云信AI部署

Golang中使用LangChain开发智能客服：自动化工作流实战案例 (2025年05月)

云信安装大师
90
AI 质量分
3 5 月, 2025
3 分钟阅读
0 阅读

Golang中使用LangChain开发智能客服：自动化工作流实战案例

引言

在2025年的今天，AI助手已经成为企业客户服务的标配。本文将带你使用Golang和LangChain框架，从零开始构建一个智能客服系统，实现自动化工作流处理。这个案例特别适合电商、SaaS等需要处理大量重复咨询的场景。

准备工作

环境要求

  • Go 1.20+
  • LangChain Go SDK (最新版)
  • OpenAI API Key (或其他LLM提供商)
  • Redis (用于对话状态管理)
代码片段 
# 安装必要依赖
go get github.com/tmc/langchaingo
go get github.com/redis/go-redis/v9

项目结构

代码片段 
smart-customer-service/
├── main.go          # 主程序入口
├── workflows/       # 工作流定义
├── models/          # 数据模型
└── config.yaml      # 配置文件

核心实现步骤

1. 初始化LangChain环境

代码片段 
package main

import (
    "context"
    "fmt"
    "os"

    "github.com/tmc/langchaingo/llms/openai"
    "github.com/tmc/langchaingo/chains"
)

func initLLM() (*openai.LLM, error) {
    // 从环境变量获取API Key
    apiKey := os.Getenv("OPENAI_API_KEY")
    if apiKey == "" {
        return nil, fmt.Errorf("OPENAI_API_KEY not set")
    }

    // 创建OpenAI LLM实例
    llm, err := openai.New(
        openai.WithToken(apiKey),
        openai.WithModel("gpt-4-turbo"), // 2025年最新模型
    )
    if err != nil {
        return nil, fmt.Errorf("failed to create LLM: %w", err)
    }

    return llm, nil
}

关键点说明：
– WithModel参数指定使用的模型版本，建议使用最新的稳定版
– API Key建议通过环境变量管理，不要硬编码在代码中

2. 设计自动化工作流

代码片段 
// workflows/customer_service.go
package workflows

import (
    "context"

    "github.com/tmc/langchaingo/chains"
    "github.com/tmc/langchaingo/schema"
)

type CustomerServiceWorkflow struct {
    retrievalQA chains.Chain // 检索增强生成链
}

func NewCustomerServiceWorkflow(llm schema.Model) *CustomerServiceWorkflow {
    // 1. 创建检索链（连接知识库）
    retriever := chains.NewRetriever(
        /* your retriever implementation */
    )

    // 2. 创建问答链组合
    retrievalQA := chains.NewRetrievalQAFromLLM(
        llm,
        retriever,
    )

    return &CustomerServiceWorkflow{
        retrievalQA: retrievalQA,
    }
}

func (w *CustomerServiceWorkflow) HandleQuery(ctx context.Context, query string) (string, error) {
    result, err := chains.Run(ctx, w.retrievalQA, query)
    if err != nil {
        return "", fmt.Errorf("workflow execution failed: %w", err)
    }
    return result, nil
}

工作流设计原理：
1. 检索增强生成(RAG)：先检索知识库，再生成回答，提高准确性
2. 模块化设计：每个工作环节可独立替换和升级

3. 实现对话状态管理

代码片段 
// models/conversation.go
package models

import (
 "time"

 "github.com/redis/go-redis/v9"
)

type Conversation struct {
 ID        string            `json:"id"`
 UserID    string            `json:"user_id"`
 History   []Message         `json:"history"`
 Metadata map[string]string `json:"metadata"`
 CreatedAt time.Time        `json:"created_at"`
 UpdatedAt time.Time        `json:"updated_at"`
}

type Message struct {
 Role    string    `json:"role"` // "user" or "assistant"
 Content string    `json:"content"`
 SentAt time.Time `json:"sent_at"`
}

type ConversationStore struct {
 client *redis.Client 
}

func NewConversationStore(addr string) *ConversationStore {
 return &ConversationStore{
 client: redis.NewClient(&redis.Options{
 Addr: addr,
 }),
 }
}

func (s *ConversationStore) Save(ctx context.Context, conv *Conversation) error {
 // JSON序列化并存储到Redis的实现...
}

