LangChain Go 客户服务流程自动化演示

项目概述

这是一个基于 LangChain Go 的客户服务流程自动化演示项目，展示了如何使用多步骤 AI 链来处理客户问题，从问题分类到生成专业的回复邮件。

技术栈

Go 1.23.4
LangChain Go (v0.1.13) - AI 应用开发框架
DeepSeek API - 大语言模型服务
Prompt Templates - 结构化提示词模板

项目结构

demo02/
├── main.go           # 主程序文件
├── go.mod           # Go 模块配置
├── go.sum           # 依赖锁定文件
└── readme.md        # 项目说明文档

核心功能

1. 智能客户服务工作流

项目实现了一个完整的客户服务处理流程：

客户问题 → 问题分类 → 解决方案生成 → 回复邮件生成

2. 三步骤处理链

问题分类：分析客户问题并归类（技术支持、账单问题、产品咨询等）
解决方案生成：基于问题类型提供详细的解决步骤
邮件回复生成：生成专业的客户服务回复邮件

关键知识点学习笔记

1. LangChain Go 基础概念

Chain（链）

定义：将多个 AI 组件串联起来的处理单元

接口要求：

type Chain interface {
    Call(ctx context.Context, inputs map[string]any, options ...ChainCallOption) (map[string]any, error)
    GetMemory() schema.Memory
    GetInputKeys() []string
    GetOutputKeys() []string
}

LLMChain（语言模型链）

作用：将 LLM 和 Prompt Template 结合

创建方式：

llmChain := chains.NewLLMChain(llm, promptTemplate)

2. Prompt Template 设计

模板语法

template := `请分析以下客户问题：
客户问题: {{.customer_issue}}
分类结果:`

promptTemplate := prompts.NewPromptTemplate(template, []string{"customer_issue"})

关键要素

占位符：使用 {{.变量名}} 语法
输入键：明确指定模板需要的输入参数
结构化输出：设计清晰的输出格式

3. DeepSeek API 集成

配置要点

llm, err := openai.New(
    openai.WithToken(os.Getenv("DEEPSEEK_API_KEY")),
    openai.WithBaseURL("https://api.deepseek.com/v1"),
    openai.WithModel("deepseek-chat"),
)

环境变量设置

export DEEPSEEK_API_KEY="your_api_key_here"

4. 链式处理模式

手动链式处理

本项目采用手动链式处理，原因：

灵活性：每个步骤都能访问原始输入
可控性：能够精确控制数据流转
调试友好：便于单独测试每个环节

代码模式

// 步骤1
result1, err := chains.Call(ctx, chain1, inputs)
// 步骤2
result2, err := chains.Call(ctx, chain2, combinedInputs)
// 步骤3
result3, err := chains.Call(ctx, chain3, finalInputs)

5. 错误处理策略

分层错误处理

if err != nil {
    log.Fatalf("创建 LLM 失败: %v", err)
}

类型断言安全

issueCategory := result1["text"].(string)

运行指南

1. 环境准备

# 设置 DeepSeek API Key
export DEEPSEEK_API_KEY="your_deepseek_api_key"

# 安装依赖
go mod tidy

2. 运行程序

go run main.go

3. 预期输出

程序将输出完整的客户服务处理流程：

客户问题描述
问题分类结果
详细解决方案
专业回复邮件

技术难点与解决方案

1. SequentialChain 使用困难

问题：LangChain Go 的 SequentialChain 在处理复杂输入输出时容易出错

解决方案：采用手动链式调用，提供更好的控制和调试能力

2. 中文 Prompt 优化

挑战：确保中文提示词的准确性和专业性

策略：

使用清晰的结构化提示词
提供具体的输出格式要求
包含上下文信息

3. API 兼容性

问题：DeepSeek API 与 OpenAI API 的兼容性配置

解决：使用正确的 BaseURL 和模型名称配置

扩展建议

1. 功能扩展

添加更多问题类型处理
实现多语言支持
集成数据库存储客户交互历史

2. 性能优化

实现异步处理
添加缓存机制
批量处理支持

3. 工程化改进

添加配置文件管理
实现日志系统
添加单元测试

学习总结

这个项目展示了 LangChain Go 在实际业务场景中的应用，主要学习收获：

框架理解：深入理解了 LangChain 的链式处理概念
实践经验：掌握了 Prompt Engineering 的实际技巧
工程思维：学会了如何设计可维护的 AI 应用架构
问题解决：积累了调试和优化 AI 应用的经验

