模型基础部署及项目 8

客服暖心，情绪智察基于Agent技术的情感感知智能客服项目实战高职/本科学生人工智能应用实训目录01项目概述深入了解项目背景、核心建设目标，明确本次实训的学习任务与预期成果。02知识储备系统梳理项目所需的核心概念，深度解析关键技术原理，为任务实施打好基础。03任务实施按照从环境搭建、功能创建到最终测试的完整步骤，手把手完成项目的核心开发。04总结与展望回顾项目开发全过程，进行成果评价，并探讨未来的功能拓展方向与优化思路。项目概述项目背景项目目标学习任务利用RAG检索增强生成技术结合Dify平台，搭建具备情绪感知能力的智能客服系统，完成核心功能的开发与调试。构建能精准识别用户情绪的智能客服，基于权威知识库提供人性化、可溯源的情绪响应与专业问题解答服务。传统客服难以感知用户情绪，易引发沟通矛盾；亟需利用AI技术解决这一痛点，提升服务体验与沟通效率。项目名称：情绪感知智能客服——背景、目标与学习任务总览项目背景与行业痛点海量需求挑战快递业务规模激增，咨询量呈指数级增长，人工难以覆盖。服务效率低下人工响应速度慢，大量重复问题占用资源，处理流程冗长。沟通情感缺失传统话术冰冷生硬，无法感知并回应用户的真实情绪变化。用户体验不佳问题解决链路长，用户需要多次转接，满意度持续走低。客诉风险升级简单问题未被及时解决，逐步演变为严重的客诉与舆情风险。服务流程僵化标准化流程缺乏灵活性，难以应对用户多样化的个性化需求。核心痛点洞察行业核心痛点在于：如何打破传统模式的局限，让AI客服从只能机械问答的“工具”，真正进化为能够深度理解用户情绪、主动预判需求并提供个性化服务的“智能体”。项目愿景将情绪识别与快递业务深度结合，利用Agent技术打造具备情感感知的终极智能客服。1情感感知通过提示词工程设计，让AI精准捕捉并理解用户的实时情绪状态。2智能安抚与转接识别负面情绪时自动生成安抚话术，并智能判断时机提示转接人工客服。3高效任务处理快速响应并闭环处理查件、修改地址、物流投诉等高频快递业务。4全面掌握工作流深度掌握Agent从情绪感知、意图识别到最终任务执行的完整业务闭环流程。项目目标与核心价值!核心价值：大幅提升快递客服的服务温度与业务处理效率。学习目标知识目标深入理解并掌握LLM与Agent的核心区别、函数调用的实现原理、提示词工程的优化技巧，以及复杂Agent系统的编排策略与设计模式。能力目标具备独立部署本地大语言模型（LLM）的能力；能够设计完整的AI工作流，基于需求开发功能工具，并对系统进行全流程的测试与迭代优化。素养目标在技术实践中树立“用户中心”的产品设计理念；培养严谨的逻辑思维能力，同时保持对新技术的探索热情与创新意识。1243本地LLM部署与基础识别测试核心工具库开发多场景业务流程与兜底机制验证Agent核心逻辑搭建与优化工作任务清单知识储备核心概念关键技术学习目标理解情感识别、Agent智能体、多模态交互等核心定义，建立对智能应用底层逻辑的基础认知。解析大语言模型微调、RAG检索增强生成、向量数据库等关键技术原理，掌握技术落地的核心方法。能够独立梳理技术选型逻辑，并将理论知识应用到实际项目开发中，为后续智能系统搭建筑牢基石。核心目标：夯实理论基础全方位解析智能应用关键技术栈知识储备概览情感识别的价值理解用户情绪倾向，提升交互体验与服务温度。情感分析技术基于NLP与机器学习，量化文本中的情绪特征。“转人工”机制设定阈值，在AI无法处理时平滑切换至人工服务。Agent智能体技术赋予AI自主规划、记忆与工具使用的能力。FunctionCall函数调用连接大模型与外部API，实现数据查询与操作。魔搭社区Agent(MCP)集成魔搭生态模型与能力，降低开发门槛。核心目标总结：通过系统掌握情感识别、Agent智能体、函数调用等核心技术，结合魔搭社区的MCP生态能力，我们将构建出一个不仅能“听懂”用户报修诉求，还能“感知”用户情绪，并在必要时灵活“转人工”的智能宿舍报修管家系统。AI客服中情感识别的重要性与价值提升客户满意度提供“同理心”服务，主动感知并管理客户情绪，快速建立客户信任与情感连接。优化服务流程基于情感识别结果进行智能预警与调度，识别到强烈负面情绪时自动触发高级别处理流程。辅助业务决策量化全量服务过程中的情感数据，精准识别产品或服务痛点，为业务改进提供数据驱动支持。情感分析（SentimentAnalysis）的基本概念与应用▍核心定义(CoreDefinition)情感分析是NLP（自然语言处理）的重要分支。其核心目标是利用算法识别、提取并量化文本中蕴含的主观情感色彩，将非结构化的文本（如评论、对话）转化为可计算、可分析的客观数据。▍现代实现：提示词工程在LLM（大语言模型）时代，无需训练新模型。通过PromptEngineering(提示词工程)，向LLM输入明确的任务指令，即可在零训练成本下高效完成复杂的情感极性判断与分类任务。▍提示词三要素(3Elements)要确保LLM输出的准确性，一个高质量的提示词需包含：1.明确指令：清晰告知模型需要执行的具体任务2.类型定义：界定情绪的维度（如积极/消极/中性）3.示例演示：提供Few-shot案例作为参考标准✨关键应用价值(KeyApplications)📊商业洞察

