企业官网建设流程全解析

纲要

• 项目概览：基于 LangChain 的单智能体“小浪助手”
• 核心能力拆解
  • RAG知识库问答
  • 钉钉日程与待办管理
  • 多轮对话与上下文记忆
  • 情绪检测与动态优先级调整
• 系统架构
  • 前端：钉钉机器人
  • 调度层：LangChainAgent
  • 工具集：知识库检索、在线搜索、钉钉 API
  • 记忆系统：基于Redis的长短期记忆
  • 模型：大语言模型（LLM）生成与意图识别
• 单智能体概念与 LangChain 实现要点
• 实战代码详解
  • 项目结构
  • 工具定义（Tool封装）
  • 记忆组件（RedisChatMessageHistory）
  • Agent 构建与执行流程
  • 情绪检测链
• 完整可运行示例
• 总结与相关度说明

项目概览

我们要构建的是一个名为“小浪助手”的单智能体，它通过钉钉机器人对外提供服务，核心功能包括：

• 基于RAG的专业知识问答
• 自然语言驱动的日程安排与待办管理
• 多轮对话能力，能记住上下文
• 实时检测用户情绪，根据负面程度自动创建高优先级待办

所有逻辑都使用 LangChain 编排，工具调用由 LLM 自主决策，记忆系统持久化在 Redis 中。

核心概念与架构

什么是单智能体

在 AI 应用语境中，智能体是一个能够感知环境、自主使用工具并做出决策的程序。单智能体指整个系统中只有一个决策中心，它根据用户输入决定调用哪些工具、如何回应，而多智能体则涉及多个协作或竞争的决策单元。本案例集中展示单智能体的设计、工具集成与记忆管理。

系统架构

架构分为输入、智能体决策、工具执行和记忆四个层次。用户消息进入后，Agent 先分析情绪和意图，再决定调用哪些工具，工具返回结果后结合记忆与 LLM 生成回答。

技术选型与关键模块

实战代码

项目结构

langchain-dingtalk-agent/ ├── agent.py # 主程序，Agent 定义与启动 ├── tools/ │ ├── dingtalk.py # 钉钉日程、待办工具 │ ├── knowledge.py # RAG 知识库检索 │ └── search.py # 在线搜索工具 ├── chains/ │ └── emotion.py # 情绪检测链 ├── memory/ │ └── redis_memory.py # Redis 记忆配置 ├── config.py # 环境变量与密钥 └── requirements.txt

依赖安装

pipinstalllangchain langchain-openai langchain-community redis chromadb tiktoken python-dotenv

配置文件config.py

importosfromdotenvimportload_dotenv load_dotenv()OPENAI_API_KEY=os.getenv("OPENAI_API_KEY")REDIS_URL=os.getenv("REDIS_URL","redis://localhost:6379/0")DINGTALK_APP_KEY=os.getenv("DINGTALK_APP_KEY")DINGTALK_APP_SECRET=os.getenv("DINGTALK_APP_SECRET")

记忆组件memory/redis_memory.py

fromlangchain_community.chat_message_historiesimportRedisChatMessageHistoryfromlangchain.memoryimportConversationBufferMemoryfromconfigimportREDIS_URLdefget_memory(session_id:str)->ConversationBufferMemory:"""为每个会话创建独立的 Redis 记忆"""history=RedisChatMessageHistory(session_id=session_id,url=REDIS_URL,)returnConversationBufferMemory(memory_key="chat_history",chat_memory=history,return_messages=True,)

工具定义

钉钉工具tools/dingtalk.py

fromlangchain.toolsimporttoolimportrequestsfromconfigimportDINGTALK_APP_KEY,DINGTALK_APP_SECRETdefget_access_token():# 钉钉获取 access_token（示例实现）resp=requests.get("https://oapi.dingtalk.com/gettoken",params={"appkey":DINGTALK_APP_KEY,"appsecret":DINGTALK_APP_SECRET},)returnresp.json().get("access_token")@tooldefcreate_calendar_event(summary:str,start_time:str,end_time:str)->str:"""在钉钉日历中创建事件。参数 summary: 事件标题, start_time: ISO 格式开始时间, end_time: ISO 格式结束时间。"""token=get_access_token()# 调用钉钉日历创建 API（示例使用预留接口）# 实际需使用钉钉日程接口 https://open.dingtalk.com/document/orgapp/create-calendar-eventreturnf"已成功创建日程：{summary}，时间{start_time}至{end_time}"@tooldefcreate_task(content:str,priority:str="normal")->str:"""创建钉钉待办。参数 content: 待办内容, priority: 优先级 low/medium/high。"""token=get_access_token()# 调用钉钉待办创建 APIreturnf"已创建待办：{content}，优先级{priority}"

知识库工具tools/knowledge.py

fromlangchain.toolsimporttoolfromlangchain_community.vectorstoresimportChromafromlangchain_openaiimportOpenAIEmbeddingsfromconfigimportOPENAI_API_KEY# 假设向量数据库已预先构建，存于 ./chroma_dbvectorstore=Chroma(persist_directory="./chroma_db",embedding_function=OpenAIEmbeddings(openai_api_key=OPENAI_API_KEY))@tooldefsearch_knowledge_base(query:str)->str:"""搜索专业知识库，传入用户问题，返回相关文档片段。"""docs=vectorstore.similarity_search(query,k=3)ifnotdocs:return"知识库中未找到相关信息。"return"\n\n".join([d.page_contentfordindocs])

