自拍偷在线精品自拍偷,亚洲欧美中文日韩v在线观看不卡

LangGraph實戰(zhàn)：從零分階打造人工智能航空客服助手 精華

發(fā)布于 2024-11-13 14:40
瀏覽
0收藏

客服助手機器人能夠幫助團隊更高效地處理日常咨詢，但要打造一個能夠穩(wěn)定應(yīng)對各種任務(wù)且不會讓用戶感到煩惱的機器人并非易事。

完成本教程后，你不僅會擁有一個功能完備的機器人，還將深入理解LangGraph的核心理念和架構(gòu)設(shè)計。這些知識將幫助你在其他人工智能項目中運用相似的設(shè)計模式。

由于內(nèi)容較多，本文將由淺入深，分四個階段進行講解，每個階段都將打造出一個具備以上描述所有能力的機器人。但受限于LLM的能力，初期階段的機器人的運行可能存在各類問題，但都將在后續(xù)階段得到解決。

你最終完成的聊天機器人將類似于以下示意圖：

LangGraph實戰(zhàn)：從零分階打造人工智能航空客服助手-AI.x社區(qū)

最終示意圖

現(xiàn)在，讓我們開啟這第一階段段的學(xué)習(xí)之旅吧！

準備工作

在開始之前，我們需要搭建好環(huán)境。本教程將安裝一些必要的先決條件，包括下載測試用的數(shù)據(jù)庫，并定義一些在后續(xù)各部分中會用到的工具。

我們會使用 Claude 作為語言模型（LLM），并創(chuàng)建一些定制化的工具。這些工具大多數(shù)會連接到本地的 SQLite 數(shù)據(jù)庫，無需額外依賴。此外，我們還會通過 Tavily 為代理提供網(wǎng)絡(luò)搜索功能。

%%capture --no-stderr
% pip install -U langgraph langchain-community langchain-anthropic tavily-python pandas

數(shù)據(jù)庫初始化

接下來，執(zhí)行下面的腳本來獲取我們?yōu)檫@個教程準備的 SQLite 數(shù)據(jù)庫，并更新它以反映當(dāng)前的數(shù)據(jù)狀態(tài)。具體細節(jié)不是重點。

import os
import requests
import sqlite3
import pandas as pd
import shutil

# 下載數(shù)據(jù)庫文件
db_url = "https://storage.googleapis.com/benchmarks-artifacts/travel-db/travel2.sqlite"
local_file = "travel2.sqlite"
backup_file = "travel2.backup.sqlite"
overwrite = False
if not os.path.exists(local_file) or overwrite:
    response = requests.get(db_url)
    response.raise_for_status()  # 確保請求成功
    with open(local_file, "wb") as file:
        file.write(response.content)

# 創(chuàng)建數(shù)據(jù)庫備份，以便在每個教程部分開始時重置數(shù)據(jù)庫狀態(tài)
shutil.copy(local_file, backup_file)

# 將航班數(shù)據(jù)更新為當(dāng)前時間，以適應(yīng)我們的教程
conn = sqlite3.connect(local_file)
cursor = conn.cursor()

# 讀取數(shù)據(jù)庫中的所有表
tables = pd.read_sql(
    "SELECT name FROM sqlite_master WHERE type='table';", conn
).name.tolist()
tdf = {}
for table_name in tables:
    tdf[table_name] = pd.read_sql(f"SELECT * from {table_name}", conn)

# 找到最早的出發(fā)時間，并計算時間差
example_time = pd.to_datetime(
    tdf["flights"]["actual_departure"].replace("\\N", pd.NaT)
).max()
current_time = pd.to_datetime("now").tz_localize(example_time.tz)
time_diff = current_time - example_time

# 更新預(yù)訂日期和航班時間
for column in ["book_date", "scheduled_departure", "scheduled_arrival", "actual_departure", "actual_arrival"]:
    tdf["flights"][column] = pd.to_datetime(
        tdf["flights"][column].replace("\\N", pd.NaT)
    ) + time_diff

# 將更新后的數(shù)據(jù)寫回數(shù)據(jù)庫
for table_name, df in tdf.items():
    df.to_sql(table_name, conn, if_exists="replace", index=False)
conn.commit()
conn.close()

# 在本教程中，我們將使用這個本地文件作為數(shù)據(jù)庫
db = local_file

工具定義

現(xiàn)在，我們來定義一些工具，以便助手可以搜索航空公司的政策手冊，以及搜索和管理航班、酒店、租車和遠足活動的預(yù)訂。這些工具將在教程的各個部分中重復(fù)使用，具體的實現(xiàn)細節(jié)不是關(guān)鍵。

