开发 "聊天机器人" 的总结 | 青训营X豆包MarsCode 技术训练营开发了一个以易速鲜花业务为背景的聊天机器

在这节课中，我学习开发了一个以 易速鲜花 业务为背景的聊天机器人，并逐步增强了它的功能。以下是完整的设计流程及实现细节：

核心组件设计

聊天模型 (Chat Model)：
使用 LangChain 的 ChatOpenAI 提供自然对话能力，适合用户友好的交流。
提示模板 (Prompt Template)：
定制系统角色（如“花卉行家”），结合用户输入与历史上下文生成有针对性的响应。
记忆模块 (Memory)：
用于存储对话历史，增强对话的连贯性和上下文理解。
检索模块 (Retriever)：
用于集成企业内部知识库（如文档、流程等），提供特定领域的专业支持。

开发过程回顾

第一步：基础聊天机器人

实现一个最基本的聊天机器人，通过对话模型 ChatOpenAI 直接生成用户问答。

from langchain.schema import HumanMessage, SystemMessage
from langchain.chat_models import ChatOpenAI

# 初始化聊天模型
chat = ChatOpenAI()

# 创建初始对话消息
messages = [
    SystemMessage(content="你是一个花卉行家。"),
    HumanMessage(content="朋友喜欢淡雅的颜色，她的婚礼我选择什么花？")
]

# 获取响应
response = chat(messages)
print(response.content)

输出：根据花卉专业知识生成推荐，比如白色玫瑰、紫色满天星等。

第二步：加入记忆功能

通过 LangChain 的 ConversationBufferMemory 组件，使机器人能够记住对话历史，从而增强连贯性。

from langchain.memory import ConversationBufferMemory
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.chains import LLMChain

class ChatbotWithMemory:
    def __init__(self):
        # 初始化记忆功能
        self.memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
        self.llm = ChatOpenAI()
        self.prompt = ChatPromptTemplate(
            messages=[
                SystemMessage(content="你是一个花卉行家。"),
                MessagesPlaceholder(variable_name="chat_history"),
                HumanMessage(content="{question}")
            ]
        )
        self.conversation = LLMChain(llm=self.llm, prompt=self.prompt, memory=self.memory)

    def chat_loop(self):
        while True:
            user_input = input("你: ")
            if user_input.lower() == 'exit':
                print("再见!")
                break
            response = self.conversation({"question": user_input})
            print(f"Chatbot: {response['text']}")

第三步：增加检索功能

通过向量数据库（如 Qdrant），整合易速鲜花的内部文档资源，实现检索增强功能。

加载文档： 通过加载 .pdf, .docx, .txt 文件提取业务知识。
文本切分： 使用 RecursiveCharacterTextSplitter 对长文档分块。
嵌入向量化： 使用 OpenAIEmbeddings 生成向量表示，并存入数据库。
实现检索： 根据用户问题查找相关知识块，再结合对话模型生成专业答案。

python
复制代码
from langchain.vectorstores import Qdrant
from langchain.document_loaders import PyPDFLoader, TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains import ConversationalRetrievalChain

class ChatbotWithRetrieval:
    def __init__(self, dir):
        documents = []
        for file in os.listdir(dir):
            loader = TextLoader(os.path.join(dir, file)) if file.endswith('.txt') else PyPDFLoader(file)
            documents.extend(loader.load())
        
        # 分块与向量化
        text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=0)
        all_splits = text_splitter.split_documents(documents)
        self.vectorstore = Qdrant.from_documents(all_splits, OpenAIEmbeddings(), ":memory:")

        # 检索增强的会话链
        self.qa = ConversationalRetrievalChain.from_llm(
            llm=ChatOpenAI(), 
            retriever=self.vectorstore.as_retriever()
        )

    def chat_loop(self):
        while True:
            user_input = input("你: ")
            if user_input.lower() == 'exit':
                print("再见!")
                break
            response = self.qa(user_input)
            print(f"Chatbot: {response['answer']}")

项目回顾与成果

初版功能：
提供基础聊天能力，能够根据花卉领域专业知识生成建议。
记忆能力：
机器人能够回忆先前对话历史，增强用户体验。
检索增强：
提供基于易速鲜花内部知识的专业问答支持（如订单查询、退货流程等）。
敏捷开发：
初期功能快速上线，后续扩展功能模块。