引言

随着人工智能技术的快速发展，构建智能化的客服系统已成为企业提升服务质量的重要手段。传统的客服系统往往依赖人工处理，效率低下且成本高昂。而基于检索增强生成（Retrieval-Augmented Generation, RAG）技术的客服系统，能够有效结合大量知识库信息，提供准确、及时的自动回复。

本文将详细介绍如何使用LangChain框架和RAG技术构建一个智能客服问答系统，该系统能够基于项目文档自动回答用户问题，大大提升了客服效率和用户体验。

项目架构概述

本项目采用以下技术架构：

• LangChain框架: 用于构建语言模型应用
• RAG技术: 检索增强生成，结合知识库信息生成回答
• Ollama: 本地大语言模型服务
• FAISS: 高效的向量相似性搜索库
• Qwen2.5: 主要语言模型

项目包含以下核心组件：

• 知识库构建模块
• 向量数据库管理
• 问题检索与匹配
• 智能回答生成

项目依赖

首先，让我们看看项目的完整依赖配置：

langchain==1.2.0langchain-classic==1.0.1langchain-community==0.4.1langchain-core==1.2.6langchain-ollama==1.0.1langchain-text-splitters==1.1.0requestsPyYAMLfaiss-cpu

这些依赖库是构建RAG客服系统的核心组件，其中LangChain用于构建应用框架，Ollama用于本地模型部署，FAISS用于向量存储和检索。

完整代码实现

下面是完整的RAG客服问答系统实现代码：

#!/usr/bin/env python3# -*- coding: utf-8 -*-"""RAG客服系统演示脚本展示基于检索增强生成的客服问答功能"""from langchain_core.prompts import ChatPromptTemplatefrom langchain_ollama import ChatOllamafrom langchain_text_splitters import RecursiveCharacterTextSplitterfrom langchain_community.vectorstores import FAISSfrom langchain_ollama import OllamaEmbeddingsfrom langchain_core.documents import Documentfrom langchain_core.output_parsers import StrOutputParserfrom langchain_core.runnables import RunnablePassthroughimport timedef format_docs(docs):    """格式化文档"""    return "\n\n".join([doc.page_content for doc in docs])def demo_rag_customer_service():    """演示RAG客服系统"""    print("演示: 基于RAG的客服问答系统")    print("=" * 60)        # 项目相关的知识库文档    knowledge_base = [        Document(            page_content="""            项目名称: 基于LangChain与Ollama的Qwen2.5智能助手            项目功能: 构建一个支持网络搜索、数学计算、节假日查询的本地AI Agent            核心技术: LangChain, Ollama, Qwen2.5模型            项目目标: 提供一个功能丰富、可扩展的本地AI助手解决方案            """,            metadata={"source": "project_overview"}        ),        Document(            page_content="""            agent.py - Agent核心创建模块            功能: 创建工具调用Agent，包含Qwen2.5模型初始化、提示模板定义、Agent执行器创建            主要函数: create_qwen_agent()            使用的模型: qwen2.5:7b            API端点: http://localhost:11434            作用: 定义AI Agent的核心逻辑和行为            """,            metadata={"source": "agent_module"}        ),        Document(            page_content="""            tools.py - 工具函数模块            功能: 定义AI Agent可使用的各种工具            包含工具:            - 网络搜索工具 (DuckDuckGoSearchRun)            - 数学计算器 (calculator)            - 节假日查询工具 (get_today_holiday, get_date_holiday, get_month_holidays, get_year_holidays)            - Python代码解释器 (python_code_interpreter)            - 天气查询工具 (get_weather)            - 货币兑换工具 (currency_converter)            - 股票价格查询工具 (get_stock_price)            - YAML处理工具 (yaml_parser, yaml_generator, read_yaml_file, write_yaml_file)            """,            metadata={"source": "tools_module"}        ),        Document(            page_content="""            run.py - 主运行模块            功能: 提供用户交互界面，启动Agent并处理用户输入            交互方式: 命令行输入输出            退出命令: exit, quit, bye            作用: 项目的入口点，负责用户交互循环            """,            metadata={"source": "run_module"}        ),        Document(            page_content="""            LangChain框架介绍:            LangChain是一个强大的框架，用于构建语言模型驱动的应用程序。            核心组件:            - Prompts: 定义如何向语言模型提出问题            - LLMs: 语言模型接口            - Chains: 将多个组件链接在一起            - Agents: 使用工具的语言模型            - Memory: 在请求之间保持状态            - Tools: 允许Agent访问外部系统的功能            """,            metadata={"source": "langchain_intro"}        ),        Document(            page_content="""            RAG系统 (Retrieval-Augmented Generation):            RAG代表检索增强生成，是一种结合检索和生成的技术。            工作原理:            1. 将文档转换为向量并存储在向量数据库中            2. 将用户问题转换为向量            3. 在向量数据库中搜索最相似的文档            4. 将检索到的文档与问题一起发送给语言模型            5. 语言模型基于上下文生成答案            优势: 提高回答的准确性和相关性            """,            metadata={"source": "rag_system"}        ),        Document(            page_content="""            安装和部署:            1. 安装依赖: pip install -r requirements.txt            2. 启动Ollama服务: ollama serve            3. 下载模型: ollama pull qwen2.5:7b            4. 运行程序: python run.py            确保Ollama服务在 http://localhost:11434 运行            """,            metadata={"source": "installation"}        ),        Document(            page_content="""            常见问题解答:            Q: 如何启动项目?            A: 首先运行 'ollama serve'，然后下载模型 'ollama pull qwen2.5:7b'，最后运行 'python run.py'                        Q: 如何使用工具?            