从零搭建可可视化思考链路的智能客服 Agent：拆解工具调用、决策日志与邮件归档完整实现
从零搭建可可视化思考链路的智能客服 Agent：拆解工具调用、决策日志与邮件归档完整实现
一、前言：从传统客服到 Agent 智能体的技术跃迁
在大模型普及之前，传统在线客服系统大多基于关键词匹配、固定问答库搭建，只能应对标准化、单一化咨询。一旦用户提出跨场景复合需求 —— 比如先查订单、再问库存、最后要求导出全部对话记录发送邮件，传统客服代码就会陷入逻辑臃肿、分支爆炸的困境。
随着 Agent 智能体技术落地，“思考 (Thought)- 行动 (Action)- 观察 (Observation)” 的闭环范式，成为解决复杂任务调度的标准方案。不同于简单的 if-else 判断，Agent 拥有独立的意图思考模块、可扩展工具集、完整决策记录链路三大核心能力：它能自主判断用户需求、选择对应工具执行、保存每一轮推理过程，甚至支持对话数据自动归档推送。
本文将基于一份完整可运行的 Python 工程，带大家从零拆解一款轻量化工业级智能客服 Agent。项目实现三大核心工具：订单查询、商品库存查询、对话记录邮件自动推送，同时内置可视化决策日志模块，每一轮用户交互都会完整打印 Agent 的内心思考、调用工具、入参、返回结果，完美复现大模型 Agent 的推理过程，无需依赖任何第三方大模型 API，纯规则即可落地，新手也能看懂、运行、二次改造。
完整工程包含四大分层模块：决策日志实体层、工具集封装层、Agent 核心推理层、交互式对话入口。全文将逐模块解析代码设计思想、业务落地场景、可扩展优化方案，同时结合运行演示截图展示实际交互效果，适合想入门 Agent 开发、搭建私有客服机器人、学习工具调用逻辑的开发者阅读。
二、项目整体架构设计：分层解耦，易于扩展
整个智能客服 Agent 采用分层模块化设计，四层结构职责完全隔离，符合高内聚低耦合编程思想，后续新增业务工具、替换 LLM 推理、扩展日志存储都无需改动核心逻辑：
- 决策日志层（DecisionLogger）：负责存储每一轮对话 Agent 的完整推理链路，封装实体类记录轮次、思考内容、调用工具、参数、返回结果，提供可视化打印方法，直观展示 Agent “大脑” 的思考过程，对应截图中完整的【Agent 完整思考 - 行动决策链路】输出。
- 工具集层（CustomerServiceTools）：统一封装所有业务能力工具，当前内置订单查询、库存查询、QQ 邮件发送三大工具，提供统一
run_tool分发路由，新增业务仅需新增工具函数 + 路由判断，不用改动 Agent 推理逻辑。内置模拟订单、库存数据库，同时集成 yagmail 实现真实 SMTP 邮件发送，支持对话记录一键归档。 - Agent 核心推理层（ServiceAgent）：整个项目的调度中枢，实现经典 T-A-O（思考 - 行动 - 观察）闭环。
think()方法完成用户意图识别（规则匹配，可无缝替换为 GPT / 文心一言等大模型）；run_agent()串联思考、工具执行、日志存储、对话历史保存全流程；chat_loop()提供交互式命令行多轮对话。 - 程序入口层：极简启动入口，实例化 Agent 并启动对话循环，输入
quit即可退出程序，退出后自动打印全部轮次的决策日志。
运行流程总览：用户输入对话 → Agent 思考模块识别需求 → 匹配对应业务工具 → 工具执行返回结果 → 保存本轮对话历史与推理日志 → 输出客服回复 → 用户持续交互直至输入 quit 退出 → 批量可视化所有轮次完整思考链路。
三、核心模块深度源码解析
3.1 决策日志实体层：实现 Agent 思考过程可追溯、可视化
很多新手开发 Agent 时会忽略推理过程记录，只关注最终返回给用户的结果，但在生产环境中，可追溯的决策日志是排查问题、优化意图识别的核心依据。例如用户输入指令没有触发预期工具、工具参数传递错误，通过日志就能直接定位 Agent 哪一轮思考出现偏差。
项目使用dataclass定义DecisionRecord数据实体，标准化每一轮推理的存储字段：对话轮次、思考文本、调用工具名、工具入参字典、工具返回观察结果。配套DecisionLogger日志管理器，提供新增记录、批量可视化打印两个核心方法。
环境部署与前置配置
3.1 第三方库安装
项目仅依赖yagmail邮件库，打开终端 / Notebook 单元格执行安装命令：
python
# 适配云Notebook精准安装，避免环境错位
import sys
!{sys.executable} -m pip install yagmail --user -i https://pypi.tuna.tsinghua.edu.cn/simpleKaggle 环境注意：带--user参数安装的库存储在临时用户目录，重启内核会丢失，每次启动会话需重新执行安装代码；全局安装可移除--user参数。
3.2 QQ 邮箱授权码获取（邮件发送必备）
代码无法直接使用 QQ 登录密码登录 SMTP 服务器，必须开启 POP3/IMAP 服务并生成 16 位授权码，操作步骤：
浏览器打开mail.qq.com，登录发件 QQ 账号；
页面右上角「设置」→ 顶部切换「账户」标签；
下滑找到POP3/IMAP/SMTP服务，点击开启，完成短信 / 扫码安全验证；
验证通过后点击「生成授权码」，复制页面展示的 16 位字母 + 数字组合，妥善保存（仅显示一次，丢失需重新生成）。
3.3 邮箱配置参数替换
在CustomerServiceTools类初始化方法中修改三处邮箱配置：
python
self.sender_mail = "你的QQ账号@qq.com" # 发件QQ邮箱
self.auth_code = "你的QQ邮箱授权码" # 16位授权码
