Skip to content

wang219416/AssistGen

BranchesTags

Repository files navigation

AssistGen - 智能电商客服系统

Python FastAPI LangGraph DeepSeek Neo4j License

基于 FastAPI + LangGraph + Neo4j 的智能电商客服系统，集成 GraphRAG 知识检索与多轮对话管理

项目亮点

特性 说明
5 路意图路由 LangGraph StateGraph 实现：闲聊 / 追问 / 知识库查询 / 图片分析 / 文件处理，自动识别用户意图并路由
Text2Cypher 闭环 自然语言 → Cypher 查询 → 正则 + LLM 双重校验 → 自动修正 → 执行，实现图数据库的自然语言查询
混合检索 + 相关性评分 BM25 + 向量检索 RRF 融合，LLM 逐条评分过滤不相关结果，不足时自动切换策略重检索
4 种 GraphRAG 检索策略 Local / Global / DRIFT / Basic，覆盖事实查询、宏观分析、多跳推理、快速检索等场景
语义缓存 基于 Embedding 向量余弦相似度（阈值 0.90），相同语义问题直接返回缓存，降低 LLM 调用成本
幻觉检测 LLM 校验生成回答是否基于事实数据，为回答质量提供最后保障
Docker Compose 一键部署 MySQL + Redis + Neo4j + App，healthcheck 保障启动顺序，开箱即用
丰富的知识库 内置产品知识文档 + 1,800 条电商 FAQ + 2,600+ 条真实客服对话（JDDC 数据集）

系统架构

用户请求 → FastAPI API 层
  │
  ├─ /api/chat ──────────→ LLMFactory → DeepSeek/Ollama → SSE 流式响应
  │                                              ↑
  │                                     Redis 语义缓存检查
  │
  ├─ /api/search ────────→ Function Calling → SerpAPI 联网搜索
  │
  ├─ /api/langgraph/query ──→ LangGraph Agent（5 路意图路由）
  │    │
  │    ├─ general-query → 纯 LLM 闲聊
  │    ├─ additional-query → 护栏检查 + 追问
  │    ├─ graphrag-query → Multi-Tool Workflow
  │    │    ├─ Text2Cypher（NL → Cypher 查询）
  │    │    ├─ PredefinedCypher（预定义模板 + 向量匹配）
  │    │    └─ GraphRAG（4 种检索策略）
  │    │         └─ 混合检索(BM25+向量) → 相关性评分(LLM) → 策略切换重检索
  │    ├─ image-query → GPT-4o 图片分析
  │    └─ file-query → 文件处理
  │
  └─ /api/upload ────────→ GraphRAG 索引构建

技术栈

层次 技术 作用
后端框架 FastAPI REST API，原生异步，SSE 流式响应
智能体 LangGraph StateGraph 多路由 Agent 编排，支持会话持久化
LLM DeepSeek API 对话、推理、Agent（工厂模式可切换 Ollama）
知识图谱 Neo4j 电商数据（商品、订单、客户），Text2Cypher 查询
文档检索 Microsoft GraphRAG 文档索引 + 4 种检索策略 + 混合检索
Embedding SiliconFlow (BAAI/bge-m3) 语义向量生成，免费 API
向量缓存 Redis 语义缓存（余弦相似度 >= 0.90 命中）
数据库 MySQL 用户、会话、消息持久化
前端 Vue（静态 dist） 聊天界面

快速开始

环境要求

  • Python 3.8+
  • Docker & Docker Compose（推荐）

Docker Compose 一键部署（推荐）

# 1. 克隆项目
git clone https://github.com/wang219416/GraphRAG-.git
cd GraphRAG-

# 2. 编辑 .env.docker 填入 API Key
#    必填：DEEPSEEK_API_KEY
#    可选：SERPAPI_KEY、VISION_API_KEY

# 3. 一键启动
docker compose up -d

# 4. 查看日志
docker compose logs -f app

服务将在 http://localhost:8000 启动。

手动部署

# 1. 克隆项目
git clone https://github.com/wang219416/GraphRAG-.git
cd GraphRAG-

# 2. 创建虚拟环境并安装依赖
python -m venv .venv
.venv\Scripts\activate   # Windows
source .venv/bin/activate  # Linux/Mac
pip install -r requirements.txt

