# RAG与智能体开发

**Repository Path**: qjwtdd329/agent

## Basic Information

- **Project Name**: RAG与智能体开发
- **Description**: **智扫通机器人智能客服系统**

基于 LangChain + 阿里云通义千问构建的智能客服系统。技术栈：Python + Streamlit + Chroma + DashScope Embeddings。核心功能包括：RAG知识库问答、ReAct智能体工具调用、流式对话响应、用户报告生成。通过中间件机制实现提示词动态切换，支持问答与报告两种模式无缝切换，为扫地机器人产品提供智能客服解决方案。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-15
- **Last Updated**: 2026-06-15

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 🧹 智扫通机器人智能客服 — RAG + ReAct Agent

基于 **RAG（检索增强生成）** 与 **ReAct 智能体模式** 的扫地机器人智能客服系统，支持多工具协同调用、向量知识库检索和个性化使用报告生成。

## 项目结构

```
├── app.py                      # Streamlit 入口（Web UI）
├── agent/
│   ├── react_agent.py          # ReAct 智能体核心
│   └── tools/
│       ├── agent_tools.py      # 七种工具定义
│       └── middleware.py       # 中间件（监控/日志/提示词切换）
├── rag/
│   ├── rag_service.py          # RAG 检索增强生成服务
│   └── vector_store.py         # ChromaDB 向量库管理
├── model/
│   └── factory.py              # 模型工厂（通义千问 + 嵌入模型）
├── config/
│   ├── agent.yml               # 智能体配置
│   ├── chroma.yml              # 向量库配置（分块/检索参数）
│   ├── prompts.yml             # 提示词路径管理
│   └── rag.yml                 # 模型选择
├── prompts/
│   ├── main_prompt.txt         # 主对话提示词
│   ├── rag_summarize_prompt.txt # RAG 摘要提示词
│   └── report_prompt.txt       # 报告生成提示词
├── data/
│   ├── external/records.csv    # 用户使用记录数据
│   ├── 扫地机器人 100 问.txt    # 知识库 - FAQ
│   ├── 故障排除.txt             # 知识库 - 故障处理
│   ├── 维护保养.txt             # 知识库 - 维护保养
│   └── 选购指南.txt             # 知识库 - 选购建议
└── utils/
    ├── config_handler.py       # YAML 配置加载
    ├── file_handler.py         # 文件处理
    ├── logger_handler.py       # 日志管理
    ├── path_tool.py            # 路径工具
    └── prompt_loader.py        # 提示词加载器
```

## 技术栈

| 组件 | 技术选型 |
|------|----------|
| **LLM** | 通义千问 `qwen3-max`（DashScope） |
| **Embedding** | `text-embedding-v4`（DashScope） |
| **向量数据库** | ChromaDB |
| **智能体框架** | LangChain ReAct Agent |
| **Web UI** | Streamlit |
| **编程语言** | Python 3.10+ |

## 核心功能

### 1. 🤖 ReAct 智能体
严格遵循 **思考 → 行动 → 观察 → 再思考** 的推理循环，支持自主判断何时调用工具、何时生成最终回答。

### 2. 🛠️ 七种工具
| 工具 | 功能 |
|------|------|
| `rag_summarize` | 从向量知识库检索扫地机器人专业知识 |
| `get_weather` | 查询指定城市实时天气（湿度/降雨） |
| `get_user_location` | 获取用户所在城市 |
| `get_user_id` | 获取当前用户唯一标识 |
| `get_current_month` | 获取当前月份 |
| `fetch_external_data` | 检索用户指定月份的使用记录 |
| `fill_context_for_report` | 为报告生成注入上下文 |

### 3. 📚 RAG 检索增强
- 支持 TXT / PDF 文档入库
- 自定义分块策略（chunk_size=200, overlap=20）
- 基于文件 MD5 做增量更新，避免重复处理
- Top-K 检索（默认 3 条）

### 4. 📊 个性化报告生成
支持根据用户真实使用记录（CSV）自动生成月度使用报告，涵盖清洁效率、耗材状态等维度。

### 5. 🔗 中间件机制
- 工具调用监控
- 模型调用日志
- 动态提示词切换（报告场景自动切换提示词）

## 快速开始

### 前提条件
- Python 3.10+
- 阿里云 DashScope API Key（`DASHSCOPE_API_KEY` 环境变量）

### 安装

```bash
# 1. 克隆仓库
git clone https://gitee.com/qjwtdd329/agent.git
cd agent

# 2. 创建虚拟环境
python -m venv .venv
source .venv/bin/activate  # Linux/Mac
# 或 .venv\Scripts\activate  # Windows

# 3. 安装依赖
pip install -r requirements.txt

# 4. 配置环境变量
export DASHSCOPE_API_KEY="your-api-key-here"
```

### 启动

```bash
streamlit run app.py
```

访问 `http://localhost:8501` 即可使用。

### 初始化知识库

首次使用需要将知识文档导入 ChromaDB 向量库：

```bash
python rag/vector_store.py
```

## 配置说明

所有配置集中在 `config/` 目录下的 YAML 文件中：

- `chroma.yml` — 向量库分块大小、重叠数、检索数量（k值）、支持的文件类型等
- `rag.yml` — 选择使用的模型名称
- `agent.yml` — 智能体外挂数据路径
- `prompts.yml` — 各场景提示词文件路径映射

## 自定义扩展

- **添加新工具**：在 `agent/tools/agent_tools.py` 中定义函数，在 `react_agent.py` 的 `tools` 列表中注册
- **添加知识文档**：放入 `data/` 目录，支持 `.txt` 和 `.pdf` 格式
- **自定义提示词**：修改 `prompts/` 目录下的对应 `.txt` 文件

## 许可证

MIT