分析电商评论、社交媒体舆情，量化用户反馈，辅助产品快速迭代与市场策略制定。⚡效率提升

自动化处理海量客服对话、投诉工单，秒级识别负面情绪并进行优先级分流，释放人力。🔬科研支持

为社会心理学、传播学等领域提供大规模、标准化的文本情感数据集，支撑学术研究。SentimentAnalysis:FromConcepttoApplicationwithLLM&PromptEngineering1243核心定义：“转人工”是人性化与灵活性的体现，并非服务体系的缺陷。触发时机①：问题复杂度高/多轮交互无解触发时机③：涉及隐私敏感信息/用户明确要求触发时机②：用户表现出强烈负面情绪“转人工”机制的必要性、时机与策略5平滑转接策略：主动告知与安抚用户，并完整传递上下文信息Agent：从“问答机”到“智能体”的跃迁技术范式转变从被动响应迈向主动执行01.传统LLM(问答机模式)核心特征：被动接收，机械回应。只能根据用户输入的单一指令生成文本，无法规划步骤，仅能处理简单的信息输出任务。02.Agent(智能体模式)核心特征：主动思考，工具协作。能够主动理解复杂目标，将任务拆解为多个步骤，并自主调用外部工具（如计算器、知识库）来协同完成任务，是真正的问题解决者。💡总结：Agent让AI从“生成文本”进化为“解决问题”函数调用(FunctionCalling)：Agent与外部世界的接口▍什么是函数调用？函数调用（FunctionCalling）是大语言模型（LLM）在智能体（Agent）架构中连接外部世界的核心机制。它赋予了LLM“执行动作”的能力：在对话交互中，模型能够精准识别用户的深层意图，并将其转化为结构化、可被计算机直接执行的函数调用请求。通过这种方式，Agent不再局限于文本生成，而是能真正调用外部工具（如数据库查询、API请求、代码执行）来完成复杂任务。核心价值/CoreValueKEY