查詢公司政策

助手需要檢索政策信息來回答用戶的問題。請注意，這些政策的實施還需要在工具或 API 中進行，因為語言模型可能會忽略這些信息。以下工具受限于篇幅將僅提供定義及描述，詳細代碼[1]可在github上獲取。

import re
import numpy as np
import openai
from langchain_core.tools import tool


@tool
def lookup_policy(query):
    """查詢公司政策，以確定某些選項是否允許。"""

航班管理

定義一個工具來獲取用戶的航班信息，然后定義一些工具來搜索航班和管理用戶的預(yù)訂信息，這些信息存儲在 SQL 數(shù)據(jù)庫中。

我們使用 ensure_config? 來通過配置參數(shù)傳遞 passenger_id。語言模型不需要顯式提供這些信息，它們會在圖的每次調(diào)用中提供，以確保每個用戶無法訪問其他乘客的預(yù)訂信息。

from langchain_core.runnables import ensure_config
from typing import Optional
import sqlite3
import pytz
from datetime import datetime, timedelta, date

@tool
def fetch_user_flight_information():
    """獲取用戶的所有機票信息，包括航班詳情和座位分配。"""

@tool
def search_flights(
    departure_airport=None,
    arrival_airport=None,
    start_time=None,
    end_time=None,
    limit=20,
):
    """根據(jù)出發(fā)機場、到達機場和出發(fā)時間范圍來搜索航班。"""

@tool
def update_ticket_to_new_flight(ticket_no, new_flight_id):
    """將用戶的機票更新到一個新的有效航班上。"""

@tool
def cancel_ticket(ticket_no):
    """取消用戶的機票，并從數(shù)據(jù)庫中移除。"""

租車服務(wù)

用戶預(yù)訂了航班后，可能需要租車服務(wù)。定義一些工具，讓用戶能夠在目的地搜索和預(yù)訂汽車。

from typing import Optional, Union
from datetime import datetime, date

@tool
def search_car_rentals(
    locatinotallow=None,
    name=None,
    price_tier=None,
    start_date=None,
    end_date=None,
):
    """
    根據(jù)位置、公司名稱、價格等級、開始日期和結(jié)束日期來搜索租車服務(wù)。

    參數(shù)：
        location (Optional[str]): 租車服務(wù)的位置。
        name (Optional[str]): 租車公司的名稱。
        price_tier (Optional[str]): 租車的價格等級。
        start_date (Optional[Union[datetime, date]]): 租車的開始日期。
        end_date (Optional[Union[datetime, date]]): 租車的結(jié)束日期。

    返回：
        list[dict]: 匹配搜索條件的租車服務(wù)列表。
    """

@tool
def book_car_rental(rental_id):
    """
    通過租車ID來預(yù)訂租車服務(wù)。

    參數(shù)：
        rental_id (int): 要預(yù)訂的租車服務(wù)的ID。

    返回：
        str: 預(yù)訂成功與否的消息。
    """

@tool
def update_car_rental(
    rental_id,
    start_date=None,
    end_date=None,
):
    """
    通過租車ID來更新租車服務(wù)的開始和結(jié)束日期。

    參數(shù)：
        rental_id (int): 要更新的租車服務(wù)的ID。
        start_date (Optional[Union[datetime, date]]): 新的租車開始日期。
        end_date (Optional[Union[datetime, date]]): 新的租車結(jié)束日期。

    返回：
        str: 更新成功與否的消息。
    """

@tool
def cancel_car_rental(rental_id):
    """
    通過租車ID來取消租車服務(wù)。

    參數(shù)：
        rental_id (int): 要取消的租車服務(wù)的ID。

    返回：
        str: 取消成功與否的消息。
    """

酒店預(yù)訂

用戶需要住宿，因此定義一些工具來搜索和管理酒店預(yù)訂。

@tool
def search_hotels(
    locatinotallow=None,
    name=None,
    price_tier=None,
    checkin_date=None,
    checkout_date=None,
):
    """
    根據(jù)位置、名稱、價格等級、入住日期和退房日期來搜索酒店。

    參數(shù)：
        location (Optional[str]): 酒店的位置。
        name (Optional[str]): 酒店的名稱。
        price_tier (Optional[str]): 酒店的價格等級。
        checkin_date
        