self.receiver_mail = "你的QQ账号@qq.com" # 接收对话记录的目标邮箱
python
@dataclass
class DecisionRecord:
round_id: int # 对话轮次
thought: str # Agent思考内容
action: str # 执行动作（工具名）
action_params: Dict # 工具入参
observation: str # 工具返回结果
class DecisionLogger:
def __init__(self):
self.records: List[DecisionRecord] = []
def add_record(self, round_id: int, thought: str, action: str, params: Dict, observation: str):
rec = DecisionRecord(round_id, thought, action, params, observation)
self.records.append(rec)
def visualize(self):
"""可视化打印完整思考行动链"""
print("\n===== Agent 完整思考-行动决策链路 =====")
for item in self.records:
print(f"\n【第{item.round_id}轮】")
print(f"💭 思考(Thought): {item.thought}")
print(f"⚙️ 行动(Action): {item.action}")
print(f"📥 参数(Params): {item.action_params}")
print(f"📄 观察(Observation): {item.observation}")
print("========================================")
结合运行截图可以看到，每一轮交互都会按固定格式输出结构化日志：第 1 轮用户查询 O1001 订单，Agent 思考内容、调用query_order工具、传入订单号参数、工具返回订单详情全部完整展示；第 4 轮执行邮件发送时，日志清晰记录邮件收件人、拼接完整对话记录作为邮件正文，全程透明可追溯。
日志模块的业务价值：
- 开发调试：快速定位意图识别逻辑 bug，比如用户输入模糊指令时 Agent 错误匹配工具；
- 业务复盘：运营可导出完整推理链路，分析用户高频咨询需求，优化客服话术；
- LLM 迁移兼容：如果后续将规则匹配替换为大模型，日志格式完全对齐主流 LLM Agent 框架（LangChain、LlamaIndex），无需重构日志存储逻辑。
3.2 工具集封装层：统一管理业务能力，低门槛扩展
工具是 Agent 和真实业务系统交互的桥梁，本项目将所有工具收敛在CustomerServiceTools类中，内置模拟数据库、邮箱配置、工具分发路由，三大工具各司其职，相互解耦。
3.2.1 模拟业务数据库
内置订单库order_db、库存库stock_db模拟后端业务服务，生产环境可直接替换为 MySQL、Redis 接口调用，无需改动上层 Agent 逻辑：
python
运行
self.order_db = {
"O1001": {"status": "已发货", "goods": "无线鼠标", "num": 2},
"O1002": {"status": "待发货", "goods": "机械键盘", "num": 1}
}
self.stock_db = {
"无线鼠标": 156,
"机械键盘": 23
}
观测层：DecisionLogger 可观测决策日志模块
4.1.1 DecisionRecord 日志实体
使用@dataclass定义标准化日志存储结构，固定 5 类核心字段，统一存储每一轮 Agent 完整决策信息，解决日志格式混乱、字段缺失问题：
python
运行
@dataclass
class DecisionRecord:
round_id: int # 对话轮次，区分多轮会话
thought: str # AI完整思考推理文本，解决黑盒问题
action: str # 执行动作标识（工具名/reply_direct）
action_params: Dict # 工具调用入参字典，用于调试参数错误
observation: str # 工具执行返回结果（客服回复文本）
每一次用户交互都会生成一条DecisionRecord对象，存入日志列表永久缓存至会话结束。
4.1.2 DecisionLogger 日志管理类
提供两大核心方法：
add_record()：接收本轮全部决策数据，实例化日志实体并存入列表；
visualize()：格式化遍历全部日志，分层打印轮次、思考、动作、参数、返回结果，清晰展示 AI 完整推理链路，便于开发调试与业务复盘。
python
运行
class DecisionLogger:
def __init__(self):
self.records: List[DecisionRecord] = []
# 写入单轮决策记录
def add_record(self, round_id: int, thought: str, action: str, params: Dict, observation: str):
rec = DecisionRecord(round_id, thought, action, params, observation)
self.records.append(rec)
# 可视化打印全链路日志
def visualize(self):
