零基础教程｜Bedrock+DeepSeek快速搭建企业智能客服系统

科技前沿 • 2026-04-03 15:12 • 阅读 0

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

本教程将引导您快速构建一个智能客服系统，结合Amazon Bedrock、DeepSeek大模型和企业知识库，通过Flask框架搭建Web服务，实现智能问答功能。

本教程专注于Flask应用的本地搭建和功能实现，适合希望在本地环境中测试和开发智能客服系统的企业用户。对于未来计划将系统部署到微信公众号、网页客服或内部系统的用户，Flask应用也可以作为后端服务，便于与这些平台进行集成。

mkdir flask_chatbot cd flask_chatbot

conda create -n flask_bot_env python=3.10 conda activate flask_bot_env

pip install flask boto3 langchain langchain-community python-dotenv

aws configure

Amazon Access Key ID
Amazon Secret Access Key
默认Region

echo AWS_DEFAULT_REGION=xxx(你的bedrock所在区域)> .env echo AWS_ACCESS_KEY_ID=xxx (你的ACCESS_KEY_ID)>> .env echo AWS_SECRET_ACCESS_KEY=xxx (你的SECRET_ACCESS_KEY)>>> .env

import os import logging from flask import Flask, render_template, request, jsonify from flask_cors import CORS import boto3 from dotenv import load_dotenv

加载环境变量

load_dotenv()

初始化 Flask 应用

app = Flask(name) CORS(app)

设置日志

logging.basicConfig(level=logging.INFO) logger = logging.getLogger(name)

初始化 AWS 会话

session = boto3.Session(

aws_access_key_id=os.getenv("AWS_ACCESS_KEY_ID"), aws_secret_access_key=os.getenv("AWS_SECRET_ACCESS_KEY"), region_name=os.getenv("AWS_DEFAULT_REGION", "us-east-1")

)

初始化 Bedrock 客户端

bedrock_runtime = session.client(“bedrock-runtime”) bedrock_agent = session.client(“bedrock-agent-runtime”)

配置参数

使用 Amazon DeepSeek 的跨区域推理配置文件 ARN

MODEL_ARN = “你的 model ARN” # 可替换为其他模型 KNOWLEDGE_BASE_ID = “你的知识库ID” # 在控制台查看 Knowledge Base ID

@app.route(“/”) def home():

return render_template("index.html")

@app.route(“/chat”, methods=[“POST”]) def chat():

try: data = request.get_json() user_message = data.get("message", "").strip() if not user_message: return jsonify({"message": "消息不能为空"}), 400 logger.info(f"用户输入: {user_message}") logger.info("开始连接知识库并生成回答...") # 调用 Bedrock Agent 进行知识库检索和生成回答 response = bedrock_agent.retrieve_and_generate( input={"text": user_message}, retrieveAndGenerateConfiguration={ "type": "KNOWLEDGE_BASE", "knowledgeBaseConfiguration": { "knowledgeBaseId": KNOWLEDGE_BASE_ID, "modelArn": MODEL_ARN, "retrievalConfiguration": { "vectorSearchConfiguration": { "numberOfResults": 3 } }, "generationConfiguration": { "inferenceConfig": { "textInferenceConfig": { "temperature": 0.3, "maxTokens": 1024, "topP": 0.9 } }, "promptTemplate": { "textPromptTemplate": """\n\nHuman: 请根据以下知识库内容用中文回答问题: 
  
    
    
      $search_results$ 
     问题: $input$ \n\nAssistant:""" } } } } ) logger.info("成功连接知识库，生成回答完成。") # 提取回答内容 bot_reply = response.get("output", {}).get("text", "未能生成回答") # 提取引用来源 citations = response.get("citations", []) sources = [] for c in citations: references = c.get("retrievedReferences", []) for ref in references: s3_uri = ref.get("location", {}).get("s3Location", {}).get("uri", "") excerpt = ref.get("content", {}).get("text", "")[:100] sources.append({ "title": s3_uri.split("/")[-1] if s3_uri else "未知文档", "excerpt": excerpt + "..." }) return jsonify({ "message": bot_reply, "sources": sources }) except Exception as e: logger.error(f"请求失败: {str(e)}", exc_info=True) return jsonify({"message": f"请求失败: {str(e)}"}), 500

if name == “main”:

app.run(host="0.0.0.0", port=5000, debug=True)

flask==3.0.3 boto3==1.36.3 flask-cors==5.0.1 python-dotenv==0.21.

参考资源
Amazon Bedrock用户指导手册：
https://docs.aws.amazon.com/zh_cn/bedrock/latest/userguide/what-is-bedrock.html