龙井：从零搭建企业级 AI 智能客服：n8n + RAG 全流程实战

龙井：从零搭建企业级 AI 智能客服：n8n + RAG 全流程实战 龙井：从零搭建企业级 AI 智能客服：n8n + RAG 全流程实战 Modified February 4 登录的时候，全选 如果无法登录，出现类似这种错误： 这是因为你的n8n浏览器地址栏不对，使用的还是http://localhost:5678 访问 n8n 你必须直接通过ngrok地址直接访问你的n8n控制台，比如我的就是通过： https://recreantly catechistic makeda.ngrok free.dev 这个域名来访问n8n 后台 操作步骤：把这个域名直接在浏览器中打开，重新登录后进去 填写后重新登录： 就可以成功登录了： 7.3 配置邮件处理流程 设置每隔一分钟看一遍邮箱： 登录的时候，全选 如果无法登录，出现类似这种错误： 这是因为你的n8n浏览器地址栏不对，使用的还是http://localhost:5678 访问 n8n 你必须直接通过ngrok地址直接访问你的n8n控制台，比如我的就是通过： https://recreantly catechistic makeda.ngrok free.dev 这个域名来访问n8n 后台 操作步骤：把这个域名直接在浏览器中打开，重新登录后进去 填写后重新登录： 就可以成功登录了： 7.3 配置邮件处理流程 设置每隔一分钟看一遍邮箱： 就读取到了邮箱里最新的一个邮件信息： 连接Agent节点： 修改Agent节点参数： 直接把邮件的内容填进去： 修改Simple Memory节点参数： 也是把邮件内容直接填进去： 现在测试一下： 进入Agent节点参看输出效果： 现在添加一个回复邮件的节点，就可以直接把回复发送给用户： 设置参数： 通过Message ID就可以回复用户： 测试效果： 收到邮件： 7.4 上线运行 先保存，后发布： 现在就成功发布了： 测试一下效果：发送一个邮件到对应的邮箱 客服自动写邮件回答： 写在最后： n8n 搭建的智能客服非常适合邮件场景：自动读取、智能回复、无缝集成，这是它的强项 但如果你需要将客服接入飞书、微信、企业微信等国内即时通讯平台，用 n8n 太麻烦了…… 这种场景下，我更推荐使用 Coze，它对这些平台的支持非常友好，几乎可以开箱即用 不同的工具擅长不同的方向，选择最合适的就好 我是龙井，一个活跃的AI探索者 我会在朋友圈公开我的一切：AI学习、创业踩坑、业务进展、成长复盘 加我微信：longjing aiagent 用我踩过的坑，帮你少走弯路 写在前面 在 AI 通识课程中，你已经了解了 Agent（智能体）的基本概念 通过前三个项目的实践，相信你已经认识到 Agent 节点的重要性 第四个项目，我们将搭建一个完整的智能电商客服系统，可以通过网页与用户实时对话，还能自动读取邮件、智能回复客户咨询，实现 7×24 小时无人值守 完成这个项目后，你对 Agent 的理解将超过 95% 的人 关于 Agent 的理论定义这里不再赘述，我们直接进入实操环节 我们依旧是通过这一个核心公式来展开学习： 💡 AI Agent（智能体） = LLM（大模型）+ Planning（规划）+ Memory（记忆）+ Tools（工具） AI Agent（智能体） = LLM（大模型）+ Planning（规划）+ Memory（记忆）+ Tools（工具） 完成本教程后，你将掌握： 💡 Agent 四大核心组件（LLM、Planning、Memory、Tools） RAG 技术实战（向量存储、相似度检索、上下文注入） 完整智能客服系统（知识库、多渠道接入、公网部署） 生产环境最佳实践（工作流拆分、安全配置、稳定性优化） Agent 四大核心组件（LLM、Planning、Memory、Tools） RAG 技术实战（向量存储、相似度检索、上下文注入） 完整智能客服系统（知识库、多渠道接入、公网部署） 生产环境最佳实践（工作流拆分、安全配置、稳定性优化） 第一部分：提示词 + 大模型构建基础智能体 1.1 创建最简单的问答智能体 通过提示词 + 大模型，我们可以构建一个最基础的问答智能体 创建步骤： 1.