智能评论回复 Agent

这是一个基于 LangChain 和 LangGraph 构建的智能客服项目，旨在自动分析电商平台上的用户评论，并根据评论内容生成高度定制化的回复。

✨ 项目特色

• 智能分诊: 自动分析评论的情感（正面/负面/中性）和有效性（真实评论/默认好评）。
• 动态路由: 使用 LangGraph 的条件路由，将不同类型的评论分发给不同的处理逻辑。
• RAG 增强: 对于提及“产品不会用”的负面评论，能自动从本地的 PDF 说明书 (ES.pdf) 中检索相关信息，并整合到回复中。
• 工具调用: 在负面评论处理流程中，Agent 被授权可以自主决定是否调用 read_instructions 工具来查询知识库。
• 模块化设计: 代码结构清晰，分为配置、RAG 设置、图工作流和主入口，易于维护和扩展。

🛠️ 技术栈

• 核心框架: LangChain, LangGraph
• 大语言模型 (LLM): DeepSeek API
• 嵌入模型 (Embedding): 阿里巴巴通义千问 (DashScope)
• 向量数据库: FAISS (本地)
• 数据模型: Pydantic
• 环境管理: python-dotenv

示意图

📂 项目结构

.
├── agent/
│   ├── __init__.py
│   ├── config.py           # 配置文件 (API密钥, 路径, 模型名称)
│   ├── rag_setup.py        # RAG设置 (加载PDF, 创建向量库, 定义工具)
│   ├── graph_workflow.py   # 核心工作流 (定义状态, 节点, 构建图)
│   └── main.py             # 项目入口
├── .env                    # (需要手动创建) 存放API密钥
├── .gitignore              # Git忽略文件
├── ES.pdf                  # 产品说明书知识库
├── requirements.txt        # 项目依赖
└── README.md               # 项目说明

🚀 安装与配置

1. 克隆项目

   git clone https://github.com/your-username/your-repo-name.git
   cd your-repo-name

2. 安装依赖 建议您先创建一个虚拟环境。然后运行以下命令安装所有必需的库：

   pip install -r requirements.txt

   如果 requirements.txt 文件不存在，您可以通过 pip freeze > requirements.txt 命令生成。 主要依赖包括: langchain, langgraph, faiss-cpu, pydantic, python-dotenv, langchain-community, pypdf, dashscope。

3. 配置API密钥 在项目根目录下，创建一个名为 .env 的文件。这个文件用于存放您的私密信息，不会被上传到 GitHub。

   # .env 文件内容
   DEEPSEEK_API_KEY="sk-..."
   DASHSCOPE_API_KEY="sk-..."
   

4. 准备知识库 将您的产品说明书 PDF 文件命名为 ES.pdf 并放置在项目根目录下。

🏃 如何运行

1. 首次运行: 首次运行时，程序会自动读取 ES.pdf 文件，创建向量索引并保存在 emb/ 文件夹下。这个过程可能需要一些时间。

2. 执行命令: 在项目根目录下打开终端，运行以下命令：

   python agent/main.py

   程序将执行 main.py 中预设的几个测试用例，并打印出 Agent 的完整思考流程和最终回复。

🧠 工作流程

Agent 的工作流程被构建为一个状态图 (State Graph):

1. 入口 (START): 接收原始的用户评论字符串。

2. 分析节点 (analyze_review):

   • 调用一个配置了结构化输出的 LLM。
   • 将原始评论解析为一个包含 quality, emotion, key_information 的对象。

3. 条件路由 (route_after_analysis):

   • 检查分析结果。
   • 如果 评论是无效的 (default) -> 跳转到 generate_default_reply。
   • 如果 评论是负面的 (负面) -> 跳转到 generate_negative_reply。
   • 否则 (正面/中性) -> 跳转到 generate_positive_reply。

4. 生成节点:

   • generate_positive_reply / generate_default_reply: 返回预设的模板化回复。
   • generate_negative_reply: 启动一个具备工具调用能力的子 Agent。这个 Agent 会根据收到的指令，自主判断是否需要调用 read_instructions 工具来查询说明书，然后生成包含解决方案的、安抚性的回复。

5. 终点 (END): 输出最终生成的回复内