身為一個技術工作者，我經常思考如何利用 AI 技術提升效率，而客服自動化正是 AI 大展身手的領域。LangChain Agent 提供了一個強大的框架，讓我們能輕鬆建構智慧客服系統，本文將分享我使用 LangChain Agent 建構自動化客服系統的經驗與心得。

客服自動化的挑戰與 LangChain Agent 的優勢

傳統客服系統往往面臨人力成本高、服務效率低、難以提供個人化體驗等挑戰。LangChain Agent 則能有效解決這些問題，它可以：

自動化處理常見問題： 透過整合知識函式庫，Agent 能夠自動回答客戶的常見問題，節省人力成本。
提升服務效率： Agent 能夠 24/7 全天候服務，即時回應客戶需求，大幅提升服務效率。
提供個人化體驗： Agent 能夠根據客戶的歷史互動和個人資訊，提供更精準、更貼心的服務。

建構智慧客服系統的步驟

我將建構智慧客服系統的過程拆解成以下幾個步驟：

1. 深入瞭解客服需求

在開始建構系統之前，必須先深入瞭解客服需求。我會分析現有的客服資料，找出客戶最常遇到的問題，例如產品資訊、帳號問題、技術支援等等。

2. 建立結構化知識函式庫

將客戶問題分類別，並建立結構化的知識函式庫。我通常會使用 FAQ 頁面、產品説明檔案或疑難排解等方式組織知識函式庫，方便 Agent 快速查詢資訊。

3. 設定 LangChain Agent 並整合知識函式庫

使用 LangChain Agent 框架搭建客服自動化系統。首先，安裝必要的函式庫：

pip install --upgrade langchain-openai tavily-python langchain-community langchain-openai

這段程式碼會安裝 LangChain 相關的函式庫，包含 OpenAI 的語言模型、Tavily 的網頁解析工具以及社群開發的擴充套件。

接著，定義一個函式，讓 Agent 能夠搜尋知識函式庫：

from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

def search_knowledge_base(query):
    # 根據 query 搜尋知識函式庫
    # 回傳最相關的答案
    # 以下是一個簡化的範例，實際應用中需連線您的知識函式庫
    if "密碼重設" in query.lower():
        return "要重設帳號密碼，請依照下列步驟：\n1. 前往登入頁面\n2. 點選「忘記密碼」連結\n3. 輸入您註冊的電子郵件地址\n4. 收取密碼重設連結\n5. 按照指示建立新密碼"
    else:
        return "很抱歉，我在知識函式庫中找不到您問題的答案。請提供更多細節，或直接聯絡客服團隊。"

tools = [
    Tool(
        name="知識函式庫搜尋",
        func=search_knowledge_base,
        description="用於搜尋知識函式庫以回答客戶問題"
    )
]

memory = ConversationBufferMemory(memory_key="chat_history")

agent = initialize_agent(
    tools,
    OpenAI(temperature=0),
    agent="conversational-react-description",
    verbose=True,
    memory=memory
)

這段程式碼定義了一個名為 search_knowledge_base 的函式，用於搜尋知識函式庫。其中包含一個簡化的範例，實際應用中需要根據您的知識函式庫調整程式碼。接著，程式碼建立了一個名為「知識函式庫搜尋」的工具，並將其與 OpenAI 的語言模型整合，建立一個具有記憶功能的對話式 Agent。

  graph LR
    B[B]
    C[C]
    A[客戶提問] --> B{LangChain Agent};
    B --> C{知識函式庫搜尋};
    C --> D[回覆答案];
    B --> E[記憶體];
    E --> B;

這個流程圖展示了 LangChain Agent 如何與知識函式庫互動：客戶提問後，Agent 會根據問題搜尋知識函式庫，並將找到的答案回覆給客戶。同時，Agent 也會將對話歷史儲存在記憶體中，以便在後續互動中提供更個人化的服務。

持續最佳化客服系統

建構客服系統是一個持續迭代的過程。我會持續監控系統的效能，收集客戶的回饋，並根據實際情況調整 Agent 的設定和知識函式庫的內容，不斷提升客戶體驗。

透過 LangChain Agent，我們可以開發更智慧、更有效率的客服系統，不僅提升客戶滿意度，也降低企業營運成本。在未來的文章中，我將會分享更多關於 LangChain Agent 的進階應用，敬請期待。

from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
import random

# 工具：模擬資料擷取和分析
def data_retrieval_tool():
    temperature = random.randint(20, 30)
    humidity = random.randint(40, 60)
    return f"溫度: {temperature}°C, 濕度: {humidity}%"

def data_analysis_tool(data):
    try:
        temperature = int(data.split("溫度: ")[1].split("°C")[0])
        humidity = int(data.split("濕度: ")[1].split("%")[0])
        if temperature > 25 and humidity > 50:
            return "偵測到高溫高濕。可能需要調整。"
        else:
            return "溫度和濕度在正常範圍內。無需採取行動。"
    except (IndexError, ValueError):
        return "錯誤：資料格式無效。無法分析。"

tools = [
    Tool(
        name="資料擷取",
        func=data_retrieval_tool,
        description="從感測器擷取最新的溫度和濕度資料。",
    ),
    Tool(
        name="資料分析",
        func=data_analysis_tool,
        description="分析提供的資料，判斷是否需要調整。",
    ),
]

# 代理設定
llm = OpenAI(temperature=0.7)
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)

# 提示範本
decision_prompt = PromptTemplate(
    input_variables=["observation"],
    template="""根據感測器資料，判斷是否需要調整環境。
觀察結果：{observation}
""",
)

