🤖 智扫引擎 Agent (Agent Sweep Engine)

智扫引擎 Agent 是一个面向消费者（ToC）的智能客服系统，旨在为扫地机器人用户提供全生命周期的智能服务。基于 Agentic RAG（智能体驱动的检索增强生成）技术构建，它不仅能精准回答售前售后问题，更能通过深度分析设备数据，生成个性化使用报告与优化建议。

📖 项目介绍

📌 背景与愿景

在人工智能迈向“具身智能”的时代，扫地机器人作为家庭中最具代表性的智能体之一，正面临从“智能工具”向“智能伴侣”的转型。

目前用户在产品全生命周期中（从购买前的功能咨询到购买后的维护优化）存在强烈的即时沟通需求。传统客服模式响应迟缓、知识割裂，难以满足用户对一站式、智能化服务的期待。

智扫引擎 Agent 致力于构建新一代具身智能服务中枢。它超越了传统问答机器人的范畴，以具备多任务协同能力的高级 Agent 架构为核心，实现了从“被动应答”到“主动关怀”的服务升级，让每一个在物理世界辛勤工作的具身智能体，都能在数字世界拥有专属于它的“声音”与“大脑”。

🚀 核心功能

1. 智能问答服务

售前咨询：处理产品功能、价格对比、性价比分析等购买决策问题。
售后支持：解决操作指导、故障排查、日常维护等使用问题。
技术保障：基于 RAG 技术从知识库中检索准确信息，确保响应及时、可靠，减少幻觉。

2. 使用报告与优化建议

数据洞察：针对已购用户，自动分析扫地机器人的使用数据（如清洁频率、耗材状态、错误日志等）。
个性化报告：生成定制化报告，总结使用情况。
优化建议：提供清洁计划调整、部件更换提醒等建议，帮助用户最大化产品价值。

💡 技术亮点

Agentic RAG 架构：结合检索与生成技术，增强回答准确性，具备自主决策与执行能力。
多任务集成：单一 Agent 同时处理问答和报告生成，降低系统复杂度，提升效率。
用户友好设计：面向 C 端用户，提供简洁的交互界面（文字/语音），适配多种场景。
持续学习机制：通过用户反馈动态优化知识库与模型，实现服务迭代升级。

🌟 应用价值

提升体验：快速响应，一站式解决需求。
降低成本：自动化客服流程，减少人工负担。
增强粘性：通过个性化增值服务，促进用户长期忠诚度。

🏗️ 项目架构

agent-sweep-engine/
├── Agent/                  # [核心] Agent模块 (基于ReAct模式实现)
├── bert-base-chinese/      # [模型] 评估所需的BERT模型文件
├── Chroma/                 # [数据] 向量数据库(ChromaDB)的本地存储路径
├── Configs/                # [配置] 项目配置文件 (如模型参数、RAG设置等)
├── data/                   # [数据] 原始数据集路径 (用于构建知识库)
├── Eval/                   # [测试] 验证数据集 (用于评估模型效果)
├── Models/                 # [架构] 模型工厂模块 (负责加载和管理LLM及Embedding模型)
├── prompts/                # [提示词] 提示词模块 (存放System Prompt及各类任务Prompt)
├── Results/                # [输出] 运行结果保存路径
├── Tests/                  # [测试] 功能测试脚本
├── Tools/                  # [工具] 工具集模块 (包含RAG检索工具和报告生成工具)
├── Utils/                  # [通用] 通用功能函数库
│
├── app.py                  # [服务] Flask服务端入口 (提供API接口)
├── app_test.py             # [客户端] Flask客户端测试脚本
├── app_web_gradio.py       # [界面] Gradio Web UI 启动脚本
├── app_web_streamlit.py    # [界面] Streamlit Web UI 启动脚本
├── evals.py                # [评估] 项目评估模块 (计算准确率、召回率等指标)
│
├── output.txt              # [日志] 临时输出或日志文件
├── README.md               # [文档] 项目说明文档
├── requirements.txt        # [依赖] Python项目依赖包列表
└── stopwords.txt           # [资源] 停用词表 (用于文本处理)

