一.项目整体概要

1.项目概述

智扫引擎Agent项目是一个面向消费者（toC）的智能客服系统，旨在为用户提供全周期的扫地机器人相关服务,该系统基于Agentic RAG（智能体驱动的检索增强生成）技术构建，通过一个具有自主决策与执行能力的统一智能体界面，为用户提供高效、准确且个性化的购买咨询与售后支持，并生成深度洞察的使用报告与优化建议，全面提升用户体验与产品价值

业务方向:

2.项目背景

随着智能家居设备的普及，扫地机器人已成为许多家庭的重要工具,用户在购买前通常需要了解产品功能、性价比等信息，购买后则关注使用指导、故障排查及性能优化。传统客服方式或基础RAG系统在应对复杂、多轮或需要主动规划的查询时存在局限,因此，本项目采用先进的Agentic RAG架构，构建一个能够自主分解任务、决策、调用工具并持续优化的智能体，实现更精准、更人性化、更主动的24/7无缝服务

3.核心功能

（1）智能问答服务

• 处理购买前的产品咨询（如功能、价格、对比等）
• 解决购买后的使用问题（如操作指导、故障处理、维护建议等）
• 基于RAG技术，从知识库中检索准确信息并生成自然语言回答，确保响应及时且可靠

（2）使用报告与优化建议生成

• 针对已购买用户,自动分析扫地机器人的使用数据(如清洁频率、耗材状态、错误日志等)
• 生成个性化报告,总结使用情况并提供优化建议（如清洁计划调整、部件更换提醒等）
• 支持用户主动查询报告或系统定期推送，帮助用户最大化产品价值

4.技术亮点

• RAG架构：结合检索与生成技术，增强回答的准确性与多样性，减少幻觉现象
• 多任务集成：单一Agent同时处理问答和报告生成任务，降低系统复杂度，提升响应效率
• 用户友好设计：面向C端用户，采用简洁的交互界面（如文字/语音对话),适配多种场景
• 持续学习机制：通过用户反馈动态优化知识库与模型，实现服务迭代升级

5.应用价值

• 提升用户体验：快速响应客户需求，减少等待时间，提供一站式解决方案
• 降低企业成本：自动化客服流程，减少人工客服负担，优化资源配置
• 增强用户粘性：通过个性化报告与建议，帮助用户更好地使用产品，促进长期忠诚度

6.总结

智扫引擎Agent项目通过引入Agentic RAG技术，构建了一个高效、智能的客服系统，不仅解决了传统客服的痛点，还为已购买用户提供了增值服务。该项目体现了人工智能在消费级场景中的实用性与创新性，显著提升了其在售前咨询和售后支持全链路中的价值，有望成为智能家居领域客户服务的标杆解决方案

二.项目介绍及环境搭建

1.项目介绍

(1).背景介绍

在人工智能迈向“具身智能”新纪元的时代背景下，智能体（Agent）不再是孤立的数据处理器，而是逐渐成为能够感知环境、执行任务并与人类深度交互的实体,扫地机器人作为家庭环境中最具代表性的“具身”智能体之一，正面临着从“智能工具”到“智能伴侣”的转型需求,这一转型不仅要求产品本身具备强大的物理执行能力，更要求其拥有与用户进行持续、有效沟通的数字生命线。

目前，用户在整个产品生命周期中——从购买前的功能咨询、比价，到购买后的使用指导、维护与优化——都存在与品牌方即时沟通的强烈需求,传统的客服模式响应迟缓、知识割裂，难以满足用户对一站式、智能化服务的期待，尤其无法为已购用户提供基于其具体使用数据的个性化深度支持

为此，这里致力于构建一个新一代的具身智能服务中枢,本系统将超越传统问答机器人的范畴，以一个具备多任务协同能力的高级Agent架构为核心,它不仅能够精准、即时地回应用户售前售后的各类问题，更能为已购买的用户提供独特的增值服务：系统通过授权连接至用户的扫地机器人，主动分析其运行日志与环境数据，从而生成量身定制的使用情况报告与优化建议。

这标志着服务从“被动应答”升级为“主动关怀”，让每一个在物理世界辛勤工作的具身智能体，都能在数字世界拥有一个专属于它的“声音”与“大脑”，最终为用户构建一个感知、决策、执行与反馈一体化的完美智能家居体验

在本项目中，一个智能体将作为用户唯一的服务接触点，直接为C端用户提供一站式服务，高效解答咨询并同步生成定制报告

(2).项目架构

整体架构如下：

2.环境搭建

(1).创建Conda虚拟环境

conda create -n ZST_ENV python=3.10
conda activate ZST_ENV

(2).安装项目依赖包

要求在 Python>=3.10.0 环境中安装 requirements.txt,requirements.txt详细内容如下:

chromadb==1.0.15
click==8.2.1
fastapi==0.135.1
Flask==3.1.1
GitPython==3.1.45
gradio==4.44.0
jieba==0.42.1
Jinja2==3.1.6
joblib==1.5.2
langchain==0.3.27
langchain-community==0.3.27
langchain-core==0.3.72
langchain-ollama==0.3.6
langchain-text-splitters==0.3.9
langsmith==0.4.8
Markdown==3.8.2
markdown-it-py==3.0.0
MarkupSafe==2.1.5
matplotlib==3.10.7
numpy==1.26.4
ollama==0.5.1
onnxruntime==1.22.1
pandas==2.3.1
pillow==10.4.0
protobuf==6.31.1
pydantic==2.11.7
pyparsing==3.2.5
pypdf==5.9.0
PyPika==0.48.9
PyYAML==6.0.2
requests==2.32.4
rich==14.1.0
rouge_score==0.1.2
safehttpx==0.1.7
safetensors==0.5.3
scikit-learn==1.7.2
scipy==1.15.3
sentencepiece==0.2.1
streamlit==1.51.0
tokenizers==0.21.2
torch==2.7.0
torchvision==0.22.0
tqdm==4.67.1
transformers==4.55.2
tzdata==2025.2
urllib3==2.5.0
uvicorn==0.35.0

执行如下命令：

pip install -r requirements.txt

如果通过上面命令执行不了, 就单独pip install 安装requirement.txt里面每一个包

怎么生成requirement.txt呢?

# 查看conda环境
conda env list
# 1.激活需要生成的conda 环境,并进入
conda activate test

# 2.使用pip freeze > requirement.txt 命令, 把test环境中的所有包放到requirement.txt中即可
pip freeze > requirement.txt

【上一篇】【AI大模型应用开发】【项目实战】25.RAG智慧问答项目-(十三)生成环境部署

【下一篇】