商家AI助手-对话助手（LangChain）

from langchain_community.document_loaders import WebBaseLoader, UnstructuredFileLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain.tools.retriever import create_retriever_tool
# 1. 从多个来源加载数据 (伪代码示例)
loaders = [
    WebBaseLoader("https://merchant-platform.com/help-center/rules"), # 爬取平台规则网页
    UnstructuredFileLoader("./local_docs/merchant_guide.pdf"),        # 加载本地商户指南
    # ... 可以从数据库、API等更多来源加载
]
documents = []
for loader in loaders:
    documents.extend(loader.load())
# 2. 将文档分割成块
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
docs = text_splitter.split_documents(documents)
# 3. & 4. 嵌入并存储到向量库 (使用开源嵌入模型示例)
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
vectorstore = FAISS.from_documents(docs, embeddings)
# 5. 创建检索器并将其封装为一个可供Agent调用的“工具”
retriever = vectorstore.as_retriever(search_kwargs={"k": 3}) # 检索最相关的3个片段
knowledge_base_tool = create_retriever_tool(
    retriever,
    "ecommerce_knowledge_search",
    "搜索电商平台规则、商品管理指南和常见问题解答文档。输入应为具体问题。"
)

from langchain.agents import tool
from some_merchant_sdk import MerchantAPI # 假设的商户平台API客户端
# 示例工具1：创建优惠券
@tool
def create_coupon_tool(discount_amount: int, coupon_type: str, validity_days: int):
    """为店铺创建并发布一个新的优惠券。输入应包括折扣金额、优惠券类型（如满减、折扣）和有效天数。"""
    # 这里是实际的业务逻辑，调用电商平台的API
    api = MerchantAPI(api_key="YOUR_KEY")
    result = api.create_coupon(discount_amount, coupon_type, validity_days)
    return f"优惠券创建成功！券ID: {result['id']}, 领取链接: {result['url']}"
# 示例工具2：检查库存
@tool
def check_inventory_tool(product_id: str):
    """根据商品ID查询该商品的当前库存水平。"""
    api = MerchantAPI(api_key="YOUR_KEY")
    inventory = api.get_inventory(product_id)
    return f"商品 {product_id} 的当前库存为: {inventory['quantity']} 件。"
# 将所有工具组合成一个列表
tools = [knowledge_base_tool, create_coupon_tool, check_inventory_tool, ...]
# 将工具绑定给LLM，并创建Agent
from langchain.agents import create_tool_calling_agent
from langchain.agents import AgentExecutor
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4o", temperature=0)
agent = create_tool_calling_agent(model, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 使用Agent处理用户请求（模型会自动选择调用check_inventory_tool）
result = agent_executor.invoke({"input": "帮我查一下商品P12345还有多少库存？"})
print(result["output"])

from langchain_community.chat_message_histories import RedisChatMessageHistory
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
# 连接到Redis存储对话历史
def get_session_history(session_id: str):
    return RedisChatMessageHistory(session_id, url="redis://localhost:6379")
# 定义提示模板，其中专门有一个位置用于存放历史消息
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的电商客服助手，请友好且专业地回答商户问题。"),
    MessagesPlaceholder(variable_name="chat_history"), # 历史记录注入点
    ("human", "{input}"),
])
# 创建Chain
chain = prompt | model
# 将Chain包装成一个带有记忆功能的可运行对象
agent_with_memory = RunnableWithMessageHistory(
    chain,
    get_session_history, # 告诉它如何获取历史
    input_messages_key="input",
    history_messages_key="chat_history",
)
# 使用session_id来调用，实现记忆功能
config = {"configurable": {"session_id": "merchant_456"}} # 商户ID作为session_id
response = agent_with_memory.invoke(
    {"input": "我之前咨询过的那个运费模板设置好了吗？"},
    config=config
)
print(response)
# 助手会记得在这个session_id下的所有对话，并可以回答关于之前设置的运费模板的问题。