邓立国Agent开发入门必读书《AI Agent智能体开发实践》1~12章试读_《ai agent 智能体开发实践》在线阅读-CSDN博客

该项目基于LangChain框架和阿里云DashScope服务，构建了一个支持单轮问答与多轮对话的企业FAQ智能问答系统，整体框架可分为6个核心层级，形成“输入−处理−输出”的完整闭环，如图10.1所示。

图10.1  整体框架可分为6个核心层级

1. 数据源层

• 数据形式：采用结构化FAQ数据（问题−答案键值对），包含工作时间、年假申请等企业常见问题。
• 数据转换：将原始FAQ转换为LangChain的Document格式，包含page_content（问题+答案）和metadata（来源标识）。
• 设计特点：数据结构简单清晰，便于扩展至更大规模的企业知识库。

2. 数据存储层

• 核心组件：使用FAISS向量数据库存储文本嵌入向量。
• 工作原理：通过文本分割器（RecursiveCharacterTextSplitter）将文档分块后，利用嵌入模型转换为向量并存储。
• 检索配置：设置k=2表示每次检索返回最相关的2条文档。
• 设计优势：FAISS为轻量级本地向量库，适合小规模知识库场景，部署成本低。

3. 模型层

• 嵌入模型：自定义DashScopeEmbeddings，基于阿里云text-embedding-v2模型实现文本向量化。
• 提供embed_documents（批量文档嵌入）和embed_query（查询嵌入）方法。
• LLM模型：自定义DashScopeLLM，封装阿里云qwen-plus大语言模型。
• 支持温度参数（temperature=0.3）控制输出随机性。
• 限制最大生成tokens（max_tokens=512）控制回答长度。
• 设计亮点：通过统一接口封装第三方模型，便于替换为其他模型服务。

4. 链管理层

1）单轮问答链

• 由create_retrieval_chain构建，结合检索器和文档组合链。
• 提示模板限制仅使用上下文信息，避免编造内容。

2）多轮对话链

• 增加history_aware_retriever实现对话历史感知。
• 通过contextualize_q_prompt将当前问题结合历史对话重述为独立问题。
• 设计逻辑：基于LangChain的链模式，实现检索增强生成（RAG）的核心流程。

5. 业务逻辑层

1）单轮问答函数（single_question）

• 输入：用户问题。
• 输出：回答内容+参考来源。
• 功能：独立处理单个问题，返回引用的FAQ来源。

2）多轮对话函数（chat_conversation）

• 输入：当前问题+对话历史+记忆状态。
• 输出：更新后的对话历史+清空的输入框+记忆状态。
• 功能：维护对话上下文，支持连续交互。
• 设计特点：分离单轮与多轮处理逻辑，满足不同使用场景。

6. 用户交互层

• 界面框架：使用Gradio构建Web界面，包含两个标签页。
• 单轮问答：文本输入框+回答展示+来源展示。
• 多轮对话：聊天机器人组件+输入框+控制按钮。
• 交互设计：支持按钮提交和回车提交，提供对话清空功能。
• 设计优势：零代码部署Web界面，降低使用门槛，适合演示和快速迭代。