新建 Agent 节点，系统会自动生成默认配置 创建后默认就是这种形式： 意思就是： 2.为 Agent 添加大模型节点（大模型是 Agent 的核心，相当于它的大脑） 添加大模型节点离不开两个关键步骤： 第一步：配置api凭证，配置后就可以使用： 第二步：选择具体的模型型号，不同的模型型号效果不同，花费也不同 1.2 模型参数详解 在Options部分，你可以更精细地配置模型参数 以下是常用参数说明： 💡 Frequency Penalty（频率惩罚） 控制AI是否重复说话 数值越高，AI越不爱重复同样的词 Frequency Penalty（频率惩罚） 控制AI是否重复说话 数值越高，AI越不爱重复同样的词 💡 Maximum Number of Tokens（最多字数） 限制AI回答的长度 就像写作文限制不超过1500字 Maximum Number of Tokens（最多字数） 限制AI回答的长度 就像写作文限制不超过1500字 还有以下这些，我就不一一截图展示了： 💡 Response Format（回答格式） 让AI用什么格式回答（比如纯文字、JSON数据等） Presence Penalty（存在惩罚） 鼓励AI说新话题 数值越高，AI越爱扯到新内容 Sampling Temperature（采样温度） 控制AI回答的创意度，数值越大越有创意 低温是严谨保守，高温是天马行空 Timeout（超时时间） AI思考多久后就不等了，直接报错 Max Retries（最大重试次数） 如果AI没回答上，自动重试几次 Top P 另一种控制创意度的方式 决定AI从多少个"可能的答案"里选 Response Format（回答格式） 让AI用什么格式回答（比如纯文字、JSON数据等） Presence Penalty（存在惩罚） 鼓励AI说新话题 数值越高，AI越爱扯到新内容 Sampling Temperature（采样温度） 控制AI回答的创意度，数值越大越有创意 低温是严谨保守，高温是天马行空 Timeout（超时时间） AI思考多久后就不等了，直接报错 Max Retries（最大重试次数） 如果AI没回答上，自动重试几次 Top P 另一种控制创意度的方式 决定AI从多少个"可能的答案"里选 提示： 如无特殊需求,保持默认参数即可 现在agent是这个样: 我们现在就可以直接通过对话的形式，使用这个Agent 效果： 我们可以看到他的回答是： 我是DeepSeek，由深度求索公司创造的AI助手！😊 我是DeepSeek，由深度求索公司创造的AI助手！😊 当你询问这个Agent的时候，其实是在和他背后的模型对话，但为什么这个模型知道自己是DeepSeek呢 其实是因为深度求索公司这个公司，可以通过以下类似的系统提示词做出了限制： 你是DeepSeek，是由深度求索公司创造的AI助手 你是DeepSeek，是由深度求索公司创造的AI助手 这样每当用户询问DeepSeek是谁，DeepSeek就会按照系统提示词的约束来回答 1.3 自定义系统提示词 因此我们就可以通过系统提示词+大模型构建一个最简单的智能体： 系统提示词示例： 添加系统提示词： 现在我们再来试试效果： 现在的回答： 通过这种方式，我们就构建了一个最简单的具有特定角色的智能体：专业科技行业分析师 第二部分：为智能体添加工具 2.1 为什么需要工具? 换句话说：什么时候需要引入工具？ 通过上一节，我们简单构建了一个科技行业分析师智能体，但如果要实现精准的行业动态分析,必然需要联网搜索功能。 但是当前我们搭建的智能体不支持这个功能，让他搜索最新的AI科技动态，他返回的是2024年10月的数据（这是这个模型的训练数据的截止日期） 这个时候，为了拓展智能体的功能，实现联网搜索的功能，就需要引入工具实现联网搜索 2.2 配置 Google Search 工具 可以实现搜索的工具有很多，这里我使用谷歌搜索演示： 1.