A: Agent会自动根据问题内容选择合适的工具，用户无需手动调用                        Q: 支持哪些功能?            A: 支持网络搜索、数学计算、节假日查询、天气查询、货币兑换、股票价格查询、YAML处理等                        Q: 如何扩展功能?            A: 可以通过在tools.py中添加新的工具函数来扩展功能            """,            metadata={"source": "faq"}        ),        Document(            page_content="""            YAML处理功能:            项目支持YAML格式处理，包括:            - yaml_parser: 解析YAML内容            - yaml_generator: 将字典转换为YAML格式            - read_yaml_file: 读取YAML文件            - write_yaml_file: 写入YAML文件            依赖: PyYAML库            """,            metadata={"source": "yaml_features"}        )    ]        print("步骤 1: 创建知识库...")    print(f"  - 知识库包含 {len(knowledge_base)} 个文档片段")        # 分割文档    print("步骤 2: 分割文档...")    text_splitter = RecursiveCharacterTextSplitter(chunk_size=300, chunk_overlap=50)    split_docs = text_splitter.split_documents(knowledge_base)    print(f"  - 分割后得到 {len(split_docs)} 个文档块")        # 创建嵌入和向量存储    print("步骤 3: 创建向量数据库...")    try:        embeddings = OllamaEmbeddings(model="nomic-embed-text", base_url="http://localhost:11434")        vectorstore = FAISS.from_documents(split_docs, embeddings)        retriever = vectorstore.as_retriever(search_kwargs={"k": 2})        print("  - 向量数据库创建成功")    except Exception as e:        print(f"  - 创建向量数据库时出错: {e}")        return        # 初始化语言模型    print("步骤 4: 初始化语言模型...")    try:        llm = ChatOllama(model="qwen2.5:7b", base_url="http://localhost:11434", temperature=0.2)        print("  - 语言模型初始化成功")    except Exception as e:        print(f"  - 初始化语言模型时出错: {e}")        return        # 客服问答提示模板    customer_service_prompt = ChatPromptTemplate.from_messages([        ("system", """你是一个 helpful 的客服助手，专门回答关于LangChain与Ollama Qwen2.5智能助手项目的问题。        使用以下上下文信息来回答用户的问题。如果上下文信息不足以回答问题，请说明你无法根据现有信息回答。        保持回答专业、准确且有帮助。        上下文信息:        {context}"""),        ("human", "问题: {question}\n\n请提供详细且有用的回答。")    ])        # 创建RAG链    rag_chain = (        {"context": retriever | format_docs, "question": RunnablePassthrough()}        | customer_service_prompt        | llm        | StrOutputParser()    )        print("步骤 5: RAG链创建成功")    print()        # 演示常见问题的回答    print("步骤 6: 演示常见问题的回答")    print("-" * 40)        demo_questions = [        "这个项目是做什么的?",        "如何安装这个项目?",        "有哪些工具可以使用?",        "agent.py文件的作用是什么?"    ]        for i, question in enumerate(demo_questions, 1):        print(f"问题 {i}: {question}")                # 检索相关文档        relevant_docs = retriever.invoke(question)        print(f"  - 检索到 {len(relevant_docs)} 个相关文档片段")                # 生成回答        try:            print("  - 生成回答中...")            response = rag_chain.invoke(question)            print(f"  - 客服回答: {response[:300]}...")  # 显示前300个字符        except Exception as e:            print(f"  - 生成回答时出错: {e}")                print()        time.sleep(1)  # 短暂延迟，让演示更清晰        print("=" * 60)    print("RAG客服系统工作原理:")    print("1. 将项目文档存储在向量数据库中 (知识库)")    print("2. 当用户提问时，系统检索最相关的文档片段")    print("3. 将检索到的文档与用户问题一起发送给AI模型")    print("4. AI模型基于上下文生成准确的回答")    print("5. 这样可以确保回答基于项目的真实信息")    print()    print("系统优势:")    print("- 回答准确: 基于真实文档内容")    print("- 上下文感知: 结合检索信息生成回答")    print("- 可扩展: 可随时添加新的知识库文档")    print("- 专业性强: 针对特定领域优化")def main():    """主函数"""    print("RAG客服系统演示")    print("=" * 60)        # 检查Ollama服务    try:        import requests        response = requests.get("http://localhost:11434/api/tags", timeout=5)        if response.status_code != 200:            print("错误: 无法连接到Ollama服务")            return        print("✓ Ollama服务连接正常")    except requests.exceptions.ConnectionError:        print("错误: 无法连接到Ollama服务")        return    except Exception as e:        print(f"检查Ollama服务时出错: {e}")        return        # 检查所需模型    try:        import json        response = requests.get("http://localhost:11434/api/tags", timeout=5)        models = json.loads(response.text)["models"]        model_names = [model["name"] for model in models]                if "nomic-embed-text:latest" not in model_names:            print("⚠ 警告: 未找到 nomic-embed-text 模型")        else:            print("✓ 找到 nomic-embed-text 模型")                    if "qwen2.5:7b" not in model_names:            print("⚠ 警告: 未找到 qwen2.5:7b 模型")        else:            print("✓ 找到 qwen2.5:7b 模型")    except Exception as e:        print(f"检查模型时出错: {e}")        print()        # 运行演示    demo_rag_customer_service()if __name__ == "__main__":    main()

