用LangGraph和FastAPI手把手搭建电商智能客服：从意图识别到混合检索的完整实战

用LangGraph和FastAPI构建电商智能客服从意图识别到混合检索的完整实战电商平台的智能客服系统已经成为提升用户体验的关键组件。想象一下当用户在深夜浏览商品时遇到问题或是需要快速查询订单状态时一个能够即时响应、精准解答的智能助手是多么重要。本文将带你从零开始构建一个基于LangGraph和FastAPI的智能客服系统涵盖从意图识别到混合检索的完整技术栈。1. 系统架构设计智能客服系统的核心在于将复杂的业务逻辑分解为可管理的模块。我们采用Multi-Agent架构通过LangGraph实现各模块间的协同工作。整个系统分为以下几个关键组件意图识别模块负责解析用户输入的原始问题业务处理模块包括通用问答、知识库查询等子模块混合检索引擎整合GraphRAG和Neo4j的检索能力API服务层通过FastAPI提供标准化接口# 系统架构示例代码 from langgraph.graph import Graph from fastapi import FastAPI app FastAPI() workflow Graph() # 定义系统节点 workflow.add_node(intent_recognition, intent_recognition_fn) workflow.add_node(knowledge_query, knowledge_query_fn) workflow.add_node(order_processing, order_processing_fn)2. 意图识别实现意图识别是智能客服的第一道关卡。我们利用LangChain的PromptTemplate结合LangGraph的路由功能构建了一个高效的意图分类系统。关键实现步骤设计针对电商场景的Prompt模板配置路由条件边实现意图分流处理模糊查询的追问逻辑from langchain.prompts import PromptTemplate intent_prompt PromptTemplate.from_template( 你是一个电商客服助手请分析以下问题属于哪种类型 1. 商品咨询 2. 订单查询 3. 售后服务 4. 其他问题 用户问题{question} ) # 路由条件判断函数 async def should_route_to_knowledge(state): intent await classify_intent(state[question]) return intent in [商品咨询, 售后服务]3. 混合检索系统集成电商知识通常包含结构化和非结构化数据。我们采用Microsoft GraphRAG处理非结构化文档Neo4j管理商品、订单等结构化数据。3.1 GraphRAG配置from graphrag import GraphRAG graph_rag GraphRAG( index_nameecommerce_knowledge, embedding_modeltext-embedding-3-small ) # 知识库索引示例 documents [ {content: 退换货政策7天无理由退货..., metadata: {type: policy}}, {content: 会员积分规则每消费1元积1分..., metadata: {type: member}} ] graph_rag.index_documents(documents)3.2 Neo4j集成// Neo4j数据模型示例 CREATE (p:Product {name: 智能音箱, price: 299, stock: 100}) CREATE (o:Order {id: ORD123, status: shipped}) CREATE (u:User {name: 张三, level: gold})4. FastAPI接口封装将LangGraph工作流封装为RESTful API方便前端或其他系统调用。我们使用FastAPI的依赖注入系统管理图状态。核心API端点端点方法描述/queryPOST处理用户查询/statusGET获取服务状态from fastapi import Depends from langgraph.checkpoint import MemorySaver checkpoint MemorySaver() app.post(/query) async def handle_query(question: str): app_state {question: question} async for event in workflow.astream( app_state, checkpointcheckpoint ): if answer in event: return {response: event[answer]}5. 部署与优化建议实际部署时需要考虑以下几个关键因素性能优化对高频查询实现缓存机制使用异步I/O提高并发处理能力安全考虑实现输入验证和过滤设置API速率限制监控指标响应时间意图识别准确率知识库命中率# 性能监控示例 uvicorn app:app --host 0.0.0.0 --port 8000 \ --workers 4 \ --log-level info6. 实战技巧与踩坑记录在开发过程中我们发现几个值得注意的地方意图识别模糊对于我的订单怎么样了这类模糊查询最佳实践是设计追问逻辑引导用户提供更多信息知识库更新建立定时任务自动更新知识库索引避免信息过期错误处理为每个子图设计专门的错误处理节点防止单点故障影响整个系统混合检索时的一个典型问题是如何平衡GraphRAG和Neo4j的查询。我们的经验是先进行意图识别明确查询类型结构化查询优先使用Neo4j开放式问题使用GraphRAG复杂查询结合两者结果