传统做法：基于关键词匹配的简单问答
def traditional_customer_service(query):
     硬编码关键词和答案
    answers = {
        "退货": "请您在订单页面点击退货申请...",
        "发货": "订单付款后48小时内发货..."
    }
    for keyword, answer in answers.items():
        if keyword in query:
            return answer
    return "抱歉，我无法理解您的问题，请转人工客服。"

1. 检索（Retrieve）：从知识库中查找与用户问题最相关的内容
2. 增强（Augment）：将检索到的内容作为上下文补充到Prompt中
3. 生成（Generate）：大模型基于检索结果生成最终答案

"""
极简RAG + Agent实现
功能：用户提问 → RAG检索知识库 → Agent判断是否需要调用工具
"""

import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

 ========== 第一步：知识库准备（模拟企业产品文档）==========
knowledge_base = [
    "A款智能音箱支持蓝牙5.3和Wi-Fi6连接，售价499元。",
    "B款智能手环可连续使用14天，支持血氧监测和心率检测。",
    "我们的退换货政策：签收7天内无理由退货，需保持包装完好。",
    "客服工作时间：周一至周日9:00-21:00，法定节假日除外。"
]

 ========== 第二步：RAG检索模块（向量化+相似度匹配）==========
def rag_retrieve(query, kb, top_k=1):
    """
    从知识库中检索最相关的信息
    """
     使用TF-IDF做简单向量化（实际应用会用Embedding模型）
    vectorizer = TfidfVectorizer()
    all_texts = [query] + kb
    tfidf_matrix = vectorizer.fit_transform(all_texts)
    
     计算相似度
    query_vec = tfidf_matrix[0]
    kb_vecs = tfidf_matrix[1:]
    similarities = cosine_similarity(query_vec, kb_vecs).flatten()
    
     返回Top-K相关文档
    top_indices = similarities.argsort()[-top_k:][::-1]
    return [(kb[i], similarities[i]) for i in top_indices if similarities[i] > 0]

 ========== 第三步：Agent决策模块（判断是否需要调用工具）==========
def agent_decide_and_act(query, retrieved_context):
    """
    Agent核心：根据检索到的上下文，决定是否需要调用外部工具
    """
     定义可用的工具
    available_tools = ["查询库存", "创建工单", "发送邮件"]
    
     模拟大模型推理：判断query中是否包含“库存”、“缺货”等关键词
    if any(keyword in query for keyword in ["库存", "有货", "缺货", "买"]):
         需要调用“查询库存”工具
        return {
            "need_tool": True,
            "tool": "查询库存",
            "tool_input": query,
            "final_answer": None   工具返回后再生成答案
        }
    elif any(keyword in query for keyword in ["投诉", "问题", "解决"]):
         需要创建工单
        return {
            "need_tool": True,
            "tool": "创建工单",
            "tool_input": query,
            "final_answer": None
        }
    else:
         直接基于RAG结果回答
        answer = f"根据知识库，{retrieved_context[0] if retrieved_context else '暂无相关信息'}"
        return {
            "need_tool": False,
            "tool": None,
            "final_answer": answer
        }

 ========== 第四步：模拟工具执行 ==========
def execute_tool(tool_name, tool_input):
    """模拟调用外部工具"""
    if tool_name == "查询库存":
         模拟查询数据库
        if "智能音箱" in tool_input:
            return "A款智能音箱库存剩余128件，预计48小时送达。"
        elif "智能手环" in tool_input:
            return "B款智能手环库存剩余45件，部分颜色缺货。"
        return "该商品库存充足，暂无缺货预警。"
    elif tool_name == "创建工单":
        return f"工单已创建，工单号：T{hash(tool_input) % 10000:04d}，客服将在2小时内联系您。"
    return "工具执行失败"

 ========== 第五步：主流程演示 ==========
def ai_business_assistant(user_query):
    print(f"\n👤 用户：{user_query}")
    
     Step 1: RAG检索
    retrieved = rag_retrieve(user_query, knowledge_base)
    print(f"📚 RAG检索结果：{retrieved[0][0] if retrieved else '未找到相关信息'}")
    
     Step 2: Agent决策
    decision = agent_decide_and_act(user_query, retrieved)
    
     Step 3: 执行工具（如果需要）
    if decision["need_tool"]:
        tool_result = execute_tool(decision["tool"], decision["tool_input"])
        print(f"🔧 调用工具[{decision['tool']}]：{tool_result}")
        
         模拟基于工具结果生成最终回复（实际由大模型完成）
        final = f"工具执行完成：{tool_result}"
    else:
        final = decision["final_answer"]
    
    print(f"🤖 助手：{final}")
    return final

 ========== 运行演示 ==========
if __name__ == "__main__":
    ai_business_assistant("A款智能音箱现在有货吗？")
    ai_business_assistant("你们的退换货政策是怎样的？")

👤 用户：A款智能音箱现在有货吗？
📚 RAG检索结果：A款智能音箱支持蓝牙5.3和Wi-Fi6连接，售价499元。
🔧 调用工具[查询库存]：A款智能音箱库存剩余128件，预计48小时送达。
🤖 助手：工具执行完成：A款智能音箱库存剩余128件，预计48小时送达。

👤 用户：你们的退换货政策是怎样的？
📚 RAG检索结果：我们的退换货政策：签收7天内无理由退货，需保持包装完好。
🤖 助手：根据知识库，我们的退换货政策：签收7天内无理由退货，需保持包装完好。