# 3. 配置环境变量
cp llm_backend/.env.example llm_backend/.env
# 编辑 llm_backend/.env 填入 API Key 和数据库连接信息

# 4. 启动 MySQL、Redis、Neo4j（可用 Docker 单独启动）
docker compose up -d mysql redis neo4j

# 5. 初始化数据库
cd scripts
python init_db.py

# 6. 启动服务
cd llm_backend
python run.py

构建 GraphRAG 知识库索引

# 确保 llm_backend/.env 中以下变量已配置：
#   GRAPHRAG_API_KEY, Embedding_API_KEY
PYTHONIOENCODING=utf-8 python scripts/build_graphrag_index.py

API 端点

端点 方法 说明
/api/chat POST 普通聊天（SSE 流式）
/api/reason POST 深度推理（SSE 流式）
/api/search POST 联网搜索（Function Calling）
/api/langgraph/query POST Agent 多路由查询（SSE 流式）
/api/upload POST 上传文件 -> GraphRAG 索引构建
/api/conversations POST 创建会话
/api/conversations/{id}/messages GET 获取历史消息
/api/register POST 用户注册
/api/token POST 登录获取 JWT

项目结构

├── llm_backend/                      # 后端服务
│   ├── main.py                       # FastAPI 入口，所有 API 端点
│   ├── app/
│   │   ├── core/                     # 配置、数据库、安全、日志
│   │   ├── services/                 # 业务服务层
│   │   │   ├── llm_factory.py        # LLM 工厂模式（DeepSeek/Ollama）
│   │   │   ├── deepseek_service.py   # DeepSeek API + 语义缓存
│   │   │   ├── search_service.py     # SerpAPI 联网搜索
│   │   │   ├── redis_semantic_cache.py # Redis 语义缓存
│   │   │   └── indexing_service.py   # GraphRAG 索引构建
│   │   ├── lg_agent/                 # LangGraph 智能体
│   │   │   ├── lg_builder.py         # StateGraph 构建与路由
│   │   │   ├── lg_states.py          # 状态定义（Router/AgentState）
│   │   │   └── kg_sub_graph/         # 知识图谱子图
│   │   │       └── agentic_rag_agents/
│   │   │           └── components/
│   │   │               ├── customer_tools/  # GraphRAG 查询 + 混合检索
│   │   │               ├── cypher_tools/    # Text2Cypher 闭环
│   │   │               ├── relevance_grader.py  # LLM 相关性评分
│   │   │               └── hybrid_retrieval/    # BM25+向量 RRF 融合
│   │   ├── graphrag/                 # Microsoft GraphRAG 集成
│   │   ├── models/                   # SQLAlchemy 数据模型
│   │   ├── api/                      # 认证路由
│   │   └── prompts/                  # 提示词模板
│   └── static/dist/                  # Vue 编译后的前端
├── scripts/                          # 工具脚本
│   ├── generate_product_knowledge.py # 从 CSV 生成产品知识文档
│   ├── download_datasets.py          # 下载开源电商 FAQ 数据集
│   ├── download_jddc.py              # 下载 JDDC 客服对话数据集
│   └── build_graphrag_index.py       # 手动构建 GraphRAG 索引
├── docker-compose.yml                # Docker Compose 配置
├── Dockerfile                        # Docker 镜像构建
├── .env.docker                       # Docker 环境变量
├── .env.example                      # 环境变量模板
└── STUDY_NOTES.md                    # 项目学习文档（面试准备）

设计模式

模式 应用位置 说明
工厂模式 LLMFactory 通过 .env 配置切换 DeepSeek/Ollama，不改代码
策略模式 config.py CHAT/REASON/AGENT 可分别选不同 LLM 服务
回调模式 deepseek_service.py on_complete 回调触发消息持久化，解耦 LLM 和存储
责任链 Text2Cypher 生成 -> 校验 -> 修正 -> 执行流水线
状态图 LangGraph StateGraph + 条件边实现多路由 Agent

数据集说明

本项目内置了三类知识库数据（位于 llm_backend/app/graphrag/data/input/）：

数据类型 文件数 来源 说明
产品知识文档 10 从项目 CSV 聚合生成 涵盖 8 个品类 10 款智能家居产品
电商 FAQ 81 Chinese-EcomQA 1,800 条品牌/商品/推荐问答
客服对话 85 JDDC 2,600+ 条真实电商客服对话

许可证

MIT License

致谢

About

AssistGen 是一个**智能电商客服系统**。用户可以通过文字、图片等方式咨询商品信息，系统自动识别用户意图，路由到不同的处理模块。普通闲聊直接用 LLM 回答；商品查询通过 Neo4j 知识图谱的 Text2Cypher 技术实现；需要联网的问题调用搜索 API。

Resources

Readme
Activity

Stars

1 star

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages