Smart Customer Service System

智能客服系统 [](LICENSE) [](https://github.com/traveler-leon/smart-customer-service-system/stargazers) [](https://github.com/traveler-leon/smart-customer-service-system/network) [](https://github.com/traveler-leon/smart-customer-service-system/issues)

[English](./README_EN.md) | [中文](./README.md) | 一个为机场领域设计，但可轻松迁移至千行百业的、基于多智能体协作的开源智能客服系统。

🚀 快速开始

[完整配置](./CONFIGURATION.md)

📝 项目概述

智能客服系统是一个基于 LangGraph 构建的、专为机场场景设计的智能问答系统，其模块化和可扩展的设计使其能够轻松迁移到不同行业。

系统采用多智能体（Multi-Agent）协作架构，通过意图分类器将用户请求智能路由到不同的子智能体，由各自领域的专家智能体精准地处理用户问题。

目前系统主要提供四大类服务：

1. 乘机须知问答：覆盖安检、边检、海关、订票、值机、行李等全流程。
2. 信息实时查询：包括航班动态、时刻表等。
3. 业务在线办理：支持行李寄存、航班改签等。
4. 流畅多轮闲聊：具备上下文理解能力，提供人性化的交流体验。

系统支持多轮对话，能够根据上下文理解用户意图，并通过知识库检索和数据库查询为用户提供准确、及时的信息服务。

💥 智能客服的当前困境与我们的解决方案

在大语言模型（LLM）浪潮下，各行各业都在尝试用 AI 升级客服系统。然而，通往真正“智能”的道路上充满了挑战和困境。我们的项目正是为了直面并尝试突破这些困境而设计的。

困境一：“AGI 幻觉”——来自外界的过度期望

许多非技术背景的决策者在见证了通用大模型的强大后，容易对 AI 产生“通用人工智能（AGI）”的幻觉，期望智能客服无所不能。 > 我们的解法：我们认为，决策者对“AGI”的期望，本质上是对一个真正智能的、能解决核心业务问题的“领域大脑”的渴望，而非一个简单的问答机器人。我们直面这一需求，致力于打造一个“领域 AGI”，在垂直领域内实现真正的、可自主进化的智能，从根本上满足并超越客户的期望。

困境二：“新瓶装旧酒”——技术惯性下的架构束缚

当前市场上的许多“智能客服”产品，仅仅是将传统“画布（Canvas）+ 规则”架构中的小模型替换为大模型，这种模式束缚了 LLM 的真正潜力。 > 我们的解法：我们采用以 智能体（Agent）协作为核心 的全新架构，抛弃固化的流程画布，充分释放大模型强大的上下文理解、推理和规划能力，使系统更灵活、更智能、更易于维护。

困境三：“成熟范式的引力”——商业现实与创新阻力

“画布+模型”的成熟商业模式让许多服务商不愿进行架构革命。这种商业惯性成为了智能客服领域创新的最大阻力。 > 我们的解法：我们选择了一条更艰难但更正确的道路——彻底抛弃旧范式。我们不满足于在现有产品上修修补补，而是通过全新的智能体协作架构，从根本上重新定义智能客服，为客户创造十倍于旧范式的价值。

困境四：缺乏持续运营与迭代体系

智能客服并非一劳永逸的工程，它像传统 AI 模型一样，效果会随时间衰减。系统需要一个全面的运营指标体系来支撑其长期发展。 > 我们的解法：我们的系统上线即自带全方位的评估监测平台与专家平台。用户无需额外开发，即可通过可视化界面，实时追踪每一次用户咨询的评估效果，覆盖从技术指标到业务指标的端到端分析，为系统的持续迭代和及时的人工介入提供坚实的数据基础。同时专家平台可以结合历史数据与专家经验，收录优质数据，增强客服系统。