系统核心功能详解

1. 知识库构建

系统使用Document对象存储项目相关的知识信息，包括项目概述、各模块功能、安装部署指南等内容。这些文档会被分割并转换为向量存储在FAISS数据库中。

2. 向量检索机制

使用OllamaEmbeddings创建文档嵌入，通过FAISS实现高效的相似性搜索。当用户提问时，系统会将问题转换为向量，并在知识库中检索最相关的文档片段。

3. RAG链设计

通过LangChain的链式调用，将检索到的文档与用户问题结合，传递给语言模型生成最终回答。这种方式既保证了回答的准确性，又提高了生成质量。

运行环境配置

1. 环境准备

pip install -r requirements.txt

2. 启动Ollama服务

ollama serve

3. 下载所需模型

ollama pull qwen2.5:7bollama pull nomic-embed-text

4. 运行系统

python demo_rag_customer_service.py

系统优势

1. 准确性高: 回答基于真实文档内容，避免幻觉
2. 上下文感知: 结合检索信息生成回答
3. 可扩展性强: 可随时添加新的知识库文档
4. 领域专业: 针对特定领域优化
5. 成本效益: 本地部署，无需云服务费用

扩展建议

1. 增加记忆功能: 实现多轮对话管理
2. 优化检索算法: 使用更高级的相似性搜索方法
3. 引入评估指标: 量化系统性能
4. 添加图形界面: 提升用户体验
5. 集成其他数据源: 扩展知识库覆盖范围

总结

本文详细介绍了基于LangChain和RAG技术构建智能客服问答系统的完整实现过程。通过将项目文档作为知识库，系统能够准确回答用户问题，大大提升了客服效率。该系统具有高度的可扩展性和专业性，可作为构建更复杂客服系统的良好基础。

随着AI技术的不断发展，RAG技术将在更多领域发挥重要作用。掌握这一技术，对于开发智能化应用具有重要意义。希望本文能为您提供有价值的参考和启发。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】