扣子开发汽车行业智能客服示例

《扣子开发AI Agent智能体应用 人工智能技术丛书 宋立桓 王东健 陈铭毅 程东升 清华大学出版社》【摘要 书评 试读】- 京东图书

在本节中，我们想要创建一个AI客服，用于介绍汽车领域的行业知识，因此需要利用知识库的能力。首先，梳理汽车行业知识，形成FAQ（常见问题解答）。然后，将其上传到知识库中。最后，将知识库配置到AI Agent智能体中，使其能够调用知识库的内容作为回复。完成以上步骤之后，当用户咨询Agent有关汽车领域知识的问题时，Agent将根据FAQ的内容进行回答。

传统的机器人客服只能生硬地套用FAQ，缺乏灵活性。而AI Agent智能客服则可以借助RAG（检索增强生成）的能力，优化回答的方式，并且还可以结合Agent本身的人设和目标进行回答。简而言之，AI Agent智能客服让人感觉更像是真人客服，而不是呆板的机器人。

5.5.1  创建知识库

在创建知识库时，需要注意RAG技术检索分析数据的特点。我们上传一份文件到知识库，这份文件并不是单纯地存储，而是会将内容进行切片并进行向量化。切片向量化后的内容更有助于AI检索信息，从而提升AI回答内容的关联性。

首先，我们准备一个.txt文本文件，作为汽车行业的知识库内容。文本内容如图5-7所示。

图5-7  汽车行业知识文件

在扣子平台上单击“工作空间”，找到“资源库”，然后单击右上角的“+ 资源”按钮，在菜单中选择“知识库”，如图5-8所示。

图5-8  在资源库中添加“知识库”资源

我们通过上传文档，向知识库中添加知识。这里选择文本格式，文本格式支持多种导入方式，比如本地文档、在线数据、飞书等。如图5-9所示，知识库名称填写“汽车行业知识库”，描述填写“回答汽车行业的知识”，导入类型选择“本地文档”，单击“创建并导入”按钮。

​​​​图5-9  向知识库中添加知识

打开“新增知识库”页面，如图5-10所示，单击“上传”或把文档拖入面板中，即可上传文档。

图5-10  上传知识

文件导入后，可对文档内容进行切片分段。目前扣子支持“自动分段与清洗”和“自定义”两种方式。也就是说，扣子可将文档内容自动切分为一个个文本片段进行存储，同时支持用户自定义文本分片规则，例如通过分段标识符、字符长度等方式进行文本分割，通过分段处理有助于提高检索的精准度。

这里建议读者，如果了解自己的知识库格式标准，建议选择自定义的方式。如图5-11所示，我们的文件中使用换行进行分隔，因此，分段标识符应选择“换行”，这样能使知识库的分段更加清晰和可控。

图5-11  分段策略-自定义

这里，“分段最大长度”指的是每个段落允许的最大字符数。读者可以根据自己的需求进行选择。而“文本预处理”指的是在分段开始之前，是否需要去除过多的换行符或空格。这一选项适用于一些未经常格式化的文本。此外，还可以选择去除URL和电子邮件地址，以防止信息泄露。读者可以根据自己的需要进行选择。

设置完成后，下一步服务器将开始处理分段。根据文本的长短，处理时间也会有所不同。处理完成后，单击“确认”按钮进入下一步。如图5-12所示，可以看到文本确实按照我们设置的格式进行了分隔，且分隔得很标准。

​​​​​​​

图5-12  分段效果

如果在分段处理过程中，发现某些部分不够理想，我们还可以进行手动编辑。如果整体分段效果不佳，我们也可以选择“重新分段”。此外，我们还可以继续为当前的知识库添加内容。如图5-13所示，我们又添加了一个关于汽车维修保养知识的文档。

​​​​​​​

图5-13  继续添加知识

5.5.2  创建工作流

接下来创建一个工作流，用来搭建在线客服问答的整体流程。工作流可以理解为：通过选择不同的节点把任务拆解为多个步骤，让智能体按照预设工作流程对任务进行分步处理，从而提升对复杂任务的处理效率。

进入工作空间，单击“资源库”，然后单击页面右上角的“+ 资源”按钮，在菜单中选择“工作流”，如图5-14所示。

​​​​​​​

图5-14  在资源库中创建工作流

如图5-15所示，工作流名称输入faq_online，工作流描述输入要执行的任务，这里是“智能客服知识助手”。单击“确定”按钮，工作流创建好之后，默认只有“开始”节点和“结束”节点，这两个节点中间可以添加任何节点，节点间需要连接起来。

​​​​​​​图5-15  工作流的基本信息

5.5.3  “开始”节点

“开始”节点会接受我们输入的问题，这里把输入变量名称改为question，即系统将直接从用户的聊天输入框中提取对话内容，如图5-16所示。

​​​​​​​图5-16  “开始”节点配置

5.5.4  “知识库检索”节点

接下来单击按钮添加一个“知识库检索”节点，如图5-17所示。“知识库检索”节点会从本地知识库中检索出与问题相关的知识片段。

然后配置知识库节点，如图5-18所示。在“知识库检索”页面中，Query是一个查询语句，我们这里引用的是开始节点传递过来的值，即question。知识库会根据这个Query召回（召回指的是从你选定的知识库中检索符合条件的信息并返回）最匹配的信息。单击“知识库”右边的按钮，就可以添加我们已经创建好的“汽车行业知识库”，搜索策略选择“混合”。同时勾选“查询改写”和“结果重排”复选框，以进一步优化检索结果。