        # 入住日期和退房日期，用于搜索酒店
        checkin_date (Optional[Union[datetime, date]]): 酒店的入住日期。
        checkout_date (Optional[Union[datetime, date]]): 酒店的退房日期。

    返回：
        list[dict]: 符合搜索條件的酒店列表。
    """
    
@tool
def book_hotel(hotel_id):
    """
    通過酒店ID進行預(yù)訂。

    參數(shù)：
        hotel_id (int): 要預(yù)訂的酒店的ID。

    返回：
        str: 預(yù)訂成功與否的消息。
    """
    
@tool
def update_hotel(
    hotel_id,
    checkin_date=None,
    checkout_date=None,
):
    """
    通過酒店ID更新酒店預(yù)訂的入住和退房日期。

    參數(shù)：
        hotel_id (int): 要更新預(yù)訂的酒店的ID。
        checkin_date (Optional[Union[datetime, date]]): 新的入住日期。
        checkout_date (Optional[Union[datetime, date]]): 新的退房日期。

    返回：
        str: 更新成功與否的消息。
    """
    
@tool
def cancel_hotel(hotel_id):
    """
    通過酒店ID取消酒店預(yù)訂。

    參數(shù)：
        hotel_id (int): 要取消預(yù)訂的酒店的ID。

    返回：
        str: 取消成功與否的消息。
    """

遠足活動

最后，定義一些工具，讓用戶在到達目的地后搜索活動并進行預(yù)訂。

@tool
def search_trip_recommendations(
    locatinotallow=None,
    name=None,
    keywords=None,
):
    """
    根據(jù)位置、名稱和關(guān)鍵詞搜索旅行推薦。

    參數(shù)：
        location (Optional[str]): 旅行推薦的地點。
        name (Optional[str]): 旅行推薦的名字。
        keywords (Optional[str]): 與旅行推薦相關(guān)的關(guān)鍵詞。

    返回：
        list[dict]: 符合搜索條件的旅行推薦列表。
    """
    
@tool
def book_excursion(recommendation_id):
    """
    通過推薦ID預(yù)訂遠足活動。

    參數(shù)：
        recommendation_id (int): 要預(yù)訂的旅行推薦的ID。

    返回：
        str: 預(yù)訂成功與否的消息。
    """
    
@tool
def update_excursion(recommendation_id, details):
    """
    通過推薦ID更新旅行推薦的細節(jié)。

    參數(shù)：
        recommendation_id (int): 要更新的旅行推薦的ID。
        details (str): 旅行推薦的新細節(jié)。

    返回：
        str: 更新成功與否的消息。
    """
    
@tool
def cancel_excursion(recommendation_id):
    """
    通過推薦ID取消旅行推薦。

    參數(shù)：
        recommendation_id (int): 要取消的旅行推薦的ID。

    返回：
        str: 取消成功與否的消息。
    """

實用工具

定義一些輔助函數(shù)，以便在調(diào)試過程中美化圖形中的消息顯示，并為工具節(jié)點添加錯誤處理（通過將錯誤添加到聊天記錄中）。

from langgraph.prebuilt import ToolNode
from langchain_core.runnables import RunnableLambda

def handle_tool_error(state):
    error = state.get("error")
    tool_calls = state["messages"][-1].tool_calls
    return {
        "messages": [
            ToolMessage(
                cnotallow=f"錯誤: {repr(error)}\n請修正你的錯誤。",
                tool_call_id=tc["id"],
            )
            for tc in tool_calls
        ]
    }

def create_tool_node_with_fallback(tools):
    return ToolNode(tools).with_fallbacks(
        [RunnableLambda(handle_tool_error)], exception_key="error"
    )

def _print_event(event, _printed, max_length=1500):
    current_state = event.get("dialog_state")
    if current_state:
        print(f"當(dāng)前狀態(tài): ", current_state[-1])
    message = event.get("messages")
    if message:
        if isinstance(message, list):
            message = message[-1]
        if message.id not in _printed:
            msg_repr = message.pretty_repr(html=True)
            if len(msg_repr) > max_length:
                msg_repr = msg_repr[:max_length] + " ... （內(nèi)容已截斷）"
            print(msg_repr)
            _printed.add(message.id)

