后端
智能电商客服 Agent 系统
面向电商售前、售后、订单和物流场景，参与构建基于多 Agent 协作、Tool Calling 与 RAG 知识库的智能客服系统。
01
我的工作
- 参与 Router Agent、Guide Agent、Order Agent、AfterSale Agent 和 FAQ Agent 等子 Agent 的职责拆分与流程设计。
- 基于 FastAPI 和 SQLAlchemy 封装商品查询、订单查询、物流查询、工单创建等业务工具，使 Agent 能够安全调用业务数据。
- 参与商品、订单、物流、售后工单、客服会话和 Agent Trace 日志等数据模型设计，并完成部分 ORM 访问层开发。
- 对商品 FAQ、售后 SOP 和平台规则进行文档清洗、Chunk 切分、Embedding 向量化和相似度召回，支撑客服问答。
- 使用 Redis 管理会话上下文和用户状态，支持多轮对话、历史消息追踪和复杂问题的连续交互。
- 设计低置信度兜底和高风险场景转人工策略，对投诉、赔付、退款争议等请求进行边界控制。
- 记录用户问题、Tool Calls、RAG 来源和最终回答，用于分析工具调用成功率、人工转接率与知识库召回效果。
02
技术流程
- 用户问题进入客服会话接口
- Router Agent 判断意图并分发到对应业务 Agent
- 业务 Agent 根据场景调用 Tool 或检索 RAG 知识库
- FastAPI 服务校验请求并访问 MySQL、Redis 或 Chroma
- 系统记录 Tool Calls、RAG 来源和 Agent Trace
- 低置信度或高风险场景进入人工转接路径
03
问题与约束
电商客服场景涉及商品、订单、物流、售后和平台规则，单纯依赖模型生成容易出现越权查询、幻觉回答或流程失控。项目重点是把模型能力限制在明确的业务工具和知识库边界内，同时保留会话状态、调用链路和人工兜底，便于持续评估与优化。
04
关键技术决策
Router Agent 统一分流
先由 Router Agent 判断用户意图，再分发到导购、订单、售后或 FAQ 等子 Agent，减少单个 Prompt 承担过多职责。
Tool 与业务系统隔离
通过 FastAPI + SQLAlchemy 封装业务工具，并在服务端做参数校验和权限边界控制，避免模型直接接触底层数据结构。
保留 Trace 便于优化
记录工具调用、知识库来源和最终回答，让后续 Prompt 调整、知识库切片和人工转接策略有可分析依据。
05
结果与复盘
完成智能客服 Agent 的核心业务链路建设，覆盖意图分流、业务工具调用、知识库检索、多轮会话、低置信度兜底和人工转接等场景。项目表述聚焦本人参与的后端与 Agent 工程工作，不公开内部数据和线上指标。
06
项目边界
公司项目。页面仅描述本人参与范围，不公开客户名称、业务数据、内部源码、线上地址、真实订单和具体经营指标。