print("\n===== Agent 完整思考-行动决策链路 =====")
for item in self.records:
print(f"\n【第{item.round_id}轮】")
print(f"💭 思考(Thought): {item.thought}")
print(f"⚙️ 行动(Action): {item.action}")
print(f"📥 参数(Params): {item.action_params}")
print(f"📄 观察(Observation): {item.observation}")
print("========================================")
4.2 能力层：CustomerServiceTools 业务工具集
————————————————
版权声明：本文为CSDN博主「Q19175349932」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Q19175349932/article/details/162513072
3.2.2 订单 & 库存查询工具
query_order、query_stock为基础查询工具，加入time.sleep(0.2)模拟真实接口网络延迟，返回标准化可读文本，直接对外输出给用户，容错处理覆盖订单号 / 商品不存在场景。
3.2.3 真实 QQ 邮箱发送工具（核心特色功能）
区别于仅模拟邮件输出的 Demo，本项目基于yagmail封装真实 SMTP 邮件发送能力，支持将全部多轮对话历史拼接为邮件正文，一键归档对话记录，适配企业客服会话留存需求。
python
运行
def send_email(self, receiver: str, content: str) -> str:
try:
mail_client = yagmail.SMTP(
user=self.sender_mail,
password=self.auth_code,
host="smtp.qq.com"
)
mail_client.send(
to=receiver,
subject="【智能客服Agent完整对话记录】",
contents=content
)
return f"✅ 对话记录邮件发送成功！收件人：{receiver}"
except Exception as err:
return f"❌ 邮件发送失败，错误详情：{str(err)}"
代码增加全局异常捕获，避免邮箱配置错误、网络波动导致整个客服程序崩溃；QQ 邮箱配置区单独抽离注释标注，使用者仅需替换发件邮箱、授权码、收件邮箱即可使用。
3.2.4 统一工具分发器run_tool
通过工具名字符串路由分发，Agent 仅需传递工具名和参数字典，不用感知每个工具的入参细节。后续新增物流查询、退款申请等工具，只需要新增函数 + 增加一行elif判断，完美满足业务迭代需求，符合开闭设计原则。
3.3 Agent 核心层：T-A-O 闭环，智能体调度中枢
ServiceAgent是整个项目的核心，串联思考、工具执行、日志存储、对话记录四大能力，实现标准 Agent 闭环流程。
3.3.1 意图思考模块think()
当前采用轻量化关键词规则匹配实现意图识别，零成本即可运行，同时预留完美的大模型替换接口。方法返回三元组：思考文本、工具名称、工具参数字典。
python
运行
def think(self, user_input: str) -> tuple[str, str, Dict]:
self.round += 1
user_text = user_input.strip()
if "订单" in user_text and "O1001" in user_text:
thought = "用户想要查询O1001订单，调用query_order工具，传入订单号O1001"
action = "query_order"
params = {"order_no": "O1001"}
elif "库存" in user_text and "机械键盘" in user_text:
thought = "用户询问机械键盘库存，调用query_stock工具"
action = "query_stock"
params = {"product_name": "机械键盘"}
elif "发邮件" in user_text:
thought = "用户请求发送全部对话记录邮件，调用send_email工具，把历史对话作为邮件正文"
action = "send_email"
mail_content = "===== 本次智能客服完整对话记录 =====\n"
for idx, item in enumerate(self.dialog_history, 1):
mail_content += f"\n【第{idx}轮】\n用户：{item['user']}\n客服：{item['reply']}\n"
params = {
"receiver": self.tools.receiver_mail,
"content": mail_content
}
else:
thought = "无法识别用户需求，无需调用工具，返回兜底提示"
action = "reply_direct"
params = {}
return thought, action, params
逻辑覆盖三类核心用户需求：订单查询、库存查询、对话邮件归档；无法匹配时走兜底直接回复，引导用户输入规范指令。同时内置dialog_history列表，永久保存每一轮用户提问与客服回复，执行发邮件工具时自动遍历拼接完整对话文本。
3.3.2 单次闭环执行run_agent()