添加 Google Search 工具节点 2.配置 API 凭证 当使用外部工具的时候，都是需要申请凭证的： 配置凭证的方式都一样，我带你手把手体验一遍，以后面对其他的也能配置 进入配置文档： 在文档中，会有详细的申请API的步骤： 按照文档中的步骤进行： 正常登录（我是使用Google 账号登录）： 登录后： 按照提示，验证邮箱和电话号码： 打开邮箱： 验证邮箱后自动跳转： 验证电话： 填入验证码： 订阅： 复制自己的API： 回到n8n： 这样就创建成功了 选择刚刚创建好的凭证，一般会自动选择好： 现在Agent节点拥有了搜索工具： 测试效果： 2.3 常见错误及解决方案 这是一个非常常见的错误，当你给Agent配置工具的时候，一定会遇到这种问题 错误原因： 💡 Agent 在调用 Google Search这个工具时，一直在：思考 / 调用工具 / 再思考……，但在 默认Max Iterations（最大迭代次数）= 10 次之内，始终没有给出最终答案，于是被强制停止。 这个现象在使用搜索类工具尤为常见 Agent 在调用 Google Search这个工具时，一直在：思考 / 调用工具 / 再思考……，但在 默认Max Iterations（最大迭代次数）= 10 次之内，始终没有给出最终答案，于是被强制停止。 这个现象在使用搜索类工具尤为常见 我总结出两种解决方案： 方案一：提高 Max Iterations 值（不推荐） 把默认的 10 提高到更大的值（比如 20、30），给模型更多轮次来完成任务 你知道有这种解决思路就行，而且这种方案不稳定，你不好判断多大的值能让模型完成任务 你知道有这种解决思路就行，而且这种方案不稳定，你不好判断多大的值能让模型完成任务 方案二：换个模型（推荐） 很多时候工具调用不稳定是因为模型兼容性问题，换个模型就可以解决 比如我换成Gemini的模型，鼠标右键DeepSeek 配置好对应模型的凭证，就可以正常使用了 效果，实现了新闻搜索： 你不想配置Gemini的模型，也可以用我们以前配置好的火山引擎，挑选一个可以使用的模型就行： 效果： 你之后确定了哪个模型 + 工具组合最稳定，就可以固定下来作为生产环境的首选 你之后确定了哪个模型 + 工具组合最稳定，就可以固定下来作为生产环境的首选 第三部分：为智能体添加记忆 3.1 为什么需要记忆? 为什么要给大模型添加记忆呢？ 举个例子，这是没有添加记忆的智能体：我前面和他的对话，他会记不住，你说完第二句话，它就忘了第一句话，这是非常影响使用体验的 3.2 配置短期记忆 添加 Memory 节点： 需要注意的是： Context Window Length是指上下文窗口长度，当前设置为5，这是 AI 的 记忆容量，代表 AI 只能记住最近的 5 次交互（指 5 组问答），如果超过 5 条最早的那条消息会被挤出去，AI 就会忘掉最早说的话， 现在对话，就可以记住以前的内容了 小结一下： 我们回到这个公式： 💡 AI Agent（智能体） = LLM（大模型）+ Planning（规划）+ Memory（记忆）+ Tools（工具） AI Agent（智能体） = LLM（大模型）+ Planning（规划）+ Memory（记忆）+ Tools（工具） 对应n8n中： 1. 大模型 💡 角色：纯粹的智力引擎 • 这是智能体的核心思考能力来源 • 如果没有它，Agent 就是个空壳 • 在这里，我们选用了 DeepSeek，Agent 会把问题扔给 DeepSeek，让它进行理解、推理和生成回复 角色：纯粹的智力引擎 • 这是智能体的核心思考能力来源 • 如果没有它，Agent 就是个空壳 • 在这里，我们选用了 DeepSeek，Agent 会把问题扔给 DeepSeek，让它进行理解、推理和生成回复 2. 规划 💡 角色：决策中心 • 隐藏在 AI Agent 节点内部 • 规划的过程是这样的： ◦ 当我提出问题“搜索最新AI热点”时，Agent 内部会进行规划： ◦ 先看 LLM：DeepSeek 知道最新AI热点吗？