简介

AI对话机器人利用大语言模型实现自然语言交互。本节介绍如何构建功能完整的对话机器人，包括上下文管理、知识库检索（RAG）和多轮对话设计。

基础对话机器人

# 使用LangChain构建对话机器人
from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain
from langchain.prompts import PromptTemplate

class ChatBot:
    def __init__(self, system_prompt="你是一个友好的AI助手"):
        self.llm = ChatOpenAI(model="gpt-4", temperature=0.7)
        self.memory = ConversationBufferMemory(
            memory_key="history",
            return_messages=True
        )
        template = """{system_prompt}

对话历史:
{history}

用户: {input}
AI:"""
        prompt = PromptTemplate(
            input_variables=["history", "input", "system_prompt"],
            template=template
        )
        self.chain = ConversationChain(
            llm=self.llm,
            memory=self.memory,
            prompt=prompt.partial(system_prompt=system_prompt)
        )
    
    def chat(self, user_input):
        response = self.chain.predict(input=user_input)
        return response

bot = ChatBot("你是编程学习助手，帮助用户学习编程")
print(bot.chat("Python和Java哪个更适合初学者？"))
print(bot.chat("那Python有哪些好的学习资源？"))

RAG增强对话机器人

# 带知识库检索的对话机器人
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.document_loaders import TextLoader
from langchain.chains import RetrievalQA

class RAGChatBot:
    def __init__(self, knowledge_base_path):
        self.llm = ChatOpenAI(model="gpt-4", temperature=0.3)
        self.embeddings = OpenAIEmbeddings()
        
        # 加载并分割文档
        loader = TextLoader(knowledge_base_path)
        docs = loader.load()
        splitter = RecursiveCharacterTextSplitter(
            chunk_size=500, chunk_overlap=50
        )
        splits = splitter.split_documents(docs)
        
        # 创建向量数据库
        self.vectorstore = Chroma.from_documents(
            splits, self.embeddings
        )
        
        # 创建检索链
        self.qa_chain = RetrievalQA.from_chain_type(
            llm=self.llm,
            chain_type="stuff",
            retriever=self.vectorstore.as_retriever(search_kwargs={"k": 3})
        )
    
    def ask(self, question):
        result = self.qa_chain({"query": question})
        return result["result"]

# 使用知识库回答问题
bot = RAGChatBot("company_docs.txt")
print(bot.ask("公司的请假流程是什么？"))

多轮对话状态管理

# 带状态的多轮对话
class StatefulBot:
    STATES = {"greeting", "collecting_info", "processing", "result"}
    
    def __init__(self):
        self.state = "greeting"
        self.context = {}
        self.llm = ChatOpenAI(model="gpt-4", temperature=0.5)
    
    def chat(self, user_input):
        if self.state == "greeting":
            self.state = "collecting_info"
            return "你好！请问你需要什么帮助？请描述你的问题。"
        
        elif self.state == "collecting_info":
            self.context["problem"] = user_input
            self.state = "processing"
            response = self.llm.predict(
                f"用户问题: {user_input}\n请分析问题并给出解决方案: "
            )
            self.context["solution"] = response
            self.state = "result"
            return response
        
        elif self.state == "result":
            if "谢谢" in user_input or "好的" in user_input:
                self.state = "greeting"
                return "很高兴能帮到你！还有其他问题吗？"
            else:
                response = self.llm.predict(
                    f"之前的方案: {self.context.get("solution", "")}\n"
                    f"用户追问: {user_input}\n请补充回答: "
                )
                return response

bot = StatefulBot()
print(bot.chat("你好"))
print(bot.chat("我的代码有内存泄漏怎么排查"))

小结

构建AI对话机器人的关键是上下文管理和知识检索。基础对话用ConversationBufferMemory即可，企业级应用建议用RAG+向量数据库。多轮对话需设计状态机管理对话流程，确保用户体验流畅。

移动AI编程-项目实战