完成一轮完整交互全流程：调用 think 获取推理结果 → 判断是否需要调用工具 → 执行工具获取返回内容 → 写入决策日志 → 保存对话历史，最终返回客服回复文本给终端打印。
3.3.3 交互式对话循环chat_loop()
提供命令行交互式入口，打印使用指引，持续接收用户输入；输入quit终止循环，程序退出时自动调用日志可视化方法，批量输出所有轮次完整推理链路，和截图运行效果完全对应。
3.4 程序入口层
极简启动代码，隔离业务逻辑与启动代码，结构清晰：
python
运行
if __name__ == "__main__":
agent = ServiceAgent()
agent.chat_loop()
四、项目运行演示：还原多轮对话完整流程
结合两张运行截图，完整复现用户多轮交互场景，直观感受 Agent 完整工作链路：
4.1 对话交互流程
- 第一轮：用户输入「帮我查找一下订单 O1001」 Agent 思考识别用户查询订单，调用
query_order工具，传入订单号 O1001，工具返回订单详情，客服输出订单信息，保存本轮对话与推理日志。 - 第二轮：用户输入「帮我查看机械键盘的库存还有多少」 关键词匹配触发库存查询工具，返回机械键盘库存 23 件，完成第二轮记录。
- 第三轮：用户输入「帮我发送邮件到邮箱」 关键词仅包含 “邮件”，无 “发邮件” 完整关键词，匹配兜底分支，返回引导提示文本，日志标记
reply_direct无工具调用。 - 第四轮：用户输入「发邮件」 精准匹配邮件发送意图，自动读取前 3 轮全部对话历史拼接为邮件正文，调用
send_email工具发送至配置 QQ 邮箱，返回发送成功提示。 - 终止交互：用户输入
quit退出对话循环，程序批量打印 4 轮完整思考 - 行动决策链路，每一轮 Agent 的内心推理、工具参数、返回结果全部结构化输出。
4.2 运行效果核心亮点
- 推理全透明：普通客服程序只会输出回复文本，本项目完整还原 Agent “思考过程”，复现大模型 Agent 的思维链（CoT）效果，是学习思维链技术绝佳入门案例；
- 真实业务落地能力：不只是模拟 Demo，邮件模块可真实收发对话记录，订单、库存模块可无缝对接企业后端接口；
- 高容错鲁棒性：工具调用异常捕获、未知指令兜底回复、邮箱发送失败捕获，不会出现程序崩溃；
- 轻量化无依赖：仅依赖 yagmail 第三方库，其余均为 Python 标准库，安装一行
pip install yagmail即可运行，无需 GPU、大模型 API 密钥。
五、工程扩展与生产级优化方案
本项目是轻量化 Agent Demo，在此基础上可从四大维度升级为企业级智能客服系统，下面给出可落地优化思路：
5.1 意图识别升级：规则匹配替换为大模型 LLM
当前think()方法基于关键词规则，适合标准化指令；面对模糊、口语化用户提问（如 “我之前买的鼠标订单查一下”“键盘还有货吗，把聊天记录发我邮箱”）识别能力不足。可将think()重构为调用大模型 API（OpenAI、通义千问、本地 Llama3），通过 Prompt 约束大模型输出固定 JSON 格式的思考、动作、参数，日志、工具层完全不用改动，兼容现有架构。
5.2 持久化存储优化
当前决策日志、对话历史仅保存在内存，程序退出即销毁，生产环境需要持久化：
- 对话记录、决策日志写入 SQLite/MySQL，增加对话 ID、用户 ID、时间戳字段；
- 日志支持导出 Excel、PDF 文件，搭配邮件工具实现自动日报推送；
- 接入 Elasticsearch，支持对话内容全文检索，方便运营复盘。
5.3 工具集能力拓展
基于统一run_tool路由，快速新增企业客服高频工具：
- 物流查询工具：对接快递 100 开放 API，输入订单号获取物流轨迹；
- 售后退款工具：调用售后系统接口，提交退款申请、查询退款进度；
- 商品推荐工具：根据用户查询的商品，返回关联配件库存与活动优惠；
- 知识库检索工具：接入向量数据库，实现产品 FAQ 智能问答。
5.4 交互界面升级
当前仅支持命令行交互，可快速封装上层交互界面：
- Web 端：基于 Gradio/Streamlit 搭建可视化网页客服界面，实时展示 Agent 思考日志；
- 对接企业渠道：封装 API 接口，对接小程序、企业微信、抖音小店客服窗口；
- 可视化面板：实时展示每一轮 T-A-O 推理链路，用于产品演示、教学培训。
5.5 安全与风控优化
- 参数校验：对订单号、邮箱、商品名校验输入格式，防止注入攻击；
- 邮件权限管控：限制仅管理员邮箱接收对话记录，避免会话数据泄露；
- 访问限流：单用户每分钟工具调用次数限制，防止恶意高频查询压垮业务数据库；
- 敏感词过滤：对话内容过滤手机号、身份证等隐私信息，邮件发送前脱敏处理。
六、总结：Agent 开发入门核心收获
本文完整实现了一套分层架构、可追溯推理、具备真实业务能力的轻量化智能客服 Agent，从代码分层设计、T-A-O 智能体闭环、工具调用路由、决策日志可视化、多轮对话邮件归档多个维度完成拆解。对于 Agent 技术入门学习者，通过本项目可以掌握三大核心知识点：
- Agent 标准 T-A-O 闭环范式：理解智能体 “思考判断 - 工具执行 - 结果观察” 的基础运行逻辑，这是所有大模型 Agent（AutoGPT、LangChain Agent）的底层核心原理；
- 模块化工程设计思想：业务工具、推理逻辑、日志存储分层解耦，掌握可扩展、易维护的 Python 工程开发规范；
- 业务落地 Demo 改造能力：基于现有代码快速拓展客服场景功能，无缝对接后端数据库、邮件、第三方 API，低成本搭建私有智能客服机器人。
