一、项目概述
-
项目背景与目标
- 为易速鲜花市场部、销售部、客服部门员工及广大用户开发聊天机器人。
- 聊天机器人应具备长时间对话、理解用户意图、访问相关信息的能力，其核心组件包括聊天模型、提示模板、记忆和检索器（可选），关键在于记忆和检索能力。
-
技术实现步骤
- 第一步：通过 LangChain 的 ConversationChain 实现基本聊天对话工具。
- 代码示例：
# 设置OpenAI API密钥
import os
os.environ["OPENAI_API_KEY"] = 'Your OpenAI Key'
# 导入所需的库和模块
from langchain.schema import (
HumanMessage,
SystemMessage
)
from langchain.chat_models import ChatOpenAI
# 创建一个聊天模型的实例
chat = ChatOpenAI()
# 创建一个消息列表
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？")
]
# 使用聊天模型获取响应
response = chat(messages)
print(response)
-
第二步：利用 LangChain 的记忆功能让聊天机器人记住用户之前的话。
-
代码示例：
# 设置OpenAI API密钥
import os
os.environ["OPENAI_API_KEY"] = 'Your OpenAI Key'
# 导入所需的库和模块
from langchain.schema import HumanMessage, SystemMessage
from langchain.memory import ConversationBufferMemory
from langchain.prompts import (
ChatPromptTemplate,
MessagesPlaceholder,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
)
from langchain.chains import LLMChain
from langchain.chat_models import ChatOpenAI
# 设置OpenAI API密钥
os.environ["OPENAI_API_KEY"] = 'Your OpenAI Key'
# 带记忆的聊天机器人类
class ChatbotWithMemory:
def __init__(self):
# 初始化LLM
self.llm = ChatOpenAI()
# 初始化Prompt
self.prompt = ChatPromptTemplate(
messages=[
SystemMessagePromptTemplate.from_template(
"你是一个花卉行家。你通常的回答不超过30字。"
),
MessagesPlaceholder(variable_name="chat_history"),
HumanMessagePromptTemplate.from_template("{question}")
]
)
# 初始化Memory
self.memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
# 初始化LLMChain with LLM, prompt and memory
self.conversation = LLMChain(
llm=self.llm,
prompt=self.prompt,
verbose=True,
memory=self.memory
)
# 与机器人交互的函数
def chat_loop(self):
print("Chatbot 已启动! 输入'exit'来退出程序。")
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']}")
if __name__ == "__main__":
# 启动Chatbot
bot = ChatbotWithMemory()
bot.chat_loop()
- 第三步：运用 LangChain 的检索功能整合易速鲜花内部文档资料，使机器人能基于业务流程给出专业回答。
- 代码示例：
# 导入所需的库
import os
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Qdrant
from langchain.memory import ConversationSummaryMemory
from langchain.chat_models import ChatOpenAI
from langchain.chains import ConversationalRetrievalChain
from langchain.document_loaders import PyPDFLoader
from langchain.document_loaders import Docx2txtLoader
from langchain.document_loaders import TextLoader
# 设置OpenAI API密钥
os.environ["OPENAI_API_KEY"] = 'Your OpenAI Key'
# ChatBot类的实现 - 带检索功能
class ChatbotWithRetrieval:
def __init__(self, dir):
# 加载Documents
base_dir = dir # 文档的存放目录
documents = []
for file in os.listdir(base_dir):
file_path = os.path.join(base_dir, file)
if file.endswith('.pdf'):
loader = PyPDFLoader(file_path)
documents.extend(loader.load())
elif file.endswith('.docx') or file.endswith('.doc'):
loader = Docx2txtLoader(file_path)
documents.extend(loader.load())
elif file.endswith('.txt'):
loader = TextLoader(file_path)
documents.extend(loader.load())
# 文本的分割
text_splitter = RecursiveCharacterTextSplitter(chunk_size=200, chunk_overlap=0)
all_splits = text_splitter.split_documents(documents)
# 向量数据库
self.vectorstore = Qdrant.from_documents(
documents=all_splits, # 以分块的文档
embedding=OpenAIEmbeddings(), # 用OpenAI的Embedding Model做嵌入
location=":memory:", # in - memory存储
collection_name="my_documents",) # 指定collection_name
# 初始化LLM
self.llm = ChatOpenAI()
# 初始化Memory
self.memory = ConversationSummaryMemory(
llm=self.llm,
memory_key="chat_history",
return_messages=True
)
# 设置Retrieval Chain
retriever = self.vectorstore.as_retriever()
self.qa = ConversationalRetrievalChain.from_llm(
self.llm,
retriever=retriever,
memory=self.memory
)
# 交互对话的函数
def chat_loop(self):
print("Chatbot 已启动! 输入'exit'来退出程序。")
while True:
user_input = input("你: ")
if user_input.lower() == 'exit':
print("再见!")
