手撕代码：用 LangChain 构建一个“绝不撒谎”的客服 AI (附完整代码)

gptplusplus

于 2025-07-27 19:21:15 发布

阅读量120

点赞数 2

CC 4.0 BY-SA版权

文章标签：人工智能 langchain

本文链接：https://blog.youkuaiyun.com/gptplusplus/article/details/149694528

摘要：理论听了千百遍，不如亲手敲行代码。本文将彻底告别空谈，基于Python和LangChain框架，从0到1带你构建一个有“职业操守”的AI客服。它只根据你提供的知识库回答问题，当知识库没有答案时，它会干脆利落地承认“我不知道”，而不是一本正经地胡说八道。

前言：为什么你的AI客服总在“自由发挥”？

如果你只是简单地将用户问题丢给大模型，那么AI的回答将是不可控的。因为它会动用它庞大的、但可能过时或错误的内部知识。我们的目标，是为AI带上“缰绳”，强制它成为一个只从我们私有知识库中寻找答案的“检索员”+“总结员”。

这套方法论就是RAG（Retrieval-Augmented Generation）。接下来，我们将用代码实现它。

Step 1: 环境准备与项目设定

首先，确保你的Python环境中安装了必要的库。

Bash

pip install langchain openai faiss-cpu tiktoken

langchain: 我们的核心编排框架。
openai: 用于调用大模型API（本文以此为例，你也可以换成其他模型）。
faiss-cpu: 一个轻量级的本地向量数据库，用于存储和搜索我们的知识。
tiktoken: 用于文本分词。

然后，配置你的API密钥（例如，在环境变量中设置OPENAI_API_KEY）。

最后，我们创建项目的核心——知识库。新建一个名为knowledge_base.txt的文件，这就是我们AI客服的“唯一事实来源”。

knowledge_base.txt

# 2025年夏季大促活动政策

## 关于退货政策
所有在2025年7月1日至7月31日期间购买的“夏日限定”系列商品，享受30天无理由退货服务。退货商品需保持包装完好，不影响二次销售。常规商品维持原有的14天退货政策。

## 关于优惠券使用
活动期间，用户可领取一张“满300减50”的优惠券，每个账户限领一次。该优惠券不可与会员折扣同时使用。优惠券有效期至2025年8月15日。

## 关于发货时间
由于订单量激增，活动期间的订单将在支付成功后的72小时内发货。我们将优先处理顺丰速运可达的地区。

Step 2: 知识库的“数字化”——加载、切分与向量化

现在，我们用代码将这份文档加载进来，并将其转化为AI能够理解的格式。

Python

import os
from langchain_community.document_loaders import TextLoader
from langchain_openai import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import FAISS

# 请确保你已设置 OPENAI_API_KEY 环境变量
# os.environ["OPENAI_API_KEY"] = "sk-..."

# 1. 加载文档
loader = TextLoader("knowledge_base.txt")
documents = loader.load()

# 2. 切分文档
# RecursiveCharacterTextSplitter 是一个很好的选择，它会按段落、句子等语义单位切分
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs = text_splitter.split_documents(documents)

print(f"文档被切分成了 {len(docs)} 个块")

# 3. 向量化与存入数据库
# embeddings 模型负责将文本块转换为数学向量
embeddings = OpenAIEmbeddings()
# FAISS 是一个高效的本地向量数据库
db = FAISS.from_documents(docs, embeddings)

# 将数据库保存到本地，方便后续直接加载使用
db.save_local("faiss_index")

运行以上代码后，你就拥有了一个名为faiss_index的本地向量数据库。这是我们AI的“长期记忆”，它已经“学习”了知识库里的全部内容。

Step 3: 构建“绝不撒谎”的问答链（RAG Chain）

这是整个项目的核心。我们将构建一个工作流，它会先根据用户问题去向量数据库中检索最相关的知识，然后将这些知识连同问题一起交给大模型，并用一个“铁律”般的Prompt来约束它。

Python

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI

# 加载之前创建的数据库
embeddings = OpenAIEmbeddings()
db = FAISS.load_local("faiss_index", embeddings, allow_dangerous_deserialization=True)

# 创建一个检索器
retriever = db.as_retriever()

# 1. 定义核心Prompt模板
# 这是防止AI幻觉的关键！我们给了它非常严格的指令。
template = """
你是一个专业的客服机器人。请严格根据下面提供的【背景知识】来回答问题。
如果【背景知识】中没有相关信息，就直接回答：“抱歉，关于这个问题我没有查到相关信息，您可以咨询人工客服。”
禁止编造或使用你自己的知识。

【背景知识】
{context}

【用户问题】
{question}
"""
prompt = ChatPromptTemplate.from_template(template)

# 2. 初始化大语言模型
# 我们将 temperature 设置为 0，最大程度减少随机性/创造性
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)

# 3. 构建RAG链 (使用LangChain表达式语言 LCEL)
# 这是一个非常清晰的声明式工作流
rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

# --- 测试我们的问答链 ---

# 测试1：问题在知识库中有明确答案
question1 = "夏日限定商品可以退货吗？"
print(f"提问: {question1}")
response1 = rag_chain.invoke(question1)
print(f"回答: {response1}\n")

# 测试2：问题在知识库中没有答案
question2 = "你们支持货到付款吗？"
print(f"提问: {question2}")
response2 = rag_chain.invoke(question2)
print(f"回答: {response2}\n")

# 测试3：一个更复杂的问题
question3 = "我既是会员，也想用那个满减券，可以一起用吗？"
print(f"提问: {question3}")
response3 = rag_chain.invoke(question3)
print(f"回答: {response3}\n")

预期输出：

提问: 夏日限定商品可以退货吗？
回答: 可以的，在2025年7月1日至7月31日期间购买的“夏日限定”系列商品，享受30天无理由退货服务，但需要保持包装完好。

提问: 你们支持货到付款吗？
回答: 抱歉，关于这个问题我没有查到相关信息，您可以咨询人工客服。

提问: 我既是会员，也想用那个满减券，可以一起用吗？
回答: 根据背景知识，活动期间的“满300减50”优惠券不可与会员折扣同时使用。

看到结果了吗？我们的AI客服做到了：