基于 AutoGen 实现多智能体协同的电商客服系统

基于 AutoGen 实现多智能体协同的电商客服系统

前言

单个 LLM 再强大，也难以胜任复杂业务流程中的多角色协同。电商客服场景就是一个典型案例：客户咨询一个订单问题，可能涉及订单查询、物流跟踪、库存管理等多个专业领域，单一模型很难同时精通所有领域。

解决思路是角色分工 ：将不同职能拆解为独立的智能体（Agent），每个 Agent 专注自己的领域，通过群组对话实现协同。本文基于 AutoGen 框架，实现一个多智能体电商客服系统，展示如何通过角色定义、工具绑定和群组编排来完成复杂任务协同。

---

1. 整体架构

1.1 系统全景

1.2 智能体角色

角色	职责	绑定工具
客服接待	问题分类、路由分发	无
订单查询	查询订单详情	get_order_info
物流跟踪	查询物流状态	get_logistics_info
库存管理	查询库存、补货预估	get_inventory_info
用户代理	模拟用户确认结束	无

1.3 技术栈

• AutoGen：微软开源的多智能体对话框架
• DashScope（通义千问）：LLM 接口
• SelectorGroupChat：自动选择下一个发言者的群组聊天模式

---

2. 环境准备

2.1 依赖安装

pip install autogen-agentchat autogen-ext openai python-dotenv

2.2 环境变量

DASHCOPE_KEY=sk-your-api-key
BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

2.3 数据文件

将模拟数据存储在 data/ 目录下的 JSON 文件中：

data/
├── orders.json      # 订单数据
├── inventory.json   # 库存数据
└── logistics.json   # 物流数据

2.4 初始化 LLM 客户端

from autogen_ext.models.openai import OpenAIChatCompletionClient

model_client = OpenAIChatCompletionClient(
    model="qwen-plus",
    api_key=api_key,
    base_url=base_url,
    model_info={
        "vision": False,
        "function_calling": True,
        "json_output": True,
    }
)

AutoGen 通过 OpenAIChatCompletionClient 兼容所有 OpenAI 协议的 LLM 服务。

---

3. 数据服务层：模拟企业数据库

3.1 设计思路

真实场景中，Agent 需要调用企业内部的 API 获取数据。这里用 EnterpriseDataService 类模拟这一层，从外部 JSON 文件加载数据：

class EnterpriseDataService:
    """企业数据服务模拟类，从外部 JSON 文件加载数据"""
    
    def __init__(self):
        with open(DATA_DIR / "orders.json", "r", encoding="utf-8") as f:
            self.orders = json.load(f)
        with open(DATA_DIR / "inventory.json", "r", encoding="utf-8") as f:
            self.inventory = json.load(f)
        with open(DATA_DIR / "logistics.json", "r", encoding="utf-8") as f:
            self.logistics = json.load(f)
    
    def get_order_info(self, order_id: str) -> Dict:
        return self.orders.get(order_id, {})
    
    def get_inventory_info(self, product: str) -> Dict:
        return self.inventory.get(product, {})
    
    def get_logistics_info(self, tracking_number: str) -> Dict:
        return self.logistics.get(tracking_number, {})

3.2 工具函数封装

Agent 通过工具函数访问数据服务。工具函数必须是 async 的：

data_service = EnterpriseDataService()

async def get_order_info(order_id: str) -> str:
    """获取订单信息的工具函数"""
    order_info = data_service.get_order_info(order_id)
    if order_info:
        return f"订单信息查询成功：\n{json.dumps(order_info, ensure_ascii=False, indent=2)}"
    return f"未找到订单号 {order_id} 的信息"

async def get_inventory_info(product: str) -> str:
    """获取库存信息的工具函数"""
    ...

async def get_logistics_info(tracking_number: str) -> str:
    """获取物流信息的工具函数"""
    ...

---

4. 智能体定义

4.1 AssistantAgent：专业角色

每个 AssistantAgent 代表一个专业角色，通过 system_message 定义职责，通过 tools 绑定可调用的工具：

from autogen_agentchat.agents import AssistantAgent

# 客服接待 - 负责问题分类和路由
customer_service_agent = AssistantAgent(
    name="customer_service_agent",
    model_client=model_client,
    system_message="""你是一名专业的电商客服接待员。你的职责是：
1. 友好接待客户，了解客户问题
2. 对问题进行初步分类
3. 将问题转交给相应的专业团队处理""",
    reflect_on_tool_use=True,
    model_client_stream=True,
)

# 订单查询 - 绑定订单查询工具
order_query_agent = AssistantAgent(
    name="order_query_agent",
    model_client=model_client,
    tools=[get_order_info],  # 绑定工具
    system_message="""你是订单查询专员，负责处理所有订单相关的查询。
当客户提供订单号时，请立即使用 get_order_info 函数查询订单信息。""",
    reflect_on_tool_use=True,
    model_client_stream=True,
)