# 執行代理
observation = agent.run(decision_prompt.format(observation="開始分析"))
print(observation)

這段程式碼整合了資料擷取、分析和決策流程。data_retrieval_tool 模擬從感測器取得資料，data_analysis_tool 根據資料進行分析，最後 LangChain 代理根據分析結果做出決策。decision_prompt 引導代理專注於根據觀察結果進行判斷。verbose=True 讓代理的思考過程可見，方便除錯和理解。

  graph LR
    B[B]
    C[C]
    D[D]
    E[E]
    A[資料源] --> B{資料擷取}
    B --> C{資料預處理}
    C --> D{LangChain 代理}
    D --> E{決策邏輯}
    E --> F[行動/調整]

上圖描述了資料從來源到決策的完整流程。資料源提供原始資料，經過擷取、預處理後，送入 LangChain 代理進行分析和決策，最終觸發相應的行動或調整。

這個架構圖清晰地展現了系統各個組成部分以及它們之間的資料流動，有助於理解系統的整體運作方式。

透過以上步驟，我們可以構建一個根據 LangChain 代理的即時資料分析與決策系統。系統能根據最新資料做出反應，實作更快速、更人工智慧的決策。在我的經驗中，這種方法在處理快速變化的資料時非常有效，例如監控系統效能、偵測異常行為或進行預測性維護。

這個系統的設計重點在於模組化和可擴充套件性。您可以輕鬆地增加新的資料源、分析工具和決策邏輯，以適應不同的應用場景。例如，您可以整合機器學習模型進行更精確的預測，或者連線外部系統自動執行調整操作。

持續監控系統的效能並根據實際情況進行調整非常重要。收集系統的執行資料，例如決策準確率、回應時間和資源消耗，並定期分析這些資料以識別改進的機會。根據分析結果，您可以調整代理的引數、最佳化資料處理流程或更新決策邏輯，以不斷提升系統的效率和準確性。

import streamlit as st
from langchain.llms import OpenAI
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.vectorstores import Pinecone
from langchain.chains import RetrievalQA
import pinecone
import os

# 安全地存取 API 金鑰
os.environ["OPENAI_API_KEY"] = st.secrets["OPENAI_API_KEY"]
PINECONE_API_KEY = st.secrets["PINECONE_API_KEY"]
PINECONE_ENVIRONMENT = st.secrets["PINECONE_ENVIRONMENT"]

# 初始化 Pinecone 向量資料函式庫
pinecone.init(api_key=PINECONE_API_KEY, environment=PINECONE_ENVIRONMENT)

# 設定網頁應用程式標題
st.title("與玄貓對話")

# 使用者輸入問題
user_question = st.text_input("提出你的技術疑問：")

# 初始化 LangChain 元件 (僅執行一次)
if "llm" not in st.session_state:
    st.session_state.llm = OpenAI(temperature=0)
if "embeddings" not in st.session_state:
    st.session_state.embeddings = OpenAIEmbeddings()
if "index_name" not in st.session_state:
    st.session_state.index_name = "langchain-demo"  # 替換為你的 index 名稱
if "docsearch" not in st.session_state:
    try:
        st.session_state.docsearch = Pinecone.from_existing_index(st.session_state.index_name, st.session_state.embeddings)
    except pinecone.core.client.exceptions.PineconeException as e:
        st.error(f"Pinecone 初始化失敗：{e}")
        st.stop()

# 處理問題並顯示答案
if user_question:
    try:
        with st.spinner("玄貓正在分析你的問題..."):
            qa = RetrievalQA.from_chain_type(llm=st.session_state.llm, chain_type="stuff", retriever=st.session_state.docsearch.as_retriever())
            answer = qa.run(user_question)
            st.write(answer)
    except Exception as e:
        st.error(f"處理問題時出現錯誤：{e}")


# 系統架構圖
st.subheader("系統架構")
st.markdown("""
```mermaid
graph LR
    B[B]
    D[D]
    A[使用者提問] --> B{LangChain 處理};
    B --> C[Pinecone 向量資料函式庫];
    C --> D{OpenAI 語言模型};
    D --> E[顯示答案];

""")

st.write(“上圖簡述了問答系統的運作流程：使用者提問後，LangChain 將問題送至 Pinecone 向量資料函式庫搜尋相關資訊，接著 OpenAI 語言模型生成答案，最後顯示給使用者。”)

程式碼範例：向量相似度計算

st.subheader(“程式碼範例：計算向量相似度”) st.code(""" from sklearn.metrics.pairwise import cosine_similarity import numpy as np

vector1 = np.array([1, 2, 3]) vector2 = np.array([4, 5, 6])

similarity = cosine_similarity([vector1], [vector2]) print(similarity) “”", language=“python”)

st.write(“這段程式碼示範如何使用 cosine_similarity 函式計算兩個向量的相似度。vector1 和 vector2 代表兩個向量，cosine_similarity 計算它們的餘弦相似度，傳回值越接近 1，相似度越高。向量資料函式庫常使用餘弦相似度比較文字相似性。”)

這個問答系統結合 LangChain、Pinecone 和 OpenAI，提供便捷的知識問答平台。透過向量資料函式庫技術，系統能快速準確地找到與使用者提問相關的資訊，並利用先進的語言模型產生自然流暢的答案。系統架構圖清晰地展示了整個流程，程式碼範例則提供了向量相似度計算的實作方法，有助於理解系統的運作原理。

玄貓

技術愛好者，專注於分享程式開發、雲端技術與 AI 應用的心得體會。

開發智慧客服：LangChain Agent 的實戰應用