基于LangChain的智能客服系统

发表于

项目概述

本项目使用LangChain框架搭建了一个智能客服系统，专门用于招聘平台场景。系统集成了多种高级特性，包括大语言模型(LLM)、函数工具(Function Tool)、检索增强生成(RAG)等，为用户提供专业、准确的招聘相关信息和服务。

项目目标

  • 构建一个基于LangChain的智能客服系统
  • 集成多种高级特性，包括LLM、Function Tool、RAG等
  • 适应招聘平台场景，提供专业的招聘相关服务
  • 实现智能问答、信息检索、工具调用等功能

技术栈分析

技术/框架 版本 用途 来源
Python 3.12 编程语言 系统环境
LangChain 1.2.13 构建LLM应用的框架 pip安装
LangChain Community 0.4.1 提供社区集成的组件 pip安装
DashScope 1.25.15 调用通义千问模型 pip安装
Chroma 1.5.5 向量存储库 pip安装
HuggingFace Embeddings - 文本嵌入模型 pip安装
Sentence-Transformers 5.3.0 sentence embeddings pip安装

项目流程

系统架构

1
2
3
4
5
6
7
8
9
10
11
12
13
flowchart TD
    A[用户输入] --> B[智能客服系统]
    B --> C[LLM模型]
    B --> D[工具调用]
    B --> E[RAG检索]
    D --> F[职位信息查询]
    D --> G[公司信息查询]
    E --> H[招聘平台手册]
    F --> C
    G --> C
    H --> C
    C --> I[生成回复]
    I --> J[返回给用户]

核心流程

  1. 系统初始化
    • 加载环境变量
    • 创建示例文档（招聘平台使用指南）
    • 加载文档并分割成文本块
    • 初始化嵌入模型
    • 创建向量存储和检索器
  2. 用户交互
    • 接收用户输入
    • 调用agent处理用户请求
    • 根据需要调用工具（职位信息查询、公司信息查询、招聘平台信息检索）
    • 生成回复并返回给用户
  3. 工具调用流程
    • agent分析用户请求
    • 选择合适的工具
    • 执行工具并获取结果
    • 将结果整合到回复中
  4. RAG流程
    • 接收用户查询
    • 使用检索器从文档中检索相关信息
    • 将检索到的信息与用户查询一起发送给LLM
    • LLM基于检索到的信息生成回复

功能模块

工具函数模块

  • 职位信息查询：根据职位ID查询职位详细信息，包括职位名称、薪资范围和工作地点
  • 公司信息查询：根据公司ID查询公司详细信息，包括公司名称、规模和行业
  • 招聘平台信息检索：根据用户查询从招聘平台手册中检索相关信息

RAG模块

  • 文档处理：加载和分割招聘平台手册
  • 向量存储：使用Chroma存储文档的向量表示
  • 检索器：根据用户查询检索相关文档片段

对话管理模块

  • 用户输入处理：接收和处理用户输入
  • agent调用：使用LangChain的agent处理用户请求
  • 回复生成：基于LLM生成专业、准确的回复

演示效果

智能客服系统演示

职位信息查询

用户输入：查询职位 J001 的信息

系统回复：职位 J001: 软件工程师, 薪资: ¥20000-30000/月, 地点: 北京

公司信息查询

用户输入：查询公司 C001 的信息

系统回复：公司 C001: 科技有限公司, 规模: 500-1000人, 行业: 互联网

招聘平台信息检索

用户输入：职位发布规则是什么？

系统回复：根据招聘平台使用指南，职位发布规则包括：

  • 企业发布职位需提供真实有效的公司信息
  • 职位描述应清晰、准确，包含职责、要求和薪资范围
  • 不得发布虚假职位或违规内容

综合查询

用户输入：我想了解简历投递流程

系统回复：根据招聘平台使用指南，简历投递流程包括：

  • 求职者可通过平台直接投递简历
  • 企业应在3个工作日内查看并回复
  • 平台支持多种简历格式上传

思维导图

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
mindmap
    root(智能客服系统)
        技术栈
            LangChain
            DashScope
            Chroma
            HuggingFace Embeddings
        功能模块
            工具函数
                职位信息查询
                公司信息查询
            RAG模块
                文档处理
                向量存储
                检索器
            对话管理
                用户输入处理
                agent调用
                回复生成
        核心流程
            系统初始化
            用户交互
            工具调用
            RAG检索
        应用场景
            招聘平台
            职位查询
            公司信息查询
            招聘政策咨询

代码结构

主要文件

  • lagents.py：主脚本，包含系统的核心实现
  • recruitment_platform_manual.txt：招聘平台使用指南，用于RAG检索

核心代码结构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
# 1. 导入依赖
from langchain.agents import create_agent
from langchain_community.chat_models import ChatTongyi
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import TextLoader
from dotenv import load_dotenv
import os

# 2. 定义工具函数
def get_job_info(job_id: str) -> str:
    # 职位信息查询逻辑

def get_company_info(company_id: str) -> str:
    # 公司信息查询逻辑

# 3. 准备RAG所需的文档
# 创建示例文档
# 加载文档
# 分割文档
# 初始化嵌入模型
# 创建向量存储和检索器

# 4. 定义RAG工具
def retrieve_recruitment_info(query: str) -> str:
    # 检索招聘平台信息逻辑

# 5. 工具列表
tools = [get_job_info, get_company_info, retrieve_recruitment_info]

# 6. 系统提示
SYSTEM_PROMPT = """你是一个专业的招聘平台客服助手..."""

# 7. 创建agent
model = ChatTongyi(model="qwen-max")
agent = create_agent(
    model=model,
    tools=tools,
    system_prompt=SYSTEM_PROMPT
)

# 8. 运行agent
print("智能客服系统已启动，输入'退出'结束对话")
while True:
    user_input = input("用户: ")
    if user_input == "退出":
        break
    result = agent.invoke(
        {"messages": [{"role": "user", "content": user_input}]}
    )
    # 提取并打印客服回复

总结与展望

项目成果

  • 成功构建了一个基于LangChain的智能客服系统
  • 集成了LLM、Function Tool、RAG等高级特性
  • 适应了招聘平台场景，提供专业的招聘相关服务
  • 实现了智能问答、信息检索、工具调用等功能
  • 系统能够根据用户查询提供准确、全面的回答

未来展望

  • 功能扩展：添加更多工具函数，如面试技巧查询、薪资行情查询等
  • 性能优化：优化向量存储和检索性能，提高系统响应速度
  • 用户体验：添加对话历史记录、多轮对话支持等功能
  • 部署方案：将系统部署为Web服务，提供API接口
  • 模型优化：尝试使用不同的LLM模型，优化系统性能和准确性

技术亮点

  • 模块化设计：系统采用模块化设计，易于扩展和维护
  • 多技术集成：集成了LLM、Function Tool、RAG等多种技术
  • 实时检索：使用向量存储和检索技术，实现实时信息检索
  • 智能工具调用：agent能够根据用户需求智能选择和调用工具
  • 专业领域适配：针对招聘平台场景进行了专门的优化和适配

结论

本项目成功构建了一个基于LangChain的智能客服系统，专门用于招聘平台场景。系统集成了多种高级特性，包括LLM、Function Tool、RAG等，为用户提供专业、准确的招聘相关信息和服务。通过模块化设计和技术集成，系统具有良好的扩展性和可维护性，能够满足招聘平台的各种客服需求。

未来，我们可以通过功能扩展、性能优化、用户体验提升等方式，进一步完善系统，使其成为招聘平台的重要工具，为用户提供更加优质的服务。