关键参数：

参数	含义
system_message	角色定义和职责说明
tools	可调用的工具函数列表
reflect_on_tool_use	工具调用后是否反思结果
model_client_stream	是否启用流式输出

4.2 UserProxyAgent：模拟用户

UserProxyAgent 模拟真实用户行为，用于自然结束对话：

from autogen_agentchat.agents import UserProxyAgent

def auto_reply_input(input_prompt: str = "") -> str:
    return "谢谢您的帮助，问题已解决!"

user_agent = UserProxyAgent(
    name="user_agent",
    description="模拟用户行为，用于自然结束对话",
    input_func=auto_reply_input
)

当智能体完成服务后，user_agent 自动回复"谢谢"，触发对话终止。

---

5. 群组编排：SelectorGroupChat

5.1 核心概念

AutoGen 提供多种群组聊天模式，本例使用 SelectorGroupChat：

• LLM 根据对话上下文自动选择下一个发言者
• 类似真实群聊中"谁该接话"的自然流转

5.2 终止条件

from autogen_agentchat.conditions import TextMentionTermination, MaxMessageTermination

# 文本终止：消息包含特定文本时结束
text_termination = (
    TextMentionTermination("谢谢您的帮助") |
    TextMentionTermination("问题已解决")
)

# 最大消息数终止：防止无限轮询
max_msg_termination = MaxMessageTermination(max_messages=12)

# 组合终止条件
termination_condition = text_termination | max_msg_termination

5.3 创建群组

from autogen_agentchat.teams import SelectorGroupChat

def create_group_chat():
    return SelectorGroupChat(
        [customer_service_agent, order_query_agent, 
         logistics_agent, inventory_agent, user_agent],
        model_client=model_client,
        termination_condition=termination_condition,
        selector_prompt="""
        你是一个客服调度协调员。当前可用的专员角色如下：
        {roles}
        请根据以下对话记录，判断当前客户的问题最需要哪个专员来处理，然后从{participants}中选择下一个发言的专员。只需返回专员名称。
        选择原则：
        - 订单相关问题 → 优先分配给订单查询专员
        - 物流/配送问题 → 优先分配给物流跟踪专员
        - 库存/缺货问题 → 优先分配给库存管理专员
        - 问题已解决 → 分配给用户代理确认结束
        {history}
        请根据上述对话记录，选择下一个最合适的发言专员。只需返回专员名称。
        """
    )

selector_prompt 是群组调度的核心，定义了 LLM 如何选择下一个发言者。生产环境中应遵循以下原则：

原则	说明
任务导向	定位为"调度协调员"，而非娱乐化的"角色扮演"
明确路由规则	按问题类型指定对应专员，减少 LLM 随机性
终止条件清晰	明确"问题已解决→用户代理确认结束"
输出约束	"只需返回专员名称"，避免 LLM 输出多余内容

---

6. 运行流程

6.1 执行对话

async def run_scenario(scenario_name: str, customer_message: str):
    group_chat = create_group_chat()
    await Console(group_chat.run_stream(task=customer_message))

Console 将对话流式输出到控制台，run_stream 以流模式运行。

6.2 场景示例

场景1：订单状态查询

场景2：缺货问题处理（跨部门协作）

6.3 智能体协作拓扑

---

7. 运行效果

7.1 订单查询场景输出

7.2 跨部门协作场景

缺货处理场景展示了多智能体的协同能力：

1. 订单查询 Agent 发现问题 → 通知库存 Agent
2. 库存 Agent 查询到缺货 → 提供补货预估
3. 客服 Agent 总结 → 提供替代方案
4. 用户 Agent 确认 → 结束

---

8. 总结与扩展

核心设计要点

1. 角色分工：每个 Agent 专注一个领域，通过 system_message 定义职责边界
2. 工具绑定：Agent 通过 tools 参数访问外部数据，实现"能力扩展"
3. 群组编排：SelectorGroupChat 让 LLM 自动选择下一个发言者，模拟真实协作
4. 终止控制：组合多种终止条件，确保对话可控结束

AutoGen 的核心优势

特性	说明
多角色协同	天然支持多 Agent 对话，无需手动编排流程
工具调用	Agent 可绑定任意 Python 函数作为工具
灵活编排	支持 SelectorGroupChat、RoundRobinGroupChat 等多种模式
流式输出	支持实时流式展示对话过程

可扩展方向

• 真实 API 对接 ：将 EnterpriseDataService 替换为真实的企业 API
• 记忆持久化：使用 AutoGen 的 memory 模块保存对话历史
• 人工介入 ：将 UserProxyAgent 改为真实用户输入，实现人机协同
• 评估与优化：添加对话质量评估 Agent，自动优化回复质量

---