多智能体客服系统

项目概述

这是一个基于LangGraph构建的多智能体客服系统，支持产品咨询、技术支持、账单处理、投诉处理等多种业务场景。系统采用模块化设计，每个智能体独立运行，通过配置文件定义工作流程。

项目结构

customer-service-ai-agent/
├── agents/ # 智能体模块
│ ├── init.py # 智能体包初始化
│ ├── base_agent.py # 基础智能体类
│ ├── product_agent.py # 产品专家智能体
│ ├── tech_agent.py # 技术支持专家智能体
│ ├── billing_agent.py # 账单专家智能体
│ ├── complaint_agent.py # 投诉处理专家智能体
│ └── general_agent.py # 综合客服智能体
├── tools/ # 工具函数模块
│ ├── init.py # 工具包初始化
│ └── query_tools.py # 查询分类工具
├── templates/ # Web界面模板
│ └── index.html # 主页面HTML模板
├── config.py # 基础配置文件
├── multi_agent_customer_service.py # 主程序文件（LangGraph工作流）
├── session_manager.py # 会话管理器（LangChain标准接口）
├── web_app.py # Web应用（Flask + LangGraph API）
├── langgraph.json # LangGraph工作流配置
├── requirements.txt # 项目依赖
├── .env # 环境变量配置
├── README.md # 项目说明文档
└── README_LangGraph_CLI.md # LangGraph CLI使用说明

主要特性

1. 模块化智能体设计

• 每个智能体独立实现，职责单一
• 基于抽象基类，便于扩展和维护
• 支持动态LLM注入

2. 配置驱动的工作流

• 工作流定义在langgraph.json中
• 支持条件路由和直接连接
• 无需硬编码流程逻辑

3. 专业的业务领域

• 产品专家: 产品信息咨询和推荐
• 技术支持专家: 技术问题诊断和解决
• 账单专家: 财务和账单问题处理
• 投诉处理专家: 客户投诉和建议处理
• 综合客服: 一般咨询处理

4. 智能对话上下文管理

• 会话管理: 支持多会话并发，每个会话独立管理
• 历史对话缓存: 完整的对话历史记录，包含时间戳和角色标识
• 上下文感知: 智能体基于历史对话生成连贯、个性化的回答
• 记忆功能: 集成LangChain记忆组件，支持长期对话记忆
• 多轮对话: 同一会话内支持连续对话，避免重复信息

安装和配置

1. 安装依赖

pip install -r requirements.txt
pip install langgraph-cli
pip install -U "langgraph-cli[inmem]"

在win环境中，langgraph-cli下载后，需要将langgraph.exe路径加入PATH环境变量。或者使用时直接带全路径，例<your site-packages>\bin\langgraph.exe

2. 环境变量配置

复制 env_example.txt 为 .env 文件并配置。

3. 图结构自检

python multi_agent_customer_service.py

🚀 运行说明

方式1：使用Studio UI访问langgraph服务

langgraph dev

启动后，会自动拉起LangSmith服务，包含LangStudio UI，默认2024端口。使用浏览器访问https://smith.langchain.com/studio/thread?render=interact&baseUrl=http://127.0.0.1:2024

方式2：使用Web服务调用langgraph api

## 终端1：启动LangGraph服务
langgraph dev

## 终端2：启动自定义Web服务
python ./web_app.py

使用浏览器访问http://localhost:5000，界面功能：

• 实时聊天: 输入问题，获得智能回复
• 智能体信息: 显示当前处理问题的专家和查询类型
• 历史管理: 查看、清除对话历史
• 数据导出: 导出对话记录用于分析

方式3：直接API调用

接口文档访问地址默认http://127.0.0.1:2024/docs，内嵌了js需要挂梯子。也可参考https://langchain-ai.github.io/langgraph/cloud/reference/api/api_ref.html

需要langgraph dev启动LangGraph服务。

运行效果

工作流

多轮对话

工作流程

1. 会话创建: 为每个客户创建唯一会话ID
2. 查询分类: 系统自动分析客户查询类型
3. 上下文加载: 加载历史对话上下文
4. 智能体路由: 根据查询类型路由到相应的专业智能体
5. 专业处理: 专业智能体基于上下文处理客户查询
6. 响应生成: 生成最终响应并更新会话历史
7. 状态保存: 保存对话状态和记忆信息

工作流程图

客户查询 → 会话管理 → 查询分类 → 上下文加载 → 智能体路由 → 专业处理 → 最终响应
    ↓         ↓         ↓         ↓          ↓          ↓         ↓
  输入    会话创建   类型识别   历史加载    专家选择    专业解答    格式化输出
                ↓
            状态保存

状态管理

系统使用 AgentState 来管理整个工作流的状态：

• customer_query: 客户查询内容
• query_type: 查询类型分类
• current_agent: 当前处理智能体
• response: 智能体回复
• tools_used: 使用的工具列表
• session_id: 会话唯一标识
• conversation_history: 对话历史记录
• memory: LangChain记忆组件

关于硅基流动API

系统中llm大模型使用的是硅基流动模型服务商，也可选其他，都是使用统一的openAI接口规范。

优势特点

• 国内服务: 访问速度快，延迟低
• 价格实惠: 相比其他API服务更经济
• 模型丰富: 支持多种开源模型
• API兼容: 完全兼容OpenAI API格式
• 配置简单: 只需设置API密钥和模型名称

推荐模型

• qwen2.5-7b-instruct - 性价比高，适合一般应用
• qwen2.5-14b-instruct - 性能更好，适合复杂任务
• llama3.1-8b-instruct - 通用性强，稳定性好
• mistral-7b-instruct - 推理能力强

扩展指南

添加新的智能体

1. 在agents/目录下创建新的智能体文件
2. 继承BaseAgent类并实现process方法
3. 在agents/__init__.py中导入新智能体
4. 在langgraph.json中添加节点和边配置

添加新的工具函数

1. 在tools/目录下创建新的工具文件
2. 使用@tool装饰器定义工具
3. 在tools/__init__.py中导入新工具

修改工作流程

1. 编辑langgraph.json文件
2. 修改节点、边和路由配置
3. 重启系统应用新配置

技术架构

• LangGraph: 工作流编排框架
• LangChain Core: LLM集成和消息处理
• 硅基流动API: 大语言模型服务
• 模块化设计: 高内聚、低耦合的架构

相关文档

• README_LangGraph_CLI.md - LangGraph CLI使用指南
• langgraph.json - 工作流配置文件
• LangGraph API服务搭建
• LangGraph MCP适配器