py # ReAct 框架示例 └── 04_middle_ware.py # 中间件示例 ``` --- ## 4. 核心模块详解 ### 4.1 Agent 模块 (agent/) #### react_agent.py - **职责**: 封装 LangChain Agent，提供流式输出能力 - **核心方法**: `excute_stream(query)` - 流式执行用户查询 #### agent_tools.py - **职责**: 定义 Agent 可调用的工具 - **工具列表**: - `rag_summarize`: 向量库检索专业资料 - `get_weather`: 查询城市天气 - `get_user_location`: 获取用户所在城市 - `get_user_id`: 获取用户ID - `get_current_month`: 获取当前月份 - `fetch_external_data`: 获取外部用户使用记录 - `fill_context_for_report`: 触发报告生成上下文 #### middleware.py - **职责**: 实现 Agent 中间件 - **中间件列表**: - `monitor_tool`: 工具调用监控 - `log_before_model`: 模型调用前日志 - `repoet_prompt_switch`: 动态提示词切换 ### 4.2 RAG 模块 (rag/) #### vector_store.py - **职责**: 向量存储与检索 - **功能**: - 文档加载 (PDF/TXT) - 文本分片 (RecursiveCharacterTextSplitter) - 向量入库 (Chroma) - 相似度检索 (Retriever) #### rag_service.py - **职责**: RAG 总结服务 - **流程**: 用户查询 → 向量检索 → Prompt 模板 → LLM 总结 → 返回结果 ### 4.3 模型工厂 (model/factory.py) - **ChatModelFactory**: 创建通义千问聊天模型 - **EmbeddingsFactory**: 创建 DashScope Embedding 模型 ### 4.4 工具模块 (utils/) | 模块 | 功能 | |------|------| | config_handler | YAML 配置文件加载 | | logger_handler | 日志管理 (双写: 控制台+文件) | | prompt_loader | Prompt 模板加载 | | file_handler | PDF/TXT 文件加载, MD5 计算 | | path_tool | 绝对路径获取 | --- ## 5. 数据流 ### 5.1 知识库构建流程 ``` 知识库文件 (PDF/TXT) │ ▼ 文件加载器 (PyPDFLoader/TextLoader) │ ▼ 文本分片 (RecursiveCharacterTextSplitter) │ ▼ 向量化 (DashScope Embeddings) │ ▼ Chroma 向量库存储 │ ▼ MD5 去重记录 ``` ### 5.2 用户问答流程 ``` 用户提问 │ ▼ Streamlit UI 接收 │ ▼ ReactAgent.excute_stream() │ ▼ ReAct Agent 推理循环 │ ├─→ 判断是否需要调用工具 ├─→ 选择工具 (RAG/天气/用户信息/外部数据) ├─→ 执行工具获取结果 ├─→ 观察结果，更新思考 └─→ 生成最终回答 │ ▼ 流式输出到 UI ``` --- ## 6. 配置说明 ### 6.1 rag.yaml ```yaml chat_model_name: "qwen3-max" # LLM 模型 embeddings_model_name: "text-embedding-v4" # Embedding 模型 ``` ### 6.2 chroma.yaml ```yaml collection_name: "agent" # 向量库集合名 persist_directory: "chroma_db" # 持久化目录 k: 3 # 检索Top-K chunk_size: 200 # 分片大小 chunk_overlap: 20 # 分片重叠 ``` ### 6.3 agent.yaml ```yaml external_data_path: "data/external/records.csv" # 外部数据路径 ``` --- ## 7. 运行方式 ### 7.1 启动 Web 应用 ```bash streamlit run app.py ``` ### 7.2 知识库初始化 ```bash python -m rag.vector_store ``` --- ## 8. 面试要点总结 | 知识点 | 项目中的应用 | |--------|--------------| | LangChain Agent | create_agent, ReAct 框架 | | LangGraph | 中间件机制, 动态提示词 | | RAG | 向量检索, 文档分片, Chain 组合 | | Chroma | 向量数据库存储与检索 | | Streamlit | Web 前后端交互 | | 中间件模式 | 工具调用监控, 动态 Prompt | | 设计模式 | 工厂模式, 配置中心化 |