LangGraph 多 Agent 协作智能客服项目

原创已于 2025-07-31 23:55:44 修改 · 1.3k 阅读 ·

大模型引用 7 次

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

LLM

代码可运行

于 2025-07-29 03:36:02 首次发布

以下是一个生产级别的 LangGraph 多 Agent 协作智能客服项目 的完整设计方案，结合了 LangGraph 的图结构优势、多 Agent 协作能力以及智能客服的核心功能。该项目以电商客服场景为例，涵盖需求分析、实现方案、模块代码及技术细节，适合实际部署。

一、项目需求分析

1. 功能性需求

用户输入处理：接收用户文本/语音输入，进行预处理（去噪、分词等）。
意图识别：通过 NLP 模型判断用户意图（如订单查询、退换货、产品咨询等）。
对话状态管理：维护多轮对话上下文，支持上下文记忆和状态转移。
多 Agent 协作：根据用户意图动态调用不同 Agent（如订单处理 Agent、知识库查询 Agent、人工客服 Agent）。
知识库集成：调用企业内部知识库（如产品手册、政策文件）提供精准答案。
转人工流程：当问题无法自动解决时，无缝转接人工客服。
历史记录与反馈收集：记录对话历史，收集用户满意度反馈。

2. 非功能性需求

响应时间：90% 的请求在 2 秒内完成。
准确率：意图识别准确率 ≥ 90%，答案匹配率 ≥ 85%。
可扩展性：支持动态添加新 Agent 或知识库模块。
安全性：用户数据加密传输，敏感信息脱敏处理。
监控与日志：实时监控对话状态，记录关键日志用于分析优化。

二、实现方案

1. 技术架构

LangGraph 核心：基于图结构定义任务流（节点、边、状态）。
多 Agent 协作：
- Agent 节点：封装独立功能（如意图识别、知识库查询）。
- Tool 节点：调用外部工具（如数据库、API）。
- 状态管理：通过 State 对象传递对话上下文。
外部集成：
- NLP 模型：使用 BERT 或 OpenAI API 进行意图识别。
- 知识库：Elasticsearch 或 MongoDB 存储结构化/非结构化数据。
- 消息队列：RabbitMQ/Kafka 实现异步通信。

2. 流程设计（图结构示例）

三、模块代码实现

1. LangGraph 核心流程定义

from langgraph.graph import StateGraph, END
from langgraph.graph.state import State

# 定义状态类
class CustomerServiceState(State):
    input: str  # 用户输入
    intent: str  # 意图识别结果
    response: str  # 最终响应
    history: list  # 对话历史

# 定义节点函数
def intent_recognition(state: CustomerServiceState) -> CustomerServiceState:
    # 调用 NLP 模型识别意图（示例）
    state.intent = "order_query"  # 假设识别为订单查询
    return state

def order_processing(state: CustomerServiceState) -> CustomerServiceState:
    # 调用订单数据库（示例）
    state.response = "您的订单状态为：已发货，预计明天送达。"
    return state

def knowledge_base_search(state: CustomerServiceState) -> CustomerServiceState:
    # 调用知识库 API（示例）
    state.response = "根据政策，退换货需在7日内申请。"
    return state

def transfer_to_human(state: CustomerServiceState) -> CustomerServiceState:
    # 转人工流程（示例）
    state.response = "已转接人工客服，请稍候..."
    return state

# 构建图
workflow = StateGraph(CustomerServiceState)

# 添加节点
workflow.add_node("intent_recognition", intent_recognition)
workflow.add_node("order_processing", order_processing)
workflow.add_node("knowledge_base_search", knowledge_base_search)
workflow.add_node("transfer_to_human", transfer_to_human)

# 添加边（条件路由）
workflow.add_conditional_edges(
    "intent_recognition",
    lambda state: {
        "order_query": "order_processing",
        "return_policy": "knowledge_base_search",
        "complex_issue": "transfer_to_human"
    }[state.intent],
)

# 设置入口和出口
workflow.set_entry_point("intent_recognition")
workflow.set_finish_point("order_processing", "knowledge_base_search", "transfer_to_human")

# 编译图
app = workflow.compile()

2. 意图识别模块

# 使用 BERT 模型进行意图分类（伪代码）
from transformers import BertTokenizer, BertForSequenceClassification

class IntentClassifier:
    def __init__(self):
        self.tokenizer = BertTokenizer.from_pretrained("bert-base-chinese")
        self.model = BertForSequenceClassification.from_pretrained("intent_model_path")

    def predict(self, text: str) -> str:
        inputs = self.tokenizer(text, return_tensors="pt")
        outputs = self.model(**inputs)
        predicted_class = outputs.logits.argmax().item()
        return ["order_query", "return_policy", "complex_issue"][predicted_class]

# 在 LangGraph 中调用
intent_classifier = IntentClassifier()

def intent_recognition(state: CustomerServiceState) -> CustomerServiceState:
    state.intent = intent_classifier.predict(state.input)
    return state

3. 知识库检索模块

# 使用 Elasticsearch 进行知识库检索（伪代码）
from elasticsearch import Elasticsearch

class KnowledgeBase:
    def __init__(self):
        self.es = Elasticsearch("http://localhost:9200")

    def search(self, query: str) -> str:
        res = self.es.search(index="faq", body={"query": {"match": {"content": query}}})
        return res["hits"]["hits"][0]["_source"]["answer"]

# 在 LangGraph 中调用
kb = KnowledgeBase()

def knowledge_base_search(state: CustomerServiceState) -> CustomerServiceState:
    state.response = kb.search(state.input)
    return state

4. 转人工流程

# 使用 RabbitMQ 发送消息到人工客服队列（伪代码）
import pika

def transfer_to_human(state: CustomerServiceState) -> CustomerServiceState:
    connection = pika.BlockingConnection(pika.ConnectionParameters("localhost"))
    channel = connection.channel()
    channel.queue_declare(queue="human_support")
    channel.basic_publish(exchange="", routing_key="human_support", body=state.input)
    state.response = "已转接人工客服，请稍候..."
    return state

四、关键实现细节

1. 状态管理

上下文记忆：通过 CustomerServiceState.history 存储对话历史，支持多轮对话。
状态传递：每个节点返回更新后的 State 对象，确保上下文一致性。

2. 错误处理

超时重试：在调用外部 API（如知识库）时，添加重试机制。
异常捕获：在节点函数中捕获异常并记录日志，避免流程中断。

def safe_call(func):
    def wrapper(*args, **kwargs):
        try:
            return func(*args, **kwargs)
        except Exception as e:
            logging.error(f"Error in {func.__name__}: {e}")
            return {"response": "系统异常，请稍后重试。"}
    return wrapper