使用大语言模型构建智能客户支持代理的测试。

[smalltong02]

继上次对 Llama-3-8B 和 Phi-3-mini 模型进行指令跟随测试之后，鉴于本地 AI 工具箱已经比较完备，所以决定对模型进行更加复杂的测试。

这次我打算使用大语言模型加上 AI 工具箱中的工具，来构建一个智能客户支持代理。这个代理首先由大语言模型来驱动，对客户的输入进行语义理解之后，可以智能选择工具箱中的工具来为客户服务并解决问题。

目前智能客户支持代理可能使用的工具包括：

1. 本地知识库 - 根据公司产品的内部文档进行构建。
2. 搜索引擎 - 可以从互联网或公司内部网站上进行搜索。
3. 功能调用 - 提供一组函数供模型调用，使模型可以实际执行一些功能。

这次的 Demo 将从头构建一个 PS5 的智能客服，并配备本地知识库、搜索引擎和功能调用工具。大语言模型将使用 Gemini-1.5-Pro 。之所以没有选择开源模型 Llama-3 等在本地部署，是因为测试效果很不理想，目前只有闭源大模型才能很好的完成这种复杂任务。

下面将演示它是如何工作的：

一、首先为智能体创建一个产品知识库

知识库名字为 PS5, 里面存放两个演示文档"PS5 Start Guide"和"PS5 Safety Guide"：

对文档向量化并存储到向量数据库中：

二、创建 PS5 智能客户支持智能体

加载大语言模型 Gemini-1.5-Pro 并且输入产品的描述：

测试中不使用语音输入和输出，所以这里什么都不选：

选择刚刚创建的知识库 PS5 ，搜索引擎使用 Bing （如果要在内网搜索，需要实现内网的搜索引擎），激活 Function Calling 功能。测试中仅仅使用了函数 "submit_warranty_claim(caption: str, description: str)" 用来提交修理单：

最后加载代理配置：

三、进行智能客户支持智能体的测试

好了，现在万事已经齐备，让我们开始测试吧！

首先，别一上来就直奔主题，让我们先和智能体闲聊几句，拉拉近乎。它高兴了才能为我们更好的服务您说是不？：）其实也是想拉长对话历史，看看模型会不会出现问题。

我先提了三个问题：

1. Hello, Nice to meet you.
2. please introduce yourself first.
3. Can you introduce your products? 智能体回答也是中规中矩，这些问题它并没有使用任何的工具，仅仅靠产品描述和客服的定位来回答了我们的问题：

第四个问题是：

1. Are there any new products from PlayStation in 2024?

智能体发现问题已经超过了它知识的时间范围，所以选择使用搜索引擎 Bing 的结果来回答了问题：

也可以查看 Bing 的搜索结果，进行检验：

第五个问题是：

1. Does the PS5 have text-to-speech feature?

这个问题估计也不在智能体的知识范围内，所以它使用知识库 PS5 的结果来回答了问题：

第六个问题我需要提交一个修理单，因为我的 PS5 手柄坏掉了。

1. My PS5 controller is broken. There's no response when I press the shoulder button. Please help me arrange for a repair.

智能体收到请求后，它首先让我完善了一下购买信息：姓名，Email ，PS5 的序列号，以及购买时间等等：

于是我在下一轮的对话中，提交了这些信息：

智能体收到这些信息后，调用函数 "submit_warranty_claim(caption: str, description: str)" 帮我提交了修理单：

令人欣喜的是它还把我最后提供的信息加到了 Email 中，生成了修理单号 317150 ，并最终发给了 [email protected]：

总结：通过这次测试发现，对于这种稍微复杂一点的使用情况，非常考验模型的基础能力。这次测试的难点主要是自动选择合适工具，正确生成工具的调用，以及使用函数调用时可以正确的生成参数。期待下次有可以在本地部署的开源语言模型，也可以完成这个任务。：）

这里也提供一个全部流程的视频演示： https://youtu.be/GU5yvZiPXFs

也欢迎关注我的项目： https://github.com/smalltong02/keras-llm-robot