不知道，因为它只知道它训练截止日期前的事 ◦ 再看 Tools：我手头有个 SerpAPI（搜索工具） ◦ 制定计划：先用 SerpAPI 去搜“最新AI热点”，拿到结果后，再整理语言回答用户 • 这种：拆解问题 选择工具 执行步骤的过程，就是规划 角色：决策中心 • 隐藏在 AI Agent 节点内部 • 规划的过程是这样的： ◦ 当我提出问题“搜索最新AI热点”时，Agent 内部会进行规划： ◦ 先看 LLM：DeepSeek 知道最新AI热点吗？不知道，因为它只知道它训练截止日期前的事 ◦ 再看 Tools：我手头有个 SerpAPI（搜索工具） ◦ 制定计划：先用 SerpAPI 去搜“最新AI热点”，拿到结果后，再整理语言回答用户 ◦ 当我提出问题“搜索最新AI热点”时，Agent 内部会进行规划： ◦ 先看 LLM：DeepSeek 知道最新AI热点吗？不知道，因为它只知道它训练截止日期前的事 ◦ 再看 Tools：我手头有个 SerpAPI（搜索工具） ◦ 制定计划：先用 SerpAPI 去搜“最新AI热点”，拿到结果后，再整理语言回答用户 • 这种：拆解问题 选择工具 执行步骤的过程，就是规划 3. 记忆 💡 角色：记事本（短期记忆） • 它的作用是保存上下文，如果我接着问“根据这个AI热点写一个100字文章”，Agent 会通过 Memory 回顾上一句“哦，这个AI热点是……”，从而写出AI热点对应的文章，而不是问“你说的AI热点是什么” 角色：记事本（短期记忆） • 它的作用是保存上下文，如果我接着问“根据这个AI热点写一个100字文章”，Agent 会通过 Memory 回顾上一句“哦，这个AI热点是……”，从而写出AI热点对应的文章，而不是问“你说的AI热点是什么” 4.工具 💡 角色：执行者，Agent的双手 • 大模型通常是断网的，或者它的知识有滞后性 • SerpAPI 是一个谷歌搜索工具 • 有了它，你的 Agent 就有了联网的能力，它不再只是在陪聊，而是能去外部世界获取最新的数据（如新闻、股价、天气）。 角色：执行者，Agent的双手 • 大模型通常是断网的，或者它的知识有滞后性 • SerpAPI 是一个谷歌搜索工具 • 有了它，你的 Agent 就有了联网的能力，它不再只是在陪聊，而是能去外部世界获取最新的数据（如新闻、股价、天气）。 第四部分：为智能体添加数据库(长期记忆) 4.1 短期记忆的局限性 上一节添加的记忆是短期记忆,存在以下局限: 1.受上下文窗口限制 2.重启对话后会遗忘 3.无法持久化存储 举个例子：在本次对话中，智能体已经通过短期记忆记住了我的名字 重启对话后，Agent 完全忘记了之前的信息： 效果（重启后就忘记了）： 我们可以通过建立数据库的形式，让智能体拥有长期记忆 4.2 RAG 技术原理 要搭建智能体的长期记忆数据库，需要了解 RAG技术 什么是RAG(Retrieval Augmented Generation：检索增强生成)： 💡 用最通俗的大白话来解释，RAG 就是让 AI 在回答问题前，先去翻翻书或查资料，就像挂载了一个知识库，形成了长期记忆 用最通俗的大白话来解释，RAG 就是让 AI 在回答问题前，先去翻翻书或查资料，就像挂载了一个知识库，形成了长期记忆 它让 AI 变成了一个手边随时有百科全书和公司档案的超级助理 RAG的技术底层逻辑主要包含三个核心步骤：向量化、相似度检索 和 上下文注入（不用紧张，我会用最通俗的表达给你解释清楚） 结合这张图帮助你理解（我们只需要了解，不用深究）： 第一步：向量化（把文字变成数字坐标） 💡 这是做什么？ 电脑其实不认识字，只认识数字，所以我们需要把原本的知识库（书、文档）放进一个叫 Embedding 模型的工具里 发生了什么？ Embedding 模型把文字转换成了数学坐标，意思相近的词（如苹果和香蕉）坐标会靠得很近，不相关的词（如卡车和猫）会离得很远 结果是什么？ 所有知识不再是文字，而是变成了便于查找的数字，存进一个叫向量数据库的盒子里。 第二步：相似度检索（查资料） 💡 这是做什么？ 当你提问时，系统不会在几万页书里逐字逐句地找关键词，而是在找意思最像的内容。 发生了什么？ 系统先把你的问题也变成数字坐标，然后去数据库里比对：看谁的坐标和你的问题距离最近，越近就越相关。 结果是什么？ 系统迅速锁定最相关的那几段资料，就像在大海里精准捞出你需要的针，其他无关内容全部忽略。 这是做什么？ 当你提问时，系统不会在几万页书里逐字逐句地找关键词，而是在找意思最像的内容。 发生了什么？ 系统先把你的问题也变成数字坐标，然后去数据库里比对：看谁的坐标和你的问题距离最近，越近就越相关。 结果是什么？ 系统迅速锁定最相关的那几段资料，就像在大海里精准捞出你需要的针，其他无关内容全部忽略。 第三步：上下文注入（组装提问） 💡 这是做什么？ 这是最后的组装环节：把找到的资料和你的问题一起交给 AI。 发生了什么？ 系统把你的原始问题，加上刚才捞出来的参考资料，打包成一条完整的提示词，发送给 AI。 结果是什么？ AI 同时看到了你的问题和相关背景资料，然后基于这些资料生成一个有依据的回答。 这是做什么？ 这是最后的组装环节：把找到的资料和你的问题一起交给 AI。 发生了什么？ 系统把你的原始问题，加上刚才捞出来的参考资料，打包成一条完整的提示词，发送给 AI。 结果是什么？ AI 同时看到了你的问题和相关背景资料，然后基于这些资料生成一个有依据的回答。 4.3 在n8n中搭建数据库 现在你已经了解了数据库的原理，我们开始在n8n中实现： 第一步，把数据存入向量数据库 我们新建一个表单节点，用于上传文件： 设置表单参数： Accepted File Types填写（注意要用英文逗号）：.pdf, .doc, .docx, .xls, .xlsx, .csv 这是我用AI生成了一个简单的数据库用于测试效果： 电商数据库（RAG 测试专用）.docx 电商数据库（RAG 测试专用）.docx 上传文件： 将上传的文件向量化： 这些都是n8n中支持的向量数据库，我们选一个市面上最受欢迎的向量数据库用于演示： Pinecone 向量数据库 选择上传文件： 参数设置： 先创建一个凭证： 在这里面有具体的申请API的步骤： 我们按步骤来： 选择登录: 登录后，创建一个项目： 复制好API Key备用： 创建一个索引： 给索引随便起个名字（尽量英文）： 现在是最重要的一步，选择向量模型，在这里选择什么向量模型，那我们在n8n中就要用什么向量模型，再次提醒：向量模型的作用就是把我们上传的文档编码成数字向量的形式，保存进向量数据库 有很多的向量模型可以选择，可以选择他本身就提供的，我们也可以自定义模型，最常用的是OpenAI的向量模型，不过如果你要使用的话，需要申请OpenAI的api，并且至少要充值5美元才可以正常使用，我们在这里使用自定义的Gemini的gemini embedding 001向量模型，同样需要提前申请好api，有90天的免费使用额度，申请步骤： 如何申请谷歌官方API ​ 如何申请谷歌官方API 需要在这里填写一些数值： 选择不同的向量模型，需要填写不同的Dimension（维度）数值，这些数值可以去查对应向量模型的开发文档，但是我一般不会这么做，因为找文档麻烦，我会直接先使用默认数值，跑一遍，遇到错误提示回来改： 举个例子： 这里你不需要跟着我操作，我只是为你给你演示我的搭建思路，你要了解这种思路，我在这随便填了一个768： 直接创建： 创建成功后： 假设我已经在n8n中搭建好了，我就会直接在n8n中运行，结果肯定会出类似错误：从这个错误中，就知道要填写的实际参数应该是 3072而不是768，这种方式比自己慢慢查文档要快得多 回到主线，现在我们填写数据后，直接创建 创建成功： 回到n8n，放入申请好的API Key： 保存成功： 参数设置： 添加向量模型： 配置数据加载器： 配置参数： 现在我们执行测试： 效果，表示我们上传的文件被分成了15份，并上传到了数据库： 第二步，把数据库接入Agent 回到数据库，数据已经成功存入：