目录

• [📝 项目概述](#-项目概述)
• [💥 智能客服的当前困境与我们的解决方案](#-智能客服的当前困境与我们的解决方案)
• [🏗️ 系统架构](#️-系统架构)
• [🛠️ 技术栈](#️-技术栈)
• [✨ 功能亮点](#-功能亮点)
• [🚀 产品功能展示](#-产品功能展示)
• [🎯 下一步计划](#-下一步计划)
• [🚀 快速开始](#-快速开始)
• [环境要求](#环境要求)
• [安装步骤](#安装步骤)
• [运行系统](#运行系统)
• [📖 详细配置](#-详细配置)
• [🤝 贡献指南](#-贡献指南)
• [📜 许可证](#-许可证)

🏗️ 系统架构

系统基于 LangGraph 构建，采用图形化工作流结构，实现了模块化和高内聚。

🛠️ 技术栈

• 核心框架:
• LangGraph: 用于构建多智能体（Multi-Agent）协作的工作流和状态管理。
• LangChain: 提供基础的 LLM 应用开发组件。
• 模型服务:
• Xinference: 提供模型全生命周期管理，用于部署情感识别、Embedding 及本地大模型。
• 知识库:
• ragflow: 提供强大的知识库管理平台，支撑 RAG 功能。(用户需自行下载)
• 外部服务接入:
• MCP: 以弹性方式接入第三方服务，诸如高德地图、12306 等。

✨ 功能亮点

我们不止是做一个“聊天机器人”，而是构建一个真正能解决复杂业务问题的智能中枢。与行业内现有方案相比，我们的优势体现在以下几个方面：

核心优势：我们与众不同在何处？

| 对比维度 | 传统客服 / 通用大模型客服 | ⭐ 我们的智能客服系统 | | :--- | :--- | :--- | | 业务广度 | 局限于静态文档问答（RAG） | 全场景覆盖：- 文档问答 (RAG)- 数据库问答 (Text2SQL)- 业务流程办理 (Agents) | | 技术架构 | 固化的“画布+规则”模式 | 多智能体协作 (Multi-Agent)：采用业界前沿的 Agent 协作模式，灵活、可扩展。| | 个性化能力| 千人一面，无法记忆用户 | 千人千面：- 长、中、短期记忆结合- 独立用户画像沉淀 | | 生态赋能 | 孤立的内部工具 | 开放赋能：- 可将用户画像赋能第三方应用（如冷启动推荐）- 可接入第三方画像，增强服务效果 |

具体功能与体验

1. 主动式交互：当用户问题不够明确时，系统会主动追问和澄清，模拟真人客服的沟通方式，引导用户获得更精准的答案。
2. 智能推荐与意图引导：我们认识到用户意图有时是模糊的。为此，系统内置了智能推荐模块（“猜你想问”、“猜你想办”、“猜你想买”）。当无法完全确定用户意图时，系统会基于当前对话和知识库，主动推荐相关问题、业务或商品，从而在提升问题解决效率的同时，极大地改善了用户体验并增加了系统的容错能力。
3. 闭环优化系统：通过强大的记忆模块持续学习，并将有价值的信息反哺知识库，实现系统能力的自增强。
4. 多语言支持：内置多语言模块，在支持多种语言问答的同时，保证信息传达的准确性。
5. 安全与合规：内置安全模块，对交互内容进行审查，确保安全合规。
6. 多模态情感识别：实时检测用户情绪，动态调整回答语气，并在必要时触发人工介入机制。

🚀 产品功能展示

基础 RAG 问答 (多轮对话 + 多模态 + 实时语音)

Text2SQL (航班信息查询 + 订阅)

业务办理 (动态参数收集 + 后端 API 调用)

情感识别 (规则 + 关键词 + 情感模型触发)

多语言能力 (支持主流及小语种)

专家审核平台 (系统自进化的数据闭环)

