在langchain实战课，作者使用了GPT4等进行API的调用，但是由于多种原因，使用了豆包API调用，在本文及接下来的序列文章将尽力还原读者代码和意图，并且交流在代码细节中的运用以及debug，与大家分享。此次针对实现聊天客服机器人.
目的：聊天机器人可以回答顾客的问题通过以下途径：直接通过LLM调用回答；先在RAG中调用再次回答；通过积累的memory（过往聊天记录）进行回答。
这个项目的具体技术实现步骤：
第一步： 通过LangChain的ConversationChain，实现一个最基本的聊天对话工具。
第二步： 通过LangChain中的记忆功能，让这个聊天机器人能够记住用户之前所说的话。
第三步： 通过LangChain中的检索功能，整合易速鲜花的内部文档资料，让聊天机器人不仅能够基于自己的知识，还可以基于易速鲜花的业务流程，给出专业的回答。
第四步（可选）： 通过LangChain中的数据库查询功能，让用户可以输入订单号来查询订单状态，或者看看有没有存货等等。
第五步： 在网络上部署及发布这个聊天机器人，供企业内部员工和易速鲜花用户使用。
在上面的 5 个步骤中，我们使用到了很多LangChain技术，包括提示工程、模型、链、代理、RAG、数据库检索等。
思考题：
-
对易速鲜花Chatbot的全面改进建议： 首先在架构层面引入基于BERT的意图识别系统，将用户问题准确分类到订单查询、产品咨询、投诉建议等类别。在检索系统方面，采用Milvus向量数据库存储文档嵌入向量，结合语义相似度打分提升RAG检索准确度。引入基于Redis的对话状态管理，跟踪多轮对话上下文，实现更自然的交互。集成百度AI开放平台的情感分析API，根据用户情绪动态调整回复语气。建立规则引擎，当置信度低于阈值或检测到负面情绪时自动转人工。使用ElasticSearch构建商品、文章等信息的全文检索，支持拼音、同义词等模糊匹配。
-
基于Flask框架的Chatbot UI重构方案： 后端使用Flask+WebSocket实现全双工通信，支持实时消息推送和typing状态展示。集成Flask-Login处理用户认证，使用Redis存储会话信息。实现文件上传接口支持图片发送，订单查询接口对接数据库。前端采用React组件化开发，使用Material-UI组件库构建现代化界面，引入打字机效果的动画组件优化体验。快捷回复模块支持热门问题一键发送，并可后台配置。WebSocket连接状态管理，自动重连机制，消息排队与重发确保可靠通信。响应式布局适配移动端。
