从零构建智能客服Agent：工具、决策循环与实战优化｜附完整代码

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。

 大家好，我是阿龙。今天我们不聊虚的，直接动手做一个能自主决策、调用外部工具的智能客服Agent。它会像人类客服一样：先查订单、再查知识库，最后给出精准回复，甚至能根据规则拒绝不合规的退款请求。

我会用 DeepSeek模型 作为大脑，配合三个核心工具（订单查询、知识库搜索、退款处理），实现一个完整的ReAct决策循环。全文包含可直接运行的代码，以及两个真实业务场景的推演。

本文所有代码已开源，文末有完整代码，建议收藏后阅读。

纯大模型（如ChatGPT）只能根据训练数据回答，无法获取实时订单状态、无法执行退款操作。而工具（Tool） 赋予它“动手能力”：

我们的客服Agent会这样工作：
用户提问 → 模型思考 → 调用工具 → 获取结果 → 继续思考 → 最终回答
这个过程叫 ReAct（Reason + Act），是当前最主流的Agent实现模式。

我们先实现三个模拟工具，实际项目中可以把它们换成真实API或数据库查询。

python

GPT plus 代充 只需 145

注意：实际使用时，请将 lecture3_rag 替换为你自己的RAG实现，或者直接用一个简单的关键词匹配函数代替。

我们需要把工具的描述信息注册成模型可以理解的 JSON Schema 格式。这样DeepSeek在生成回复时，会知道什么时候该调用哪个工具，以及需要传递什么参数。

python

现在到了最关键的环节——循环。我们将不断调用DeepSeek，检查它是否要求调用工具，如果有就执行工具并把结果返回给它，直到它给出最终答案。

python

GPT plus 代充 只需 145

几点说明：

tool_choice="auto" 让模型自行决定是否需要调用工具。

工具结果通过 role="tool" 返回给模型，模型会把这些结果当作“观察”来推理下一步。

循环直到模型返回普通文本（即最终答案）才结束。

让我们用两个真实业务问题测试这个Agent。

用户输入：

“我的订单ORD-123还没收到，是不是丢件了？还有你们的退款政策是啥？”

执行过程（模拟输出）：

text

可以看到，Agent先查了订单状态，又查了知识库，最后将两者整合回答。这正是多工具协作的魅力。

用户输入：

“帮我把订单ORD-123退了。”

执行过程（模拟输出）：

text

GPT plus 代充 只需 145

这里Agent没有盲目调用 process_refund，而是根据业务规则（已发货订单不能直接退款）做出了合理决策。这就是系统提示词和工具调用的结合——模型“理解”了业务约束。

为了防止模型编造订单数据或擅自退款，我们可以在系统提示中加入硬性约束：

python

DeepSeek支持一次返回多个工具调用（例如同时查天气和查汇率）。我们可以利用Python的concurrent.futures并发执行，降低延迟：

python

GPT plus 代充 只需 145

然后将结果依次加入消息列表即可。

单个Agent能力有限，你可以进一步设计多Agent系统：

对于标准化流程（如退款必须经过“查询订单→确认用户→提交申请”），也可以将部分流程硬编码为 Workflow，只在异常时让Agent介入。这样既有确定性，又有灵活性。

今天我们实现了一个能自主思考、调用工具、遵循业务规则的智能客服Agent。核心点包括：

你可以在此基础上扩展更多工具（如查物流、查积分、修改地址），甚至可以接入真实数据库和RAG系统。Agent的能力边界，只取决于你提供的工具丰富程度。

欢迎在评论区留下你的想法，或者分享你用Agent解决的实际问题。如果觉得文章有用，请点个赞，让更多人看到！

完整代码已整合（下载即可运行，记得替换API key和RAG实现）：

完整项目代码下载地址：https://pan.baidu.com/s/1Wm7eAajXU2OqfTIQO0IE2g?pwd=3qte

（本文代码基于DeepSeek API，兼容OpenAI SDK，其他模型需调整接口）

从零构建智能客服Agent：工具、决策循环与实战优化 ｜ 附完整代码