实践经验：
– Redis的TTL设置建议为24小时，避免内存浪费
– Message结构包含时间戳，便于后续分析响应时间

4. API集成示例

代码片段 
// main.go (部分代码)
package main

import (
 "net/http"

 "github.com/gin-gonic/gin"
)

func main() {
 llm, err := initLLM()
 if err != nil {
 panic(err)
 }

 workflow := workflows.NewCustomerServiceWorkflow(llm)
 convStore := models.NewConversationStore("localhost:6379")

 r := gin.Default()

 r.POST("/api/v1/chat", func(c *gin.Context) { 
 var req struct { UserID string `json:"user_id"` Query string `json:"query"` }
 if err := c.BindJSON(&req); err != nil { 
 c.JSON(http.StatusBadRequest, gin.H{"error": "invalid request"})
 return 
 }

 // 获取或创建对话记录 
 conv := convStore.GetOrCreate(req.UserID)

 // 执行工作流 
 response, err := workflow.HandleQuery(c.Request.Context(), req.Query)
 if err != nil { 
 c.JSON(http.StatusInternalServerError, gin.H{"error": "processing failed"})
 return 
 }

 // 保存对话历史 
 conv.AddMessage("user", req.Query)
 conv.AddMessage("assistant", response)
 convStore.Save(c.Request.Context(), conv)

 c.JSON(http.StatusOK, gin.H{"response": response})
 })

 r.Run(":8080")
}

进阶优化技巧

A/B测试不同模型版本

代码片段 
func createABTestWorkflow() *workflows.ABTestWorkflow {
 llmV1 := openai.New(openai.WithModel("gpt-4-turbo"))
 llmV2 := openai.New(openai.WithModel("claude-3-opus"))

 return workflows.NewABTestWorkflow(
 workflows.NewCustomerServiceWorkflow(llmV1),
 workflows.NewCustomerServiceWorkflow(llmV2),
 )
}

Prompts工程最佳实践

在prompts/customer_service.txt中定义：

代码片段 
你是一个专业的客服助手，请根据以下上下文回答问题：
{{.context}}

用户问题：{{.question}}

回答要求：
1. 使用友好亲切的语气  
2. 如果问题涉及订单，必须确认订单号  
3. 不确定时请引导用户提供更多信息  
4. 保持回答在100字以内  
5. {{if .is_vip}}对VIP用户添加专属问候{{end}}

FAQ及常见问题解决

Q1: LangChain响应速度慢怎么办？
A:
1. 启用流式响应 (WithStreaming(true))
2. LLM层添加缓存机制：

代码片段 
cachedLLM := langchaicache.New(llm, cacheStore)<br>

Q2: GPT有时给出错误的产品信息？
A:
1. RAG模式确保知识库及时更新
2. Add validation step:

代码片段 
func validateProductInfo(response string) bool { /* ... */ }<br>

部署建议

使用Docker Compose部署完整服务：

代码片段 
version: '3'
services:
 app:
 build: .
 ports:
 - "8080:8080"
 environment:
 - OPENAI_API_KEY=${OPENAI_API_KEY} 
 depends_on:
 - redis

 redis:
 image: redis:7-alpine 
 ports:
 - "6379:6379"
 volumes:
 - redis_data:/data

volumes:
 redis_data:

总结与展望

通过本教程我们实现了：
✅ Golang与LangChain的集成
✅ RAG模式的知识型客服
✅ Redis维护对话状态
✅ Gin框架提供API服务

2025年智能客服的发展方向：
1. 多模态支持 -处理图片、语音等输入
2. 情感识别 -根据用户情绪调整回复策略
3. 自动工作流触发 -如识别到投诉自动创建工单

完整项目代码已放在GitHub：[示例仓库链接]（请替换为实际地址）

原创 高质量