在线搜索工具tools/search.py

fromlangchain.toolsimporttoolfromlangchain_community.utilitiesimportSerpAPIWrapperimportos@tooldefweb_search(query:str)->str:"""在线搜索最新信息，返回搜索摘要。"""search=SerpAPIWrapper(serpapi_api_key=os.getenv("SERPAPI_API_KEY"))returnsearch.run(query)

情绪检测链chains/emotion.py

fromlangchain_openaiimportChatOpenAIfromlangchain.chainsimportLLMChainfromlangchain.promptsimportPromptTemplateimportjson emotion_prompt=PromptTemplate(input_variables=["user_input"],template="""分析以下用户消息的情绪，返回 JSON 格式 {{"emotion": "positive/neutral/negative", "score": 0-10}}。 消息：{user_input} JSON:""")defdetect_emotion(user_input:str)->dict:llm=ChatOpenAI(model="gpt-3.5-turbo",temperature=0)chain=emotion_prompt|llm result=chain.invoke({"user_input":user_input})try:returnjson.loads(result.content)except:return{"emotion":"neutral","score":5}

Agent 主程序agent.py

importosfromlangchain_openaiimportChatOpenAIfromlangchain.agentsimportAgentExecutor,create_openai_tools_agentfromlangchain.promptsimportChatPromptTemplate,MessagesPlaceholderfromtools.dingtalkimportcreate_calendar_event,create_taskfromtools.knowledgeimportsearch_knowledge_basefromtools.searchimportweb_searchfromchains.emotionimportdetect_emotionfrommemory.redis_memoryimportget_memoryfromconfigimportOPENAI_API_KEY# 1. 工具列表tools=[create_calendar_event,create_task,search_knowledge_base,web_search]# 2. LLM 实例llm=ChatOpenAI(model="gpt-4",temperature=0,openai_api_key=OPENAI_API_KEY)# 3. 系统提示词system_prompt="""你是小浪助手，一个钉钉智能客服。你可以： - 回答关于产品的专业知识（调用知识库） - 搜索最新信息（调用在线搜索） - 管理用户的钉钉日程和待办 请友好、专业地回应用户。如果检测到用户情绪非常负面（score >= 8），主动将用户当前诉求创建为高优先级待办。"""prompt=ChatPromptTemplate.from_messages([("system",system_prompt),MessagesPlaceholder("chat_history",optional=True),("human","{input}"),MessagesPlaceholder("agent_scratchpad"),])# 4. 构建 Agentagent=create_openai_tools_agent(llm,tools,prompt)# 5. 模拟执行函数（实际可接入钉钉 Webhook）defprocess_message(user_input:str,session_id:str="default")->str:# 情绪检测emotion_result=detect_emotion(user_input)# 如果负面情绪高，自动追加创建待办的意图ifemotion_result["emotion"]=="negative"andemotion_result["score"]>=8:# 将需求描述直接传给 create_task 工具（让 Agent 自己决策调用）# 我们可以在提示里做引导，这里简单修改输入user_input+="\n（系统检测到强烈负面情绪，请主动将相关诉求创建为高优先级待办）"memory=get_memory(session_id)agent_executor=AgentExecutor(agent=agent,tools=tools,memory=memory,verbose=True,handle_parsing_errors=True,)response=agent_executor.invoke({"input":user_input})returnresponse["output"]# 示例运行if__name__=="__main__":# 模拟多轮对话session="user_123"print("小浪助手：",process_message("帮我预定后天上午10点的会议室，主题是智能体技术讨论",session))print("小浪助手：",process_message("我想起来后天早上有事，相关的安排调整一下吧",session))print("小浪助手：",process_message("算了，我特别生气，你们产品太难用了！",session))

运行说明

1. 准备环境变量文件.env，填入OPENAI_API_KEY、REDIS_URL、SERPAPI_API_KEY及钉钉凭证。
2. 确保本地 Redis 服务已启动，并事先构建好知识库（向量数据库存于./chroma_db）。
3. 运行python agent.py即可看到控制台输出。实际接入钉钉时，将process_message作为 Webhook 处理函数即可。

多轮对话的实现

在 LangChain 中，通过在 AgentExecutor 里注入memory即可实现上下文记录。这里使用ConversationBufferMemory配合RedisChatMessageHistory，使会话历史在服务重启后依然保留。每次调用时传入相同的session_id，Agent 就能读取之前的对话，从而理解“相关的安排”这类指代。

情绪检测与自动待办

情绪检测链利用 LLM 输出结构化 JSON，解析出情感倾向和分值。当负面分值达到阈值时，主流程在原输入尾部追加提示，引导 Agent 调用create_task工具。这种方式保持了 Agent 的自主决策能力，同时又可植入业务规则。

总结

本博客基于“小浪助手”单智能体实战内容，完整复现了一个使用 LangChain 构建的钉钉智能助手，涵盖了架构设计、工具开发、记忆集成、情绪检测和可运行代码。

读者可依据此模板快速扩展到多智能体或更多业务工具。