admin/aiagent

Fork 0

Files

rjb f7702f4e72 ss

2026-01-22 09:59:02 +08:00

8.1 KiB

Raw Permalink Blame History

智能聊天Agent完整示例说明

📋 概述

这是一个完整的聊天智能体示例，展示了如何使用平台的核心能力构建一个功能完善的聊天助手。该示例包含了记忆管理、意图识别、多分支路由、上下文传递等核心功能。

🎯 功能特性

✅ 核心能力展示

记忆管理
- 使用缓存节点存储对话历史
- 支持用户画像和上下文信息
- 自动更新记忆内容
意图识别
- 使用LLM节点分析用户意图
- 识别情感状态
- 提取关键词和话题
多分支路由
- 使用Switch节点根据意图分发
- 支持6种不同场景的处理分支
- 默认分支处理未知意图
上下文传递
- 使用Transform节点合并数据
- 保持对话历史的连贯性
- 支持多轮对话
个性化回复
- 根据不同意图生成针对性回复
- 考虑用户情感状态
- 保持对话风格一致

🔄 工作流结构

开始节点
  ↓
查询记忆（Cache节点）
  ↓
合并上下文（Transform节点）
  ↓
意图理解（LLM节点）
  ↓
意图路由（Switch节点）
  ├─→ 问候处理（greeting）
  ├─→ 问题回答（question）
  ├─→ 情感回应（emotion）
  ├─→ 请求处理（request）
  ├─→ 告别回复（goodbye）
  └─→ 通用回复（default）
  ↓
合并回复（Merge节点）
  ↓
更新记忆（Cache节点）
  ↓
格式化回复（LLM节点）
  ↓
结束节点

📊 节点详细说明

1. 开始节点（start-1）

功能: 接收用户输入
输入格式: JSON格式，包含 query 字段
输出: 将用户输入传递给后续节点

2. 查询记忆节点（cache-query）

类型: Cache节点
操作: get - 获取用户记忆
Key: user_memory_{user_id}
默认值: 空记忆结构
功能: 从缓存中读取用户的对话历史和画像信息

3. 合并上下文节点（transform-merge）

类型: Transform节点
模式: merge - 合并模式
功能: 将用户输入、记忆数据、时间戳合并为完整上下文

4. 意图理解节点（llm-intent）

类型: LLM节点
模型: DeepSeek Chat
功能:
- 分析用户输入
- 识别意图类型（greeting/question/emotion/request/goodbye/other）
- 识别情感状态（positive/neutral/negative）
- 提取关键词和话题

输出格式: JSON

{
  "intent": "意图类型",
  "emotion": "情感状态",
  "keywords": ["关键词"],
  "topic": "话题主题",
  "needs_response": true
}

5. 意图路由节点（switch-intent）

类型: Switch节点
功能: 根据意图类型路由到不同的处理分支
分支:
- greeting → 问候处理
- question → 问题回答
- emotion → 情感回应
- request → 请求处理
- goodbye → 告别回复
- default → 通用回复

6. 各分支处理节点（llm-*）

类型: LLM节点
功能: 根据不同意图生成针对性的回复
特点:
- 问候分支：友好、亲切
- 问题分支：准确、详细
- 情感分支：共情、温暖
- 请求分支：专业、清晰
- 告别分支：温暖、期待
- 通用分支：自然、连贯

7. 合并回复节点（merge-response）

类型: Merge节点
模式: merge_first - 合并第一个结果
功能: 将各分支的回复结果合并

8. 更新记忆节点（cache-update）

类型: Cache节点
操作: set - 设置记忆
功能:
- 将本次对话添加到历史记录
- 更新用户画像（如需要）
- 保存上下文信息
TTL: 86400秒（24小时）