第一部分：零樣本代理

在構(gòu)建任何系統(tǒng)時，最佳實踐是從最簡單的可行方案開始，并通過使用類似LangSmith這樣的評估工具來測試其有效性。在條件相同的情況下，我們傾向于選擇簡單且可擴展的解決方案，而不是復(fù)雜的方案。然而，單一圖譜方法存在一些限制，比如機器人可能在未經(jīng)用戶確認的情況下執(zhí)行不希望的操作，處理復(fù)雜查詢時可能遇到困難，或者在回答時缺乏針對性。這些問題我們會在后續(xù)進行改進。 在這部分，我們將定義一個簡單的零樣本代理作為用戶的助手，并將所有工具賦予給它。我們的目標(biāo)是引導(dǎo)它明智地使用這些工具來幫助用戶。 我們的簡單兩節(jié)點圖如下所示：

LangGraph實戰(zhàn)：從零分階打造人工智能航空客服助手-AI.x社區(qū)

第一部分圖解

首先，我們定義狀態(tài)。

狀態(tài)

我們將StateGraph的狀態(tài)定義為一個包含消息列表的類型化字典。這些消息構(gòu)成了聊天的記錄，也就是我們簡單助手所需要的全部狀態(tài)信息。

from langgraph.graph.message import add_messages, AnyMessage
from typing_extensions import TypedDict
from typing import Annotated


class State(TypedDict):
    messages: Annotated[list[AnyMessage], add_messages]

代理

然后，我們定義助手函數(shù)。這個函數(shù)接收圖的狀態(tài)，將其格式化為提示，然后調(diào)用一個大型語言模型（LLM）來預(yù)測最佳的響應(yīng)。

from langchain_core.runnables import Runnable, RunnableConfig
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_anthropic import ChatAnthropic
from langchain_core.prompts import ChatPromptTemplate


class Assistant:
    def __init__(self, runnable: Runnable):
        self.runnable = runnable

    def __call__(self, state: State, config: RunnableConfig):
        while True:
            passenger_id = config.get("passenger_id", None)
            state = {**state, "user_info": passenger_id}
            result = self.runnable.invoke(state)
            # 如果大型語言模型返回了一個空響應(yīng)，我們將重新提示它給出一個實際的響應(yīng)。
            if (
                not result.content
                or isinstance(result.content, list)
                and not result.content[0].get("text")
            ):
                messages = state["messages"] + [("user", "請給出一個真實的輸出。")]
                state = {**state, "messages": messages}
            else:
                break
        return {"messages": result}


# Haiku模型更快、成本更低，但準確性稍差
# llm = ChatAnthropic(model="claude-3-haiku-20240307")
llm = ChatAnthropic(model="claude-3-sonnet-20240229", temperature=1)

primary_assistant_prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "你是一個為瑞士航空提供幫助的客戶支持助手。"
            "使用提供的工具來搜索航班、公司政策和其他信息以幫助回答用戶的查詢。"
            "在搜索時，要有毅力。如果第一次搜索沒有結(jié)果，就擴大你的查詢范圍。"
            "如果搜索結(jié)果為空，不要放棄，先擴大搜索范圍。"
            "\n\n當(dāng)前用戶：\n<User>\n{user_info}\n</User>"
            "\n當(dāng)前時間：{time}。",
        ),
        ("placeholder", "{messages}"),
    ]
).partial(time=datetime.now())

part_1_tools = [
    TavilySearchResults(max_results=1),
    fetch_user_flight_information,
    search_flights,
    lookup_policy,
    update_ticket_to_new_flight,
    cancel_ticket,
    search_car_rentals,
    book_car_rental,
    update_car_rental,
    cancel_car_rental,
    search_hotels,
    book_hotel,
    update_hotel,
    cancel_hotel,
    search_trip_recommendations,
    book_excursion,
    update_excursion,
    cancel_excursion,
]
part_1_assistant_runnable = primary_assistant_prompt | llm.bind_tools(part_1_tools)

定義圖

現(xiàn)在，我們來創(chuàng)建圖。這張圖是我們這部分的最終助手。

from langgraph.checkpoint.sqlite import SqliteSaver
from langgraph.graph import StateGraph, END
from langgraph.prebuilt import tools_condition, ToolNode

builder = StateGraph(State)


# 定義節(jié)點：這些節(jié)點執(zhí)行具體的工作
builder.add_node("assistant", Assistant(part_1_assistant_runnable))
builder.add_node("action", create_tool_node_with_fallback(part_1_tools))
# 定義邊：這些邊決定了控制流程如何移動
builder.set_entry_point("assistant")
builder.add_conditional_edges(
    "assistant",
    tools_condition,
    # "action"調(diào)用我們的工具之一。END導(dǎo)致圖終止（并向用戶做出響應(yīng)）
    {"action": "action", END: END},
)
builder.add_edge("action", "assistant")

