案例1：智能客服RAG系统¶

难度: ⭐ 入门 | 技术栈: LangChain, OpenAI, ChromaDB, Streamlit

使用RAG技术构建一个能够回答客户问题的智能客服系统

🎯 案例概述¶

本案例展示如何使用RAG技术构建一个基础的智能客服系统，能够： - 回答常见问题（FAQ） - 支持多轮对话 - 提供友好的Web界面

技术亮点¶

✅ 基于RAG的问答系统
✅ OpenAI Embeddings语义检索
✅ ChromaDB向量数据库
✅ 多轮对话（对话历史管理）
✅ Streamlit Web界面

🚀 快速开始¶

1. 安装依赖¶

cd projects/case1-customer-service
pip install -r requirements.txt

2. 配置环境¶

创建 .env 文件：

OPENAI_API_KEY=your-actual-api-key
MODEL_NAME=gpt-3.5-turbo
EMBEDDING_MODEL=text-embedding-ada-002
TOP_K=3

3. 运行系统¶

streamlit run main.py

访问：http://localhost:8501

📁 项目结构¶

case1-customer-service/
├── main.py              # Streamlit主程序
├── rag_system.py        # RAG系统核心实现
├── knowledge_base.py    # 知识库管理
├── requirements.txt     # 依赖包
└── README.md           # 详细文档

💬 核心功能¶

1. FAQ问答¶

产品使用问题
配送政策
退换货流程
支付方式

2. 订单查询¶

订单状态查询
物流跟踪
配送时间

3. 产品推荐¶

基于需求推荐
产品对比
价格咨询

4. 多轮对话¶

上下文记忆
澄清问题
引导式查询

🔑 核心代码解析¶

RAG系统初始化¶

# rag_system.py
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import ConversationalRetrievalChain

class RAGSystem:
    def __init__(self):
        # 初始化嵌入模型
        self.embeddings = OpenAIEmbeddings()

        # 加载知识库
        documents = self.load_knowledge_base()

        # 创建向量存储
        self.vectorstore = Chroma.from_documents(
            documents=documents,
            embedding=self.embeddings
        )

        # 创建对话链
        self.qa_chain = ConversationalRetrievalChain.from_llm(
            llm=ChatOpenAI(model_name="gpt-3.5-turbo"),
            retriever=self.vectorstore.as_retriever(search_kwargs={"k": 3}),
            return_source_documents=True
        )

多轮对话处理¶

def chat(message, history):
    """处理用户消息"""
    # 调用RAG系统
    response = qa_chain({
        "question": message,
        "chat_history": history
    })

    # 返回答案和来源
    return response["answer"], response["source_documents"]

📊 示例对话¶

用户: 退换货政策是什么？

客服: 根据知识库，退换货政策：支持7天无理由退换货，商品需保持完好，不影响二次销售。

用户: 运费谁承担？

客服: 退换货运费：因质量问题产生的退换货，运费由商家承担；因个人原因，运费由买家承担。

🎓 学习要点¶

通过本案例，你将学习：

RAG基础架构
文档加载和分块
向量嵌入和存储
语义检索
多轮对话实现
对话历史管理
上下文维护
提示词工程
Web界面开发
Streamlit基础
会话状态管理
用户界面设计

📈 扩展方向¶

短期优化¶

接入真实订单数据
集成更多知识源
添加用户反馈
优化对话管理

长期规划¶

接入真实客服系统
支持语音对话
多语言支持
生产环境部署

🛠️ 依赖版本¶

streamlit==1.29.0
langchain==0.1.0
chromadb==0.4.22
openai==1.7.2
python-dotenv==1.0.0

查看完整源码 →

← 返回案例列表

下一步: 尝试案例2：技术文档问答系统，学习混合检索！🚀