不同于网上大量仅做模拟输出、无真实业务能力的玩具 Demo，本项目的邮件归档、可视化推理日志两大特色功能可直接用于课程作业、技术演示、小型企业内部客服工具。读者运行代码后，可基于文中给出的扩展方案，尝试接入大模型、Web 界面、数据库持久化，一步步从 Demo 升级为完整可用的生产级智能客服系统。
可完整运行代码
import time
import yagmail
from typing import Dict, List, Any
from dataclasses import dataclass
# ---------------------- 1. 决策日志实体 ----------------------
@dataclass
class DecisionRecord:
round_id: int # 对话轮次
thought: str # Agent思考内容
action: str # 执行动作（工具名）
action_params: Dict # 工具入参
observation: str # 工具返回结果
class DecisionLogger:
"""决策日志管理器，用于可视化思考过程"""
def __init__(self):
self.records: List[DecisionRecord] = []
def add_record(self, round_id: int, thought: str, action: str, params: Dict, observation: str):
rec = DecisionRecord(round_id, thought, action, params, observation)
self.records.append(rec)
def visualize(self):
"""可视化打印完整思考行动链"""
print("\n===== Agent 完整思考-行动决策链路 =====")
for item in self.records:
print(f"\n【第{item.round_id}轮】")
print(f"💭 思考(Thought): {item.thought}")
print(f"⚙️ 行动(Action): {item.action}")
print(f"📥 参数(Params): {item.action_params}")
print(f"📄 观察(Observation): {item.observation}")
print("========================================")
# ---------------------- 2. 工具集：订单、库存、真实邮件发送 ----------------------
class CustomerServiceTools:
"""客服可用工具库"""
def __init__(self):
# ========== 【核心配置区，必须修改为你自己的信息】 ==========
self.sender_mail = "你的QQ账号@qq.com" # 发件人QQ邮箱
self.auth_code = "你的QQ邮箱授权码" # 网页mail.qq.com生成的授权码
self.receiver_mail = "你的QQ账号@qq.com" # 接收对话记录的邮箱
# ==========================================================
# 模拟业务数据库
self.order_db = {
"O1001": {"status": "已发货", "goods": "无线鼠标", "num": 2},
"O1002": {"status": "待发货", "goods": "机械键盘", "num": 1}
}
self.stock_db = {
"无线鼠标": 156,
"机械键盘": 23
}
def query_order(self, order_no: str) -> str:
"""工具1：查询订单"""
time.sleep(0.2)
if order_no in self.order_db:
info = self.order_db[order_no]
return f"订单{order_no}：商品{info['goods']}，数量{info['num']}，状态{info['status']}"
else:
return f"未查询到订单号 {order_no}"
def query_stock(self, product_name: str) -> str:
"""工具2：查询库存"""
time.sleep(0.2)
stock = self.stock_db.get(product_name, 0)
return f"商品【{product_name}】当前库存：{stock}件"
def send_email(self, receiver: str, content: str) -> str:
"""工具3：真实QQ邮箱发送，捕获异常防崩溃"""
try:
# 连接QQ邮箱SMTP服务器
mail_client = yagmail.SMTP(
user=self.sender_mail,
password=self.auth_code,
host="smtp.qq.com"
)
# 发送邮件
mail_client.send(
to=receiver,
subject="【智能客服Agent完整对话记录】",
contents=content
)
return f"✅ 对话记录邮件发送成功！收件人：{receiver}"
except Exception as err:
return f"❌ 邮件发送失败，错误详情：{str(err)}"