  图5-17  添加知识库检索节点                       

​​​​​​​  图5-18  知识库检索配置

搜索策略是指从知识库中获取知识的搜索方式。不同的搜索策略可以更有效地找到正确的信息，从而提高生成的答案的准确性和可用性。扣子支持的搜索策略解释如下：

• 语义搜索：语义搜索是一种利用自然语言处理（NLP）和机器学习（ML）技术来理解用户查询背后的上下文和含义的搜索方式。它能够理解词与词、句与句之间的关系，适用于需要理解语义关联度和跨语言查询的场景。例如，比较两组句子：“虎追小羊”和“东北虎追山羊”；“虎追小羊”和“我爱吃炸猪排”。第一组的语义关系更强，因为它们在语义上更为相关。
• 全文搜索：基于关键词进行全文检索。它适用于查询内容包含特定名称、专有名词或术语的场景。
• 混合搜索：结合全文检索和语义检索的优势，并对结果进行综合排序，召回相关的内容片段。

最大召回数量是指从检索结果中返回给大模型使用的内容片段数量。数值越大，返回的内容片段越多。如果需要精确匹配，可以将该数值设置得小一些；如果希望内容更全面，可以将该数值设置得大一些。最小匹配度是指根据设置的匹配度选取要返回给大模型的内容片段。低于设定匹配度的内容不会被返回，该配置可以过滤掉一些低相关度的搜索结果。

5.5.5  大模型DeepSeek节点

接下来添加一个“大模型”节点，大模型配置页面如图5-19所示。这个大模型节点支持选择不同的大模型，如豆包、通义千问、DeepSeek等，我们选择DeepSeek-R1模型。读者可能会问，为什么还要连接一个大模型节点呢？这是因为知识库检索的都是内容的片段，如果我们想让内容更加符合自然语言的聊天对话形式，在这里加一个大模型的节点效果会更加自然，用户体验也会更好。在“知识库检索”节点获取到知识片段后，结合原问题组装成提示词，再送到“大模型”节点进行处理。

​​​​​​​

图5-19  “大模型”节点的模型选择

大模型节点的输入参数包括 content（知识库内容）和 question（用户提问），以及“提示词”（定义角色、任务与要求）的配置，这些配置可以让大模型更高效地处理任务，如图5-20所示。系统提示词是开发者为大语言模型设定的初始参数和行为准则，它在整个会话中持续影响大模型的响应模式。用户提示词则是在与智能体对话时，用户输入的具体指令或问题，它指导模型执行特定的任务或提供特定的信息。

通常情况下，如果提示词较少，可以将系统提示词和用户提示词都写入“用户提示词”的文本框中，这样操作也是可行的。但如果提示词较多且逻辑关系复杂，建议将它们分开输入，这样条理会更加清晰，也便于后续查看和修改。

图5-20  “大模型”节点的输入参数和提示词配置

用户提示词如下：

# 角色
你是我的知识库问答助手，以下是我的知识库内容:{{content}}。
## 任务
- 希望你能够基于我的提问从知识库中找到匹配的内容，并且进行提炼后回答我。
## 技能
- 精确理解问题，完全依据知识库内容，打造准确简明的回答。
## 约束
- 所有回答务必局限于检索到的信息，严禁自行创作无关的内容。如果未检索到任何信息，则直接回复:"你好，你的问题不在知识库中"。
## 我的提问是:{{question}}。

当然，读者可以根据自己的需求，编写更符合自己需求的提示词。需要注意的是，用户提示词的设置应该简洁明了，以便模型能够准确捕捉用户的需求。

5.5.6  “结束”节点

如图5-21所示，在输出变量中，参数名output的参数值是“大模型-output”，即在工作流的终点，“结束”节点将输出所有内容，完成整个流程的最后交付。

​​​​​​​

图5-21  “结束”节点配置

5.5.7  试运行

整个工作流如图5-22所示。从图中可以看到，这个工作流包括开始节点、知识库检索节点、大模型节点和结束节点，并依次串联。

​​​​​​​

图5-22  工作流流程

接下来我们试运行这个工作流，查看一下效果。如图5-23所示，我们在开始节点的question对话输入框中输入问题“奥迪Q3基础保养的费用是多少？”，输出结果符合我们预期。

​​​​​​​

图5-23  试运行结果

我们再输入问题“购买奥迪Q3要多少钱？”，输出结果也符合我们预期，如图5-24所示。

​​​​​​​

图5-24  试运行结果

5.5.8  发布工作流

工作流只有发布后，才能被智能体引用。单击页面右上角的“发布”按钮，弹出工作流发布对话框。如图5-25所示，在对话框中输入版本号v0.0.1和版本描述“汽车行业知识库小助手”，单击对话框下方的“发布”按钮，发布工作流。

​​​​​​​

图5-25  发布工作流

5.5.9  创建智能体

接下来，我们把这个工作流接入智能体中。单击扣子工作页面左上角的加号按钮 ，打开智能体“创建”窗口创建一个智能体，在弹出的“创建智能体”窗口中填写智能体的相关信息，智能体名称输入“汽车行业在线智能客服”，智能体功能介绍输入“可以回答汽车领域的任何问题”，如图5-26所示。

​​​​​​​

图5-26  创建智能体

在这里，我们使用单Agent（LLM模式）添加刚才发布的工作流faq_online，如图5-27所示。

​​​​​​​

图5-27  智能体添加工作流

然后定义智能体的人设（即Prompt），在编写Prompt的过程中，可以简单描述角色、要求，再利用扣子平台的AI优化功能进行完善。

# 角色

你是一个可以回答汽车行业知识的Bot，可以使用自然语言和用户进行交互

## 任务

- 将收到的问题经过工作流{{faq_online}}处理后输出，不要回复其他内容

添加智能体人设，输入问题并调试一下，效果演示如图5-28所示，结果可以满足预期。

​​​​​​​

图5-28  智能体调试效果

至此，我们的专业汽车行业客服已经搭建完成了，是不是很简单？如果学会了，就快动手试试吧！