黑马大模型 RAG 与 Agent 实战学习笔记——智扫通 Agent 项目

🤖 智扫通 Agent 项目概览

本项目是一个面向消费者（toC）的扫地机器人智能客服系统。它不仅在购前、使用中及售后阶段提供全场景问答支持，还能基于 RAG 技术提供精准的决策依据。

一、核心功能

智能问答服务
- 全周期支持：处理购前咨询（型号对比、护户型适配）、使用指引及售后故障排查。
- RAG 增强生成：基于扫地机专业知识库，结合大模型生成高置信度的本地化回复。
ReAct 智能决策
- 采用 思考-行动-观察 框架，能够根据用户意图精准调用 RAG 工具或进行数据分析。
现代化 UI 交互
- 提供基于 Streamlit 的深美化前端界面，支持多回话管理、流式输出及历史记录持久化。

二、代码目录架构

本项目已完成核心工程搭建，各模块职司如下：

text 复制代码

zhisaotong_agent/
  ├─ agent/                     # 智能体核心逻辑
  │  ├─ tools/                  # 智能体可调用工具（RAG、数据分析等）
  │  └─ react_agent.py          # ReAct 对话流控制中心
  ├─ config/                    # 业务配置文件 (YAML)
  ├─ model/                     # 模型连接工厂 (Chat / Embedding)
  ├─ prompts/                   # 提示词模板与 System Prompt 仓库
  ├─ rag/                       # RAG 检索增强引擎
  │  ├─ rag_service.py          # 文档检索与摘要服务
  │  └─ vector_store.py         # 向量库 (Chroma) 封装
  ├─ utils/                     # 增强工具集（配置读写、文件处理、日志等）
  ├─ app.py                     # Streamlit 应用主入口
  └─ PROJECT_OVERVIEW.md        # 项目技术白皮书

三、技术架构 (Mermaid)

用户指令
调用工具
推理逻辑
向量检索
检索增强
Streamlit UI
app.py
ReactAgent
Agent Tools
Chat Model
VectorStore
RagService
Model Factory
Embedding Model
Config
Logger

四、开发计划与状态

第一阶段：基础工程搭建、依赖与环境配置。
第二阶段：向量库构建、知识文档导入与 RAG 检索闭环。
第三阶段：ReAct 智能体逻辑实现、工具函数注入。
第四阶段：UI 美化、多轮对话持久化与流式响应优化。
持续迭代：接入更多维度的用户使用报告分析、耗材提醒等高级功能。

$!TIP$
运行方式：执行 streamlit run zhisaotong_agent/app.py 即可开启专业服务。

📜 声明 Disclaimer

本项目仅用于个人学习，与黑马程序员官方无直接关联。欢迎开发者参考、交流与扩展。

学习用途：本仓库仅用于个人学习与笔记整理，无任何商业用途。
非官方代码：本项目与黑马程序员、课程官方无直接关联，仅参考其公开课程内容进行实践。
欢迎扩展：你可以在此基础上继续扩展自己的 RAG / Agent 实战项目与实验。
仓库代码

先赞后看，养成习惯！！！^ _ ^ ❤️ ❤️ ❤️
码字不易，大家的支持就是我的坚持下去的动力。点赞后不要忘了关注我哦！