通过这个项目，可以为更复杂的 AI 应用开发打下坚实基础。

package main

import (
	"context"
	"fmt"
	"github.com/tmc/langchaingo/chains"
	"github.com/tmc/langchaingo/llms/openai"
	"github.com/tmc/langchaingo/prompts"
	"log"
	"os"
)

func main() {
	// 演示复杂的多步骤任务处理
	demonstrateComplexSequentialChain()

}

// 演示复杂的多步骤任务处理
func demonstrateComplexSequentialChain() {
	fmt.Println("=== 复杂 SequentialChain 演示：客户服务流程 ===")

	// 设置 LLM
	llm, err := openai.New(
		openai.WithToken(os.Getenv("DEEPSEEK_API_KEY")),
		openai.WithBaseURL("https://api.deepseek.com/v1"), // DeepSeek API 基础 URL
		openai.WithModel("deepseek-chat"),
	)
	if err != nil {
		log.Fatalf("创建 LLM 失败: %v", err)
	}

	// 执行链
	ctx := context.Background()
	customerIssue := "我的账单显示了错误的金额，比实际使用量高了很多，希望能够核实并退款"

	// 手动执行三个步骤，这样更清晰地演示顺序处理
	fmt.Printf("客户问题: %s\n\n", customerIssue)

	// 步骤1: 问题分类
	fmt.Println("步骤1: 问题分类")
	classificationPrompt := prompts.NewPromptTemplate(
		`请分析以下客户问题并进行分类：

客户问题: {{.customer_issue}}

请从以下类别中选择：
- 技术支持
- 账单问题
- 产品咨询
- 投诉建议
- 其他

分类结果:`,
		[]string{"customer_issue"},
	)

	classificationChain := chains.NewLLMChain(llm, classificationPrompt)
	
	result1, err := chains.Call(ctx, classificationChain, map[string]any{
		"customer_issue": customerIssue,
	})
	if err != nil {
		log.Fatalf("执行分类链失败: %v", err)
	}
	
	issueCategory := result1["text"].(string)
	fmt.Printf("分类结果: %s\n\n", issueCategory)

	// 步骤2: 生成解决方案
	fmt.Println("步骤2: 生成解决方案")
	solutionPrompt := prompts.NewPromptTemplate(
		`基于客户问题和分类，请提供专业的解决方案：

客户问题: {{.customer_issue}}
问题分类: {{.issue_category}}

请提供详细的解决步骤和建议：

解决方案:`,
		[]string{"customer_issue", "issue_category"},
	)

	solutionChain := chains.NewLLMChain(llm, solutionPrompt)
	
	result2, err := chains.Call(ctx, solutionChain, map[string]any{
		"customer_issue": customerIssue,
		"issue_category": issueCategory,
	})
	if err != nil {
		log.Fatalf("执行解决方案链失败: %v", err)
	}
	
	solution := result2["text"].(string)
	fmt.Printf("解决方案: %s\n\n", solution)

	// 步骤3: 生成回复邮件
	fmt.Println("步骤3: 生成回复邮件")
	emailPrompt := prompts.NewPromptTemplate(
		`请基于以下信息生成一封专业的客户服务回复邮件：

客户问题: {{.customer_issue}}
解决方案: {{.solution}}

邮件应该包括：
- 礼貌的问候
- 问题确认
- 解决方案说明
- 后续支持信息
- 专业的结尾

回复邮件:`,
		[]string{"customer_issue", "solution"},
	)

	emailChain := chains.NewLLMChain(llm, emailPrompt)
	
	result3, err := chains.Call(ctx, emailChain, map[string]any{
		"customer_issue": customerIssue,
		"solution": solution,
	})
	if err != nil {
		log.Fatalf("执行邮件链失败: %v", err)
	}
	
	emailResponse := result3["text"].(string)
	fmt.Printf("回复邮件: %s\n\n", emailResponse)

	fmt.Println("=== 完整的客户服务流程演示完成 ===")
}

项目概述​

技术栈​

项目结构​

核心功能​

1. 智能客户服务工作流​

2. 三步骤处理链​

关键知识点学习笔记​

1. LangChain Go 基础概念​

Chain（链）​

LLMChain（语言模型链）​

2. Prompt Template 设计​

模板语法​

关键要素​

3. DeepSeek API 集成​

配置要点​

环境变量设置​

4. 链式处理模式​

手动链式处理​

代码模式​

5. 错误处理策略​

分层错误处理​

类型断言安全​

运行指南​

1. 环境准备​

2. 运行程序​

3. 预期输出​

技术难点与解决方案​

1. SequentialChain 使用困难​

2. 中文 Prompt 优化​

3. API 兼容性​

扩展建议​

1. 功能扩展​

2. 性能优化​

3. 工程化改进​

学习总结​