基于多智能体结构的购物助手智能体。

简介：ShoppingAssitant是一个基于工作流与多智能体架构的购物助手系统，目标类似于亚马逊的 Rufus，为用户提供智能、流畅、个性化的导购体验。

本项目采用 多智能体协同 的设计理念，将购物助手的复杂能力拆分为多个专职子智能体，包括入口处理、聊天交互、导购路由、售后支持、人工客服、输出规范等模块。各智能体之间通过HTTP进行通信与协作，形成职责清晰、可扩展的系统架构。

整体进度完全看空闲时间，而且很多内容不会完全贴近生产情况，仅使用简单的提示词之类的。

进度

• [2026-03-26] 初始化项目.
• 通用待办
  • 跨agent流式输出
  • agent调用追踪

ShoppingAssitant

保安与引导员

负责整个项目入口的处理。包含但不限于以下功能（tool或子智能体）

• 输入多模态对齐：支持图像、语音、文字等多种形式的统一转换（如图转文、语音转文、文字转图等）。
• 输入合法检查：进行敏感词过滤、长度限制、格式校验等，保障输入安全合规。
• 输入改写：修正拼写错误、补全省略信息、简化冗余表达，优化语义完整性。
• 短期记忆管理：提取当前会话的关键信息（如用户信息、画像、历史对话）。
• 情绪识别：通过语气、用词等判断用户情绪状态，辅助后续模块调整回复策略。（可以合并意图识别中）
• 意图识别：精准识别用户核心需求（如比价、找相似、参数查询、售后等），用于后续模块路由分发。（轻量模型）

聊天智能体

负责处理用户的日常闲聊与轻量交互，作为导购系统的辅助对话模块，提升交互的自然度与实用性。包含但不限于以下功能（tool或子智能体）：

• 热点对话缓存：对高频或时效性较强的问题（如热门商品、促销活动）进行临时缓存，减少重复计算，提升响应速度。
• 电商RAG：基于检索增强生成技术，从商品库、知识库、用户评价中动态检索相关信息，辅助生成准确、实时的电商相关回答。
• 多种模型选择：支持根据不同场景切换底层模型（如轻量模型用于闲聊，高精度模型用于复杂问答），兼顾响应效率与回答质量。
• 工具集成：集成通用工具能力，包括查天气、查新闻、百科查询、计算器、翻译等，满足用户在导购过程中的多元信息需求。
• 自省：具备自我评估能力，在回答置信度较低或无法处理时主动识别并提示用户，或降级至兜底话术，保障交互体验的可靠性。

转人工

负责在用户需要人工介入时，高效完成对话总结与客服转接，确保服务连续性与信息完整传递。包含但不限于以下功能（tool或子智能体）：

• 情绪总结+对话汇总：自动对当前会话进行结构化梳理，提取关键信息（如用户诉求、已推荐商品、历史操作）并标注情绪状态，生成简明摘要供人工客服快速了解上下文。
• 常见回答技巧：内置标准话术库与应答模板（如安抚话术、常见问题回复），在转人工前或排队等待期间提供即时响应，缓解用户焦虑，提升服务体验。
• 跳转人工客服：支持无缝对接人工客服系统，传递会话摘要、用户画像、情绪标签等信息，实现“智能体—人工”平滑切换，避免重复沟通。

导购团队

负责识别用户购物意图并分发至对应的垂直品类导购智能体，构建“路由—垂直导购”协同架构。包含但不限于以下功能（tool或子智能体）：

• 意图识别：精准识别用户商品需求类型，包括：
  • 单类商品：明确指向单一品类（如“推荐一款冰箱”）
  • 多类商品：同时涉及多个品类（如“想买电视和音响”）
  • 套装商品：需组合搭配的场景，先规划后推荐（如“配一套游戏设备”）
  • 模糊商品：需求不明确，需引导澄清（如“送女朋友什么好”）
• 转子智能体：根据意图识别结果，将请求分发至对应的垂直品类导购子智能体（如家电导购、玩具导购、服饰导购等），由专业子智能体完成深度交互与推荐。
• 自省：当意图识别置信度较低或无法匹配现有品类时，主动发起澄清追问，或降级至通用导购模式，确保用户需求不被遗漏。

售后团队

负责处理用户售后相关需求及异常情况，保障购物体验的闭环服务。包含但不限于以下功能（tool或子智能体）：

• 订单查询：支持根据订单号、手机号等维度快速查询用户订单详情，包括商品信息、下单时间、支付状态、订单状态等。
• 物流进度：对接物流接口，实时获取包裹运输轨迹、预计送达时间、异常滞留等信息，便于用户随时了解配送状态。
• 售后RAG：基于检索增强生成技术，从售后政策、退换货规则、常见问题库中动态检索信息，生成准确、合规的售后解答。
• 退货：支持退货流程引导，包括退货条件校验、退货地址提供、退货单生成、退款进度查询等，实现退货需求的一站式处理。

输出客服

负责对导购系统的最终输出进行规范化处理，确保信息准确、格式统一、多模态适配。包含但不限于以下功能（tool或子智能体）：

• 输出检查：对生成内容进行最终校验，包括敏感词过滤、事实性核查、推荐合理性验证，避免错误或不当信息流出。
• 统一输出格式：将不同子智能体返回的多样化内容（文本、卡片、列表等）统一为标准输出结构，确保前端展示风格一致、交互体验连贯。
• 多模态输出：支持根据场景需要输出多种形式的内容，如文字、商品卡片、图片、图文混排、结构化列表等，并完成多模态间的对齐与协同呈现。

安装与启动

安装

Create a virtual environment in any of your favorite environment managers:

conda create -n sales_assistant python=3.13
conda activate sales_assistant

Install dependencies:

pip install -r requirements.txt

启动

# 启动debugger测试
python web.debugger.py
# 启动web，访问 http://localhost:8000/v1/chat/你好
python web.main.py

📁 Project Structure

nanobot/
├── agents/                      # 所有的单智能体和多智能体
│   ├── common                  # 智能体通用的一些组件
│   ├── llm_clients             # 大模型提供商
│   ├── demo_agent              # demo智能体
│       └── agents              # 子智能体
│   ├── after_sales_agent       # 售后智能体
│   ├── chat_agent              # 聊天智能体
│   ├── main_router_agent       # 主路由
│   ├── shopping_agent          # 导购智能体
│   ├── output_agent            # 输出智能体
│   └── to_human_agent          # 转人工智能体
├── config/                     # 配置
├── web/                        # web窗口
└── workflow/                   # 工作流定义

所有智能体和子智能体最终都通过HTTP或RCP等协议交互，根据智能体请求压力，随时可以拆分扩容。

Contributing

Citation