传统 AI 客服系统上线后往往"僵化"——无法从实际对话中学习，无法根据业务变化调整。我们通过专家审核平台实现了从"一次性交付"到"持续进化"的跨越。

🔍 核心功能

• 智能筛选：多维度快速定位需要审核的对话（时间范围、用户ID、会话ID、智能体类型、审核状态等）
• 批量操作：提升审核效率，支持批量评分、批量通过/拒绝、批量添加备注
• 质量评分：0-1分连续评分，精细化评估每条回复质量，追踪趋势变化
• 内容纠正：专家在线修正错误回复，保留修改历史，自动生成训练数据
• 统计分析：审核通过率、问题类型分布、高频错误汇总、优化效果追踪

🔄 四维自进化闭环

专家审核不是终点，而是系统能力增长的起点：

1. 动态知识库增强

专家审核通过的高质量问答对自动添加到知识库。这些来自真实对话的问答对，比人工编写的 FAQ 更贴近用户实际需求。

1. 向量模型微调

积累的"相似问题对"和"不相似问题对"用于微调 Embedding 模型，提升检索准确率，让模型更懂行业术语和专业表达。

1. 垂直大模型训练

专家纠正的对话数据是训练行业垂直大模型的宝贵语料，长期可训练出专属的领域大模型，摆脱对通用模型的依赖。

1. Prompt 持续优化

基于审核反馈和改进建议，数据驱动地迭代优化系统 Prompt，让每次优化都有据可依。

> 💡 价值体现：每一次审核，都是 AI 向专家学习的机会。系统不仅仅是一个客服工具，更是一个可持续成长的智能中枢。

指标评估平台

对系统做全方位的评估，包括业务评估指标、技术评估指标，其中技术评估指标设计端到端评估指标，与组件级评估指标。真正的实现完整细粒度的问题追踪。

🎯 下一步计划 (Next Steps)

1. 重构记忆模块：结合最新的 Context Engineering 技术，优化长期记忆和用户画像的生成与应用。

🚀 快速开始

环境要求

• Python 3.12+
• uv 包管理器（推荐）或 pip
• Redis（用于会话存储）

安装步骤

1. 克隆项目并进入项目目录

``bash git clone https://github.com/traveler-leon/smart-customer-service-system.git cd smart-customer-service-system ``

1. 使用 uv 创建虚拟环境并安装依赖

``bash uv sync ` > uv 会自动处理虚拟环境创建和依赖安装，替代传统的 python -m venv 和 pip install`。

1. 配置环境变量

```bash # 复制环境变量模板文件 cp .env.example .env

# 编辑 .env 文件，填入必要的 API 密钥和配置 # 详细配置说明请参考 CONFIGURATION.md ```

运行系统

# 运行 FastAPI 应用
uv run main.py

系统将在 http://localhost:8081 启动。 可进入到docs文件夹下的chat.html下进行对话聊天测试。

📖 详细配置

完整的配置说明和部署指南请参考：

• [配置与启动指南](./CONFIGURATION.md) - 详细的环境变量配置、依赖服务部署和启动说明
• [环境变量模板](./.env.example) - 包含所有可配置项的模板文件

🤝 贡献指南

我们热烈欢迎并感谢所有形式的贡献！无论是提交 Issue、发起 Pull Request，还是改进文档，都是对社区的宝贵支持。

贡献流程:

1. 发现问题或有新想法？ 请先在 Issues 中创建一个新的 issue，清晰地描述您遇到的问题或想要实现的功能。
2. Fork 本项目。
3. 创建您的功能分支 (git checkout -b feature/AmazingFeature)。
4. 提交您的更改 (git commit -m 'Add some AmazingFeature')。
5. 将分支推送到远程仓库 (git push origin feature/AmazingFeature)。
6. 创建一个 Pull Request，并关联到之前创建的 issue。

📜 许可证

本项目基于 [MIT License](LICENSE) 开源。

Source & license

This open-source MCP server is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: traveler-leon
• Source: traveler-leon/smart-customer-service-system
• License: MIT
• Homepage: https://traveler-leon.github.io/smart-customer-service-system/index.html

Install and usage instructions live in the source repository linked above.