9. 格式化回复节点（llm-format）

类型: LLM节点
功能: 对最终回复进行格式化和优化
输出: 自然、流畅的文本回复

10. 结束节点（end-1）

功能: 返回最终回复
输出格式: 纯文本

🚀 使用方法

方法一：使用生成脚本（推荐）

cd backend/scripts
python3 generate_chat_agent.py

脚本会自动创建Agent，包含完整的工作流配置。

方法二：手动创建

进入Agent管理页面
- 点击"创建Agent"按钮
- 填写名称和描述
进入工作流编辑器
- 点击"设计"按钮
- 使用节点工具箱添加节点
- 按照工作流结构连接节点
配置节点
- LLM节点: 配置API密钥、模型、Prompt
- Cache节点: 配置缓存Key和操作
- Switch节点: 配置路由规则
- Transform节点: 配置数据映射
测试Agent
- 点击"测试"按钮
- 输入测试消息
- 查看执行结果
发布Agent
- 点击"发布"按钮
- Agent状态变为"已发布"
- 可以开始使用

📝 配置要点

1. LLM节点配置

Provider: 选择AI模型提供商（如DeepSeek、OpenAI）
Model: 选择具体模型（如deepseek-chat、gpt-3.5-turbo）
Temperature:
- 意图识别：0.3（需要准确性）
- 情感回应：0.8（需要创造性）
- 问题回答：0.5（平衡准确性和灵活性）
Max Tokens: 根据回复长度需求设置
Prompt: 明确角色、任务、输出格式要求

2. Cache节点配置

Operation:
- get: 查询记忆
- set: 更新记忆
Key: 使用用户ID确保记忆隔离
TTL: 设置合适的过期时间（如24小时）

3. Switch节点配置

Field: 指定用于路由的字段（如intent）
Cases: 配置各分支的路由规则
Default: 配置默认分支

4. Transform节点配置

Mode: 选择合并模式（merge）
Mapping: 配置数据映射规则
变量引用: 使用{{variable}}引用上游数据

🎨 自定义扩展

1. 添加新的意图分支

在Switch节点中添加新的case
创建对应的LLM处理节点
连接Switch节点和处理节点
连接处理节点到Merge节点

2. 增强记忆功能

添加用户画像更新逻辑
实现长期记忆和短期记忆分离
添加记忆检索和总结功能

3. 添加外部工具

集成知识库查询
添加天气、新闻等外部API
实现文件处理功能

4. 优化回复质量

添加回复质量评估节点
实现多候选回复生成和选择
添加回复风格控制

🔍 测试示例

测试用例1：问候

输入: "你好"
预期: 友好的问候回复

测试用例2：问题

输入: "今天天气怎么样？"
预期: 尝试回答问题或说明无法获取天气信息

测试用例3：情感表达

输入: "我今天心情不太好"
预期: 共情、安慰的回复

测试用例4：请求

输入: "帮我写一首诗"
预期: 生成诗歌或说明能力范围

测试用例5：告别

输入: "再见"
预期: 温暖的告别回复

⚠️ 注意事项

API密钥配置
- 确保所有LLM节点都配置了有效的API密钥
- 检查API配额和限制
记忆管理
- Cache节点使用内存缓存，重启后会丢失
- 生产环境建议使用Redis等持久化缓存
性能优化
- 减少不必要的LLM调用
- 优化Prompt长度
- 合理设置Token限制
错误处理
- 添加错误处理节点
- 配置重试机制
- 提供友好的错误提示

📚 相关文档

🎯 适用场景

✅ 情感陪聊助手
✅ 客服机器人
✅ 智能问答系统
✅ 对话式AI应用
✅ 个性化聊天助手

💡 最佳实践

Prompt设计
- 明确角色定位
- 明确输出格式
- 提供示例和上下文
工作流设计
- 保持流程清晰
- 合理使用分支
- 避免过度复杂
记忆管理
- 定期清理过期记忆
- 控制记忆大小
- 保护用户隐私
测试验证
- 覆盖各种场景
- 测试边界情况
- 验证回复质量

创建时间: 2024年版本: 1.0 作者: AI Agent Platform

8.1 KiB Raw Permalink Blame History Unescape Escape