# 檢查點器允許圖保存其狀態(tài)
# 這是整個圖的完整記憶。
memory = SqliteSaver.from_conn_string(":memory:")
part_1_graph = builder.compile(checkpointer=memory)

from IPython.display import Image, display

try:
    display(Image(part_1_graph.get_graph(xray=True).draw_mermaid_png()))
except:
    # 這需要一些額外的依賴項，是可選的
    pass

LangGraph實戰(zhàn)：從零分階打造人工智能航空客服助手-AI.x社區(qū)

示例對話

現(xiàn)在，讓我們通過一系列對話示例來測試我們的聊天機器人。

import uuid
import shutil

# 假設(shè)這是用戶與助手之間可能發(fā)生的對話示例
tutorial_questions = [
    "你好，我的航班是什么時候？",
    "我可以把我的航班改簽到更早的時間嗎？我想今天晚些時候離開。",
    "那就把我的航班改簽到下周某個時間吧",
    "下一個可用的選項很好",
    "住宿和交通方面有什么建議？",
    "我想在為期一周的住宿中選擇一個經(jīng)濟實惠的酒店（7天），并且我還想租一輛車。",
    "好的，你能為你推薦的酒店預(yù)訂嗎？聽起來不錯。",
    "是的，去預(yù)訂任何中等價位且有可用性的酒店。",
    "對于汽車，我有哪些選擇？",
    "太棒了，我們只選擇最便宜的選項。預(yù)訂7天。",
    "那么，你對我的旅行有什么建議？",
    "在我在那里的時候，有哪些活動是可用的？",
    "有趣 - 我喜歡博物館，有哪些選擇？",
    "好的，那就為我在那里的第二天預(yù)訂一個。",
]

# 使用備份文件以便我們可以從每個部分的原始位置重新啟動
shutil.copy(backup_file, db)
thread_id = str(uuid.uuid4())

config = {
    "configurable": {
        # passenger_id 在我們的航班工具中使用
        # 以獲取用戶的航班信息
        "passenger_id": "3442 587242",
        # 檢查點通過 thread_id 訪問
        "thread_id": thread_id,
    }
}


_printed = set()
for question in tutorial_questions:
    events = part_1_graph.stream(
        {"messages": ("user", question)}, config, stream_mode="values"
    )
    for event in events:
        _print_event(event, _printed)

第一部分回顧

我們的簡單助手表現(xiàn)得還不錯！它能夠合理地回答所有問題，快速地在上下文中做出回應(yīng)，并成功地執(zhí)行了我們所有的任務(wù)。你可以通過查看LangSmith的示例跟蹤[2]來更好地了解LLM在上述交互中是如何被提示的。

如果這是一個簡單的問答機器人，我們可能會對上述結(jié)果感到滿意。由于我們的客戶支持機器人是代表用戶采取行動，因此它的一些行為有點令人擔(dān)憂：

  1. 當(dāng)我們專注于住宿時，助手預(yù)訂了一輛車，然后又不得不取消并稍后重新預(yù)訂：哎呀！在預(yù)訂之前，應(yīng)該讓用戶有最終決定權(quán)，以避免不需要的預(yù)訂。
  2. 助手在尋找推薦方面遇到了困難。我們可以通過添加更多的詳細指令和使用工具的示例來改進這一點，但為每個工具都這樣做可能會導(dǎo)致提示過長，讓代理感到不知所措。
  3. 助手不得不進行明確的搜索才能獲取用戶的相關(guān)信息。我們可以通過立即獲取用戶的旅行詳細信息，讓助手能夠直接回應(yīng)，從而節(jié)省大量時間。

在下一節(jié)中，我們將解決前兩個問題，期待你的持續(xù)關(guān)注！。

Reference

[1] 詳細代碼: https://github.com/langchain-ai/langgraph/blob/main/examples/customer-support/customer-support.ipynb

[2] LangSmith的示例跟蹤: https://smith.langchain.com/public/f9e77b80-80ec-4837-98a8-254415cb49a1/r/26146720-d3f9-44b6-9bb9-9158cde61f9d

本文轉(zhuǎn)載自 ??AI小智??，作者： AI小智

贊
收藏
回復(fù)
舉報
回復(fù)
相關(guān)推薦