前文：智能客服的应用场景非常广泛，如商品咨询，售后问答，配件更换，转人工客服等场景。今天将给大家介绍如何使用 RAGFlow 的 Agent 功能来搭建一个商品智能客服，实现能够针对上述四种场景给出不同的解决方案。

RAGFlow 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。RAGFlow 可以为不同规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。Agent 功能是利用一系列节点设计标准工作流程，实现稳定输出，提升系统的可解释性和容错率。

智能客服介绍：支持按多种流程解决不同情况的商品问答场景。

第一种：用户询问类似产品性能，产品使用方法的问题，可以视为售前咨询，只需查询产品手册知识库回答问题即可，未查询到则转人工；

第二种：用户发现某配件损坏无法使用，则需要提示用户给出购买信息，并查询后给出解决方案；

第三种：用户询问产品无法正常使用，可以视为售后指导相关问题，查询知识库，分析并回答用户的问题，若存在配件更换等问题，则转到配件更换服务；

第四种：用户提问和产品无关的问题，或者直接要求转人工，则视为其他问题，只需礼貌回复或提醒正在连接人工客服。

先展示一下本次搭建将会用到的节点：

生成回答	利用大模型生成内容，可以引用变量，可以通过调整相关参数来调试效果
知识检索	配置知识库，并检索相关信息，需要设定知识库和输入变量
对话	承担两个作用，既可输出上一节点的内容在用户对话面板上，同时也接收用户的反馈作为新变量加入后续的运算
问题分类	此节点主要应用大模型的理解能力进行意图识别，可以设置名称、描述和示例
静态消息	发送静态消息，若提供多条消息，会随机选择一条信息发送
关键词	从输入变量中抽取关键词并输出，可以用topN指定关键词数量
条件	设置判断条件并决定路径走向，实现复杂的分支逻辑

正式开始搭建：

1.首先需要引入一个开始节点，通常按需求设置用户刚连接时客服的欢迎词；

2.使用对话节点给出开场白，同时等待用户回复，获取用户的问题；

在 RAGFlow 的 Agent 编排中，对话节点起到控制对话流程的作用，既可以把之前 Agent 的运算结果输出到聊天面板，同时也可以获取用户的反馈作为新变量加入后续的运算

同时设置这个节点 ID 为“获取用户问题”，方便后续调用；

3.使用问题分类节点，设置四种情况：a.售前咨询、b.配件更换、c.售后问答、d.其他问题；加入描述和示例，选择好大模型，并设置输入为前节点“获取用户问题”。

4.开始编排 a 情况“售前咨询”的后续路径：

4.1 为了提高后续知识库的检索效果，可以引入一个关键词抽取节点，这里采用生成回答节点完成该功能，它负责利用大模型从文本中抽取关键词。使用这个节点，我们需要先设置引用变量，引用“获取用户问题”这个节点的输出作为变量，因为需要其作为提示词的一部分输入给大模型，让大模型从用户的问题中抽取关键词，我们把引用的变量命名为 question，然后设置好提示词，提示词中，变量名需要被{}包裹；

4.2 接下来添加知识检索节点，配置产品手册知识库。这里的对话框就是标准 RAG 所需要设置的参数；

4.3 最后一步，需要让大模型生成回答，因此添加一个生成回答节点：选择大模型之后，添加两个变量：{kb}来源于“知识检索_0”节点，{question}来源于“获取用户问题”节点，{kb}是知识库检索到的内容，{question}是用户的问题，然后编写提示词，让大模型结合两个变量进行回答，注意查询结果为空要输出人工服务的结果；

到此，a 情况的第一轮对话完成。由于 RAGFlow 的 Agent 是支持循环路径的，因此可以直接连接开始的“获取用户问题”节点，并等待下一轮的问题。

5.设置 b 情况“配件更换”后续路径：

5.1 首先用生成回答节点，生成内容提示用户提供购买信息；

5.2 然后使用对话节点，输出提示信息，并接收用户的输入；

5.3 使用一个生成回答节点用于抽取用户提供的购买信息并结构化输出；

5.4 加入一个条件节点，判断购买信息是否完整，不完整则返回“提示购买信息”节点提示用户补全信息，并补充用于循环迭代的两个变量：在“提示用户给出购买信息”节点加入{answer}变量，来源于“抽取购买信息”节点，用于迭代时让此节点获得用户已经提供的信息；在“抽取购买信息”节点加入{history}变量，来源于“提示用户给出购买信息”节点，用于迭代时让此节点获得用户之前已经提供的信息；并补充好提示词，让大模型能正确识别变量；

5.5 下一步使用知识检索节点，配置相关知识库，输入引用抽取购买信息的结果作为检索条件；

5.6 添加生成回答算子，结合问题和查询知识库得到的结果进行回答，然后再次通过“获取用户问题”节点输出运算结果，并等待下一轮的问题；

6.设置 c 情况“售后问答”后续路径：

6.1 这里尝试一下用官方配置好的插件’关键词’，只需设置输入变量引用“获取用户问题”节点和大模型即可抽取关键词，此节点和上边a情况和b情况开始的时候，由我们自己配置生成回答节点来抽取关键词所达成的效果一致；

6.2 然后使用知识检索节点，配置产品手册，输入引用关键词节点；

6.3 添加生成回答节点，添加提示词，结合问题和知识库查询结果，分析问题属于哪种类型并生成回答，由于配件损坏和人工客服都有独立的路径，所以无需编排后续路径，直接利用“获取用户问题”节点输出运算结果，并等待下一轮的问题；

7.设置 d 情况“其他问题”后续路径：

7.1 使用条件节点判断是否为转人工需求，若是，则接静态消息节点，并连接“获取用户问题”节点输出静态消息；

7.2 若不是，则接生成回答节点，配置好提示词，恰当的回答用户，然后连接“获取用户问题”节点输出运算结果；

7.3 至此智能客服 Agent 搭建完成，可以处理四种不同情况的问答，并以标准化流程处理问题。运行展示：

总结：今天和大家一起学习了如何使用 RAGFlow 的 Agent 功能搭建一个智能客服，其中总共介绍了知识检索，生成回答，对话，静态消息等7种节点的使用方法，尤其是对话节点和支持循环路径两种功能，善用这两种功能，达到了复用不同路径的效果，大大减少搭建 Agent 的工作量。同时，RAGFlow 的功能远不止于此，欢迎大家来试用和探索，后续我们也会不断发布相关文章，带领大家一起学习和使用 RAGFlow。

项目地址：https://github.com/infiniflow/ragflow/

​

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