break
# 调用Retrieval Chain
response = self.qa(user_input)
print(f"Chatbot: {response['answer']}")
if __name__ == "__main__":
# 启动Chatbot
folder = "OneFlower"
bot = ChatbotWithRetrieval(folder)
bot.chat_loop()
- 第四步：通过 LangChain 的数据库查询功能让用户可查询订单状态等信息。
- 第五步：在网络上部署及发布聊天机器人。
二、新知识学习与理解
-
LangChain 技术应用
- 提示工程：在构建聊天机器人时，通过精心设计提示模板，如在增加记忆机制的代码中，使用 ChatPromptTemplate 来组织系统消息、聊天历史占位符和用户问题模板，引导模型生成更符合预期的回答。合理的提示工程有助于提高模型对任务的理解和执行能力。
- 模型选择：选用 ChatOpenAI 作为聊天模型，它更适合对话场景，能生成自然的对话风格的回复。不同的模型在不同的应用场景下有不同的优势，选择合适的模型是构建有效聊天机器人的重要环节。
- 链的运用：LLMChain 将语言模型、提示模板和记忆等组件整合在一起，形成一个完整的对话链。在带记忆功能的聊天机器人代码中，通过 LLMChain 实现了与模型的交互，并结合记忆功能提供连贯的对话体验。ConversationalRetrievalChain 则在检索功能中发挥作用，将模型与向量数据库检索相结合，使机器人能在知识库中查找信息并回答问题。
- 代理（未在本次代码中详细体现，但在整体技术中提及） ：代理可以帮助聊天机器人决定采取何种行动，例如在复杂任务中决定是直接回答问题还是调用其他工具或服务。这为构建更智能、功能更强大的聊天机器人提供了可能性。
- RAG（检索增强生成） ：通过文档加载、文本分割、向量化等步骤将易速鲜花内部文档信息嵌入大模型知识库，实现了检索增强生成。当用户提问时，机器人先在向量数据库中检索相关文本块，再利用大模型在这些文本块上生成答案。这使得机器人不仅能依靠自身知识，还能基于特定领域的文档提供准确和专业的回答。
-
记忆与检索功能实现
- 记忆功能：使用 ConversationBufferMemory 实现记忆机制，它跟踪对话历史，在后续对话中可以利用之前的交互信息。例如，机器人能记住用户之前提到的相关内容，从而提供更有针对性和连贯性的回答。这对于需要进行多轮对话的场景非常重要，增强了用户体验。
- 检索功能：借助 RecursiveCharacterTextSplitter 将文档分割成合适的块，利用 OpenAIEmbeddings 将文本向量化，存储在 Qdrant 向量数据库中。通过设置检索器，机器人能够在向量数据库中快速查找与用户问题相关的文本块，然后基于这些文本块和大模型生成回答。这使得机器人能够获取最新的、特定于易速鲜花业务领域的信息，扩大了其知识范围，提高了回答的专业性和准确性。
三、思考与总结
-
代码重构与优化
- 思考题中提到可以用 ConversationChain 中的 Memory 来重构代码，这提示我们在实际开发中可以不断探索更简洁、高效的代码实现方式。根据提示，ConversationChain 对 Memory 和 LLMChain 进行了封装，简化了初始化 Memory 的步骤，我们可以深入研究其原理，尝试在现有代码基础上进行改进，提高代码的可读性和可维护性。
-
功能扩展
- 对于增加数据库查询功能的思考题，这是对聊天机器人功能的进一步拓展。如果实现了该功能，聊天机器人将能更好地服务于业务需求，如查询鲜花库存、销售情况等。
-
实际应用与价值
- 本聊天机器人项目为易速鲜花相关人员提供了一个实用的工具。在实际应用中，它可以提高客户服务效率，帮助市场部和销售部更好地了解产品信息和业务流程，从而提升工作效率和客户满意度。同时，通过不断优化和扩展功能，聊天机器人可以成为企业数字化转型中的重要组成部分，为企业提供更多的价值，如数据分析（通过记录和分析用户对话）、智能推荐（根据用户需求和历史记录推荐鲜花产品或服务）等。