📂 目录结构解析

本项目采用模块化设计，逻辑分层清晰，便于后续的二次开发与维护。核心目录功能如下：

🧠 核心逻辑层

Agent/ (大脑): 项目的决策中心。实现了 ReAct (Reasoning + Acting) 逻辑框架，负责理解用户意图、规划任务路径以及决策何时调用外部工具。
Tools/ (手脚): 项目的执行单元。封装了具体的原子能力，主要包括：
- RAG 检索: 从向量数据库中精准查找相关知识。
- Report 生成: 分析设备数据并生成结构化报表。
Models/ (模型工厂): 采用工厂模式设计，解耦了模型调用逻辑。支持灵活切换不同的基座大模型（如 Qwen, Llama）和向量嵌入模型，无需修改业务代码。

💾 数据与知识层

data/: 原始知识库素材（原材料）。
Chroma/: 经过 Embedding 处理后的向量索引存储路径（成品），用于加速语义检索。
prompts/: 集中管理大模型的提示词模板。将 Prompt 与代码分离，方便在不改动代码逻辑的情况下，独立调试和优化模型指令效果。

🖥️ 应用与交互层

项目提供了多端适配的交互入口，满足不同场景需求：

app.py: 基于 Flask 的后端 API 服务，适用于后端对接或 Postman 接口测试。
app_web_gradio.py / app_web_streamlit.py: 分别基于 Gradio 和 Streamlit 构建的 Web UI，适合快速搭建前端演示界面，直观展示系统效果。

📊 评估与测试层

evals.py: 自动化评估脚本。
Eval/ & bert-base-chinese/: 包含验证数据集及专用的 BERT 评估模型。用于量化评估 RAG 系统的回答质量（如准确性、相关性、召回率等指标），确保系统效果可度量。

🛠️ 环境搭建

1. 创建 Conda 虚拟环境

conda create -n agent_se python=3.10
conda activate agent_se

2. 安装项目依赖

请在 Python >= 3.10.0 环境中安装依赖包：

pip install -r requirements.txt

requirements.txt如下:

chromadb==1.0.15
click==8.2.1
fastapi==0.135.1
Flask==3.1.1
GitPython==3.1.45
gradio==4.44.0
jieba==0.42.1
Jinja2==3.1.6
joblib==1.5.2
langchain==0.3.27
langchain-community==0.3.27
langchain-core==0.3.72
langchain-ollama==0.3.6
langchain-text-splitters==0.3.9
langsmith==0.4.8
Markdown==3.8.2
markdown-it-py==3.0.0
MarkupSafe==2.1.5
matplotlib==3.10.7
numpy==1.26.4
ollama==0.5.1
onnxruntime==1.22.1
pandas==2.3.1
pillow==10.4.0
protobuf==6.31.1
pydantic==2.11.7
pyparsing==3.2.5
pypdf==5.9.0
PyPika==0.48.9
PyYAML==6.0.2
requests==2.32.4
rich==14.1.0
rouge_score==0.1.2
safehttpx==0.1.7
safetensors==0.5.3
scikit-learn==1.7.2
scipy==1.15.3
sentencepiece==0.2.1
streamlit==1.51.0
tokenizers==0.21.2
torch==2.7.0
torchvision==0.22.0
tqdm==4.67.1
transformers==4.55.2
tzdata==2025.2
urllib3==2.5.0
uvicorn==0.35.0

⚙️ 3. 核心技术栈与配置

本项目主要基于 LangChain 框架与 Qwen (通义千问) 大模型构建

(1) 大模型管理工具：Ollama

项目使用 Ollama 进行本地大模型的管理与部署 参考文档：

(2). 大模型开发框架：LangChain

参考文档：【AI大模型应用开发】【基础】7.LangChain基础知识入门 基础安装：

pip install openai langchain modelscope

(3). 大模型服务：阿里云百炼 (Bailian)

项目接入阿里云百炼平台获取强大的模型能力（如 Qwen 系列）平台地址：阿里云百炼控制台配置要求：需要提前申请 API Key 以及 Secret Key

(4). 核心技术原理

RAG (检索增强生成)：解决大模型知识时效性与幻觉问题 参考项目：

【AI大模型应用开发】【项目实战】13.RAG智慧问答项目-(一)项目介绍&项目架构&项目环境配置
物流行业信息咨询RAG系统
大模型核心技术RAG讲解 ReAct & Agentic RAG： 赋予模型推理与行动能力 参考文章：
大模型核心技术ReAct和Agentic RAG讲解