基于腾讯轻量云AI智能体平台，构建并部署专属电商客服助手：从开发到上线的最佳实践

# 连接到你的轻量服务器
ssh root@<你的服务器IP地址>

# 查看预置的Conda环境（名称可能略有不同，请根据镜像说明调整）
conda env list
# 通常可以激活一个基础环境，如：
conda activate base

# 安装本项目核心依赖
# 由于镜像可能已预装部分依赖，这里安装是为了确保最新和完整
pip install langchain openai chromadb tiktoken
# 安装FastAPI和Uvicorn，用于构建API服务
pip install fastapi uvicorn
# 安装python-dotenv用于管理密钥
pip install python-dotenv

import os
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from dotenv import load_dotenv

# 加载环境变量，用于存储API密钥
load_dotenv()

class EcommerceCustomerServiceAgent:
    def __init__(self):
        # 初始化LLM和Embedding模型（此处使用OpenAI API，你也可以替换为腾讯云、智谱AI等国内模型）
        self.llm = ChatOpenAI(
            model="gpt-3.5-turbo",
            openai_api_key=os.getenv("OPENAI_API_KEY"),
            base_url=os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1") # 可选，用于配置代理地址
        )
        self.embeddings = OpenAIEmbeddings(
            openai_api_key=os.getenv("OPENAI_API_KEY"),
            openai_api_base=os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1")
        )
        
        # 初始化向量数据库和检索器
        self.vectorstore = None
        self.retriever = None
        self.chain = None

    def initialize_knowledge_base(self, knowledge_file_path):
        """初始化知识库，将文本文件切分并存入向量数据库"""
        # 1. 加载文档
        loader = TextLoader(knowledge_file_path, encoding='utf-8')
        documents = loader.load()
        
        # 2. 分割文本
        text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
        splits = text_splitter.split_documents(documents)
        
        # 3. 存入向量数据库（Chroma）
        self.vectorstore = Chroma.from_documents(documents=splits, embedding=self.embeddings, persist_directory="./chroma_db")
        self.vectorstore.persist() # 持久化，下次可直接加载
        self.retriever = self.vectorstore.as_retriever(search_kwargs={"k": 3}) # 检索最相关的3个片段

        # 4. 构建Chain
        # 系统提示词，定义AI的角色和行为
        system_prompt = (
            "你是一名专业、友好的电商客服助手。请严格根据提供的上下文信息来回答用户的问题。"
            "如果上下文信息中没有答案，请直接告知用户你不清楚，并建议ta联系人工客服。"
            "回答要简洁、准确、有帮助。"
            "\n\n上下文：{context}"
        )
        prompt = ChatPromptTemplate.from_messages([
            ("system", system_prompt),
            ("human", "{input}"),
        ])
        
        # 组合文档链和检索链
        document_chain = create_stuff_documents_chain(self.llm, prompt)
        self.chain = create_retrieval_chain(self.retriever, document_chain)

    def load_existing_knowledge_base(self):
        """如果知识库已构建过，直接加载"""
        self.vectorstore = Chroma(persist_directory="./chroma_db", embedding_function=self.embeddings)
        self.retriever = self.vectorstore.as_retriever(search_kwargs={"k": 3})
        # ... 同上，构建chain ...

    def query(self, user_input):
        """向智能体提问并获取回答"""
        if not self.chain:
            raise ValueError("知识库未初始化，请先调用 initialize_knowledge_base 或 load_existing_knowledge_base")
        
        result = self.chain.invoke({"input": user_input})
        return result["answer"]

# 示例用法
if __name__ == "__main__":
    agent = EcommerceCustomerServiceAgent()
    # 首次运行，创建知识库
    # agent.initialize_knowledge_base("knowledge_base.txt") 
    
    # 非首次运行，直接加载
    agent.load_existing_knowledge_base()
    
    while True:
        question = input("用户: ")
        if question.lower() in ['quit', 'exit']:
            break
        answer = agent.query(question)
        print(f"助手: {answer}")

【退换货政策】
商品签收后7天内，在不影响二次销售的情况下，支持无理由退换货。运费由买家承担。
【物流时效】
默认发货后，全国大部分地区3-5天可达，偏远地区可能延长至5-7天。
【商品A规格】
尺寸：20cm x 15cm x 10cm，重量：1.5kg，颜色：星空黑、皓月白。
【优惠活动】
即日起至本月底，全场商品满199元减30元。
...

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from agent_core import EcommerceCustomerServiceAgent
import uvicorn

app = FastAPI(title="电商客服助手API")

# 全局加载智能体
agent = EcommerceCustomerServiceAgent()
agent.load_existing_knowledge_base()

class QueryRequest(BaseModel):
    question: str

class QueryResponse(BaseModel):
    answer: str

@app.post("/query", response_model=QueryResponse)
async def query_agent(request: QueryRequest):
    try:
        answer = agent.query(request.question)
        return QueryResponse(answer=answer)
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))

@app.get("/")
async def root():
    return {"message": "Ecommerce Customer Service Agent API is running!"}

if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=8000)

OPENAI_API_KEY=sk-your-openai-api-key-here
# 如果使用国内代理，可能需要配置 OPENAI_BASE_URL=https://api.example.com/v1

python api.py

sudo vim /etc/systemd/system/ai-customer-service.service

[Unit]
    Description=AI Ecommerce Customer Service Agent
    After=network.target

    [Service]
    User=root
    WorkingDirectory=/root/your_project_directory  # 替换成你的项目绝对路径
    ExecStart=/root/miniconda3/envs/base/bin/python /root/your_project_directory/api.py  # 替换成你的Python和项目路径
    Restart=always
    RestartSec=3
    EnvironmentFile=/root/your_project_directory/.env  # 加载环境变量

    [Install]
    WantedBy=multi-user.target

sudo systemctl daemon-reload
sudo systemctl start ai-customer-service
sudo systemctl enable ai-customer-service # 设置开机自启

sudo systemctl status ai-customer-service

curl -X POST "http://<你的服务器IP>:8000/query" -H "Content-Type: application/json" -d '{"question": "你们的退换货政策是怎样的？"}'