2026 年 AI Agent 开发实战：从零基础到生产部署

┌─────────────────────────────────────────────────────────┐
│                    用户交互层                            │
│  (Web/App/API/IM Bot/语音接口)                          │
└─────────────────────────────────────────────────────────┘
                          │
                          ▼
┌─────────────────────────────────────────────────────────┐
│                    会话管理层                            │
│  (Session 管理、上下文维护、多轮对话状态)                │
└─────────────────────────────────────────────────────────┘
                          │
                          ▼
┌─────────────────────────────────────────────────────────┐
│                    核心 Agent 引擎                       │
│  ├─ 意图识别  ├─ 任务规划  ├─ 工具调用  ├─ 结果生成    │
└─────────────────────────────────────────────────────────┘
                          │
                          ▼
┌─────────────────────────────────────────────────────────┐
│                    工具与能力层                          │
│  (搜索、数据库、API 调用、文件处理、浏览器自动化...)      │
└─────────────────────────────────────────────────────────┘
                          │
                          ▼
┌─────────────────────────────────────────────────────────┐
│                    记忆与知识层                          │
│  (向量数据库、知识图谱、长期记忆、短期上下文)            │
└─────────────────────────────────────────────────────────┘

# 文档预处理示例
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.embeddings import DashScopeEmbeddings
from langchain_community.vectorstores import FAISS

# 加载产品文档
documents = load_product_docs("./docs/")

# 文本分块
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200,
    length_function=len,
)
chunks = text_splitter.split_documents(documents)

# 生成向量并存储
embeddings = DashScopeEmbeddings(model="text-embedding-v3")
vectorstore = FAISS.from_documents(chunks, embeddings)
vectorstore.save_local("./vectorstore")

from langchain.agents import AgentExecutor, create_openai_functions_agent
from langchain.memory import ConversationBufferMemory
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder

# 定义系统提示词
system_prompt = """你是一个专业的 SaaS 产品客服助手。请遵循以下原则：

1. 优先从知识库中检索答案，确保信息准确
2. 回答简洁明了，避免技术术语堆砌
3. 遇到无法解决的问题，主动建议转接人工客服
4. 保持友好、耐心的语气
5. 不要编造产品功能或价格信息

如果用户问题涉及以下情况，请转接人工：
- 账户安全相关问题
- 退款或账单争议
- 技术 bug 报告
- 企业定制需求
"""

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", system_prompt),
    MessagesPlaceholder(variable_name="chat_history"),
    ("human", "{input}"),
])

# 初始化记忆
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True,
    max_token_limit=2000
)

# 创建 Agent
agent = create_openai_functions_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    memory=memory,
    verbose=True
)

from langchain.tools import Tool

# 知识库检索工具
def search_knowledge_base(query):
    """从产品知识库中检索相关信息"""
    results = vectorstore.similarity_search(query, k=3)
    return "\n\n".join([doc.page_content for doc in results])

# 工单创建工具
def create_support_ticket(user_id, issue_type, description):
    """创建客服工单并通知人工客服"""
    ticket_id = db.tickets.insert({
        "user_id": user_id,
        "issue_type": issue_type,
        "description": description,
        "status": "open",
        "created_at": datetime.now()
    })
    notify_human_agents(ticket_id)
    return f"工单已创建，编号：{ticket_id}，人工客服将在 30 分钟内联系您"

# 账户查询工具
def lookup_user_account(user_id):
    """查询用户账户信息"""
    return db.users.find_one({"id": user_id})

tools = [
    Tool(
        name="knowledge_search",
        func=search_knowledge_base,
        description="搜索产品知识库，回答功能和使用问题"
    ),
    Tool(
        name="create_ticket",
        func=create_support_ticket,
        description="创建客服工单，用于转接人工或报告问题"
    ),
    Tool(
        name="lookup_account",
        func=lookup_user_account,
        description="查询用户账户信息，需要用户 ID"
    ),
]