# 工具路由分发器
def run_tool(self, tool_name: str, params: Dict[str, Any]) -> str:
if tool_name == "query_order":
return self.query_order(params["order_no"])
elif tool_name == "query_stock":
return self.query_stock(params["product_name"])
elif tool_name == "send_email":
return self.send_email(params["receiver"], params["content"])
else:
return f"不存在工具：{tool_name}"
# ---------------------- 3. Agent核心：思考-行动-观察闭环 ----------------------
class ServiceAgent:
def __init__(self):
self.tools = CustomerServiceTools()
self.logger = DecisionLogger()
self.round = 0
# 新增：存储全部对话历史
self.dialog_history = []
def think(self, user_input: str) -> tuple[str, str, Dict]:
"""意图识别模块，规则匹配，可替换大模型LLM"""
self.round += 1
user_text = user_input.strip()
if "订单" in user_text and "O1001" in user_text:
thought = "用户想要查询O1001订单，调用query_order工具，传入订单号O1001"
action = "query_order"
params = {"order_no": "O1001"}
elif "库存" in user_text and "机械键盘" in user_text:
thought = "用户询问机械键盘库存，调用query_stock工具"
action = "query_stock"
params = {"product_name": "机械键盘"}
elif "发邮件" in user_text:
thought = "用户请求发送全部对话记录邮件，调用send_email工具，把历史对话作为邮件正文"
action = "send_email"
# 拼接完整对话记录作为邮件内容
mail_content = "===== 本次智能客服完整对话记录 =====\n"
for idx, item in enumerate(self.dialog_history, 1):
mail_content += f"\n【第{idx}轮】\n用户：{item['user']}\n客服：{item['reply']}\n"
params = {
"receiver": self.tools.receiver_mail,
"content": mail_content
}
else:
thought = "无法识别用户需求，无需调用工具，返回兜底提示"
action = "reply_direct"
params = {}
return thought, action, params
def run_agent(self, user_message: str) -> str:
"""单次完整思考-执行-记录闭环"""
thought, action, params = self.think(user_message)
if action == "reply_direct":
obs = "暂时无法识别您的请求，请提供订单号/商品名称，或输入'发邮件'发送全部对话记录"
else:
obs = self.tools.run_tool(action, params)
# 写入决策日志
self.logger.add_record(
round_id=self.round,
thought=thought,
action=action,
params=params,
observation=obs
)
# 保存本轮用户提问+客服回复到对话历史
self.dialog_history.append({
"user": user_message,
"reply": obs
})
return obs
def chat_loop(self):
"""交互式多轮对话入口"""
print("🤖 智能客服Agent已启动")
print("使用指令示例：")
print("1. 查询O1001订单")
print("2. 机械键盘库存还有多少")
print("3. 发邮件（自动把所有对话记录发送到邮箱）")
print("输入 quit 退出对话\n")
while True:
user_msg = input("用户：")
if user_msg.lower() == "quit":
break
reply = self.run_agent(user_msg)
print(f"客服回复：{reply}\n")
# 退出后打印完整决策链路
self.logger.visualize()
# ---------------------- 4. 程序入口 ----------------------
if __name__ == "__main__":
agent = ServiceAgent()
agent.chat_loop()
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
0
0- 0
已为社区贡献2条内容
所有评论(0)