Anthropic's Prompt Engineering Interactive Tutorial多工具集成：聊天机器人架构设计

郜逊炳

353人浏览 · 2025-09-27 03:11:50

郜逊炳 · 2025-09-27 03:11:50 发布

Anthropic's Prompt Engineering Interactive Tutorial多工具集成：聊天机器人架构设计

【免费下载链接】prompt-eng-interactive-tutorial Anthropic's Interactive Prompt Engineering Tutorial 项目地址: https://gitcode.com/GitHub_Trending/pr/prompt-eng-interactive-tutorial

在当今智能客服和自动化交互系统中，多工具集成的聊天机器人架构正成为提升用户体验的关键。本文将详细介绍如何基于Anthropic's Prompt Engineering Interactive Tutorial构建一个集成多工具的聊天机器人，涵盖架构设计、工具配置、流程实现和代码示例等核心内容。

架构概览

多工具集成的聊天机器人架构主要包含用户交互层、工具管理层、数据处理层和外部服务层四个部分。用户交互层负责接收用户输入并展示结果；工具管理层处理工具选择和调用逻辑；数据处理层处理工具返回结果并生成响应；外部服务层则集成各种功能工具如用户查询、订单管理等。

该架构的核心优势在于能够根据用户请求自动选择合适的工具，并通过多轮交互完成复杂任务。例如，当用户查询订单时，系统会先调用用户查询工具获取用户ID，再调用订单查询工具获取订单信息，最后将结果整理后返回给用户。

工具配置

工具配置是实现多工具集成的基础，需要定义工具的名称、描述和输入参数等信息。在本项目中，工具配置文件位于AmazonBedrock/toolUse_order_bot/order_bot_converse_api.py，主要包含以下工具：

get_user：通过邮箱、电话或用户名查询用户信息
get_order_by_id：通过订单ID查询订单详情
get_customer_orders：通过用户ID查询所有订单
cancel_order：取消指定ID的订单（仅处理中订单可取消）

工具配置示例代码如下：

toolConfig = {
  'tools': [
    {
      'toolSpec': {
        'name': 'get_user',
        'description': 'Looks up a user by email, phone, or username.',
        'inputSchema': {
          'json': {
            'type': 'object',
            'properties': {
              'key': {
                'type': 'string',
                'enum': ['email', 'phone', 'username'],
                'description': 'The attribute to search for a user by (email, phone, or username).'
              },
              'value': {
                'type': 'string',
                'description': 'The value to match for the specified attribute.'
              }
            },
            'required': ['key', 'value']
          }
        }
      }
    },
    # 其他工具配置...
  ],
  'toolChoice': {
    'auto': {}
  }
}

工作流程

多工具聊天机器人的工作流程主要包括以下步骤：

接收用户请求：用户输入查询或操作请求
工具选择：根据用户请求自动选择合适的工具
参数提取：从用户请求中提取工具所需参数
工具调用：执行工具并获取结果
结果处理：整理工具返回结果
生成响应：将结果转换为自然语言响应

以查询用户订单为例，完整流程如下：

用户输入："查询我的订单，邮箱是john@gmail.com"
系统选择get_user工具，参数为key=email, value=john@gmail.com
调用get_user获取用户ID
系统选择get_customer_orders工具，参数为customer_id=1213210
调用get_customer_orders获取订单列表
整理订单信息并生成自然语言响应

核心实现

数据库模拟

为了演示，项目中使用FakeDatabase类模拟用户和订单数据存储，代码位于AmazonBedrock/toolUse_order_bot/order_bot_converse_api.py：

class FakeDatabase:
    def __init__(self):
        self.customers = [
            {"id": "1213210", "name": "John Doe", "email": "john@gmail.com", "phone": "123-456-7890", "username": "johndoe"},
            # 其他用户数据...
        ]
        self.orders = [
            {"id": "24601", "customer_id": "1213210", "product": "Wireless Headphones", "quantity": 1, "price": 79.99, "status": "Shipped"},
            # 其他订单数据...
        ]
    
    # 数据库操作方法...

工具调用处理

process_tool_call函数负责将工具调用请求映射到实际的数据库操作，代码如下：

def process_tool_call(tool_name, tool_input):
    if tool_name == "get_user":
        return db.get_user(tool_input["key"], tool_input["value"])
    elif tool_name == "get_order_by_id":
        return db.get_order_by_id(tool_input["order_id"])
    elif tool_name == "get_customer_orders":
        return db.get_customer_orders(tool_input["customer_id"])
    elif tool_name == "cancel_order":
        return db.cancel_order(tool_input["order_id"])

聊天交互逻辑

simple_chat函数实现了基本的聊天交互循环，处理用户输入、工具调用和响应生成：

def simple_chat():
    user_message = input("\nUser: ")
    messages = [{"role": "user", "content": [{"text": user_message}]}]
    
    while True:
        # 发送请求到Claude模型
        converse_api_params = {
            "modelId": modelId,
            "messages": messages,
            "inferenceConfig": {"maxTokens": 4096},
            "toolConfig": toolConfig,
        }
        response = bedrock_client.converse(**converse_api_params)
        
        # 处理工具调用或直接响应
        if response['stopReason'] == "tool_use":
            # 执行工具调用并获取结果
            tool_use = response['output']['message']['content'][-1]
            tool_result = process_tool_call(tool_use['toolUse']['name'], tool_use['toolUse']['input'])
            
            # 将工具结果添加到对话历史
            messages.append({
                "role": "user",
                "content": [{"toolResult": {"toolUseId": tool_use['toolUse']['toolUseId'], "content": [{"text": str(tool_result)}]}}]
            })
        else:
            # 直接输出模型响应
            print(f"\nTechNova Support: {response['output']['message']['content'][0]['text']}")
            user_message = input("\nUser: ")
            messages.append({"role": "user", "content": [{"text": user_message}]})

示例交互

以下是一个完整的交互示例，展示了用户查询订单并取消订单的过程：

User: 我想查询我的订单，我的邮箱是john@gmail.com

Claude wants to use the get_user tool
Tool Input:
{
  "key": "email",
  "value": "john@gmail.com"
}

Tool Result:
{"id": "1213210", "name": "John Doe", "email": "john@gmail.com", "phone": "123-456-7890", "username": "johndoe"}

Claude wants to use the get_customer_orders tool
Tool Input:
{
  "customer_id": "1213210"
}

Tool Result:
[
  {"id": "24601", "customer_id": "1213210", "product": "Wireless Headphones", "quantity": 1, "price": 79.99, "status": "Shipped"},
  {"id": "13579", "customer_id": "1213210", "product": "Smartphone Case", "quantity": 2, "price": 19.99, "status": "Processing"}
]

TechNova Support: John Doe，您有以下订单：
1. 订单ID: 24601，产品: Wireless Headphones，状态: Shipped
2. 订单ID: 13579，产品: Smartphone Case，状态: Processing

User: 请帮我取消订单13579

Claude wants to use the cancel_order tool
Tool Input:
{
  "order_id": "13579"
}

Tool Result:
"Cancelled the order"

TechNova Support: 订单13579已成功取消。