POINT架构解耦：实现了智能“大脑”（Agent/LLM）与业务“手脚”（外部工具/API）的逻辑分离，职责边界清晰。易于扩展：新增业务能力无需修改核心模型逻辑，仅需定义新的函数接口，极大地降低了系统维护与迭代成本。魔搭社区Agent(MCP)：Agent的能力扩展插件什么是MCP生态系统？MCP(ModelContextProtocol)是一个开放、共享的Agent能力生态平台。它将AIAgent的复杂能力解耦为标准化的“插件”，打破了单一应用的能力边界。能力扩展的核心机制社区开发者将独立开发的功能（如工具调用、数据处理）封装为标准化插件；任何基于LLM的应用都能像“手机安装App”一样，通过调用MCP插件，零门槛获得全新的感知与执行能力，实现Agent的快速迭代与功能扩展。核心应用场景&价值MCP插件化能力复用与快速落地：无需重复造轮子，直接集成社区成熟插件（如天气查询、路线规划、知识库检索等），极大降低了Agent应用的开发成本，让开发者专注于业务逻辑与体验优化。任务实施STEP01：项目创建STEP02：流程配置STEP03：效果测试输入多轮对话测试用例，验证情感感知准确性与回答专业度，根据反馈持续优化模型参数与知识库配置。在Dify中设计智能客服对话流程，配置情感识别规则与知识库检索逻辑，实现用户意图的精准匹配与响应。登录Dify平台创建新应用，选择适配的基础大模型，完成项目基础信息与运行环境的初始化配置。任务实施：从创建到测试的完整步骤任务实施概览STEP01创建应用与工具初始化项目环境，配置开发工具链，为后续智能客服的构建打下坚实基础。STEP02搭建核心逻辑设计对话管理与意图识别逻辑，定义知识库检索策略，构建客服核心大脑。STEP03集成外部能力对接LLM大模型API，接入企业业务数据库，实现多渠道的信息融合与调用。STEP04测试与优化进行多轮真实场景对话测试，基于反馈数据持续优化Prompt与知识库，提升准确率。整体工作流程包括：创建应用与工具、搭建核心逻辑、集成外部能力、测试与优化。我们将严格按照这个标准化流程，环环相扣，一步步构建出高效、智能的企业级客服系统。任务1：步骤1-创建应用与清理默认流程Dify平台操作核心操作步骤分解01新建Chatflow应用1.登录Dify管理平台，在首页点击【创建应用】按钮。2.在弹出的应用类型中，选择【Chatflow应用】进入配置。02配置应用基础信息填写应用名称为“智能快递客服-高级版”，并根据需求补充简单的应用描述，完成基础信息配置。03清理默认流程节点进入流程图编辑区，删除画布中默认生成的【LLM】节点，仅保留【开始】节点与【直接回复】节点。任务1：步骤2&3-配置用户消息模板与变量赋值配置模板与变量，构建多轮对话的上下文记忆基础节点配置界面示例“用户消息模板转换”与“变量赋值”节点的实际编排效果STEP01.创建“用户消息模板转换”节点在流程中添加此节点，用于标准化用户输入。配置其输入变量为sys.query，并在代码框中填入{{arg1}}，实现对用户原始查询的格式化处理。STEP02.添加“变量赋值”节点记录对话历史新增变量名为history，数据类型选择Array[String]。操作类型设为“追加”，并将值绑定为上一步“用户消息模板转换”节点的输出结果，从而实现对多轮对话内容的动态记录。Tip:变量赋值是构建上下文感知对话系统的关键步骤任务1：步骤4&5-添加会话变量并配置历史消息模板01步骤4：添加“History”会话变量创建一个类型为String的会话变量，命名为history。该变量用于存储对话过程中的历史消息记录，初始默认值设置为空即可。02步骤5：配置“历史消息”模板转换节点新增一个模板转换节点，设置输入变量为创建好的history。使用Jinja2代码编写格式化规则，将原始的历史消息列表转化为LLM易于理解的文本格式。03配置核心目的为后续的Agent节点提供结构化的上下文信息，确保大模型在生成回复时能够参考历史对话，实现多轮交互。任务1：步骤6-创建“问题分类器”节点构建工作流核心·智能意图识别与对话分流处理01问题分类器节点在工作流编辑器的节点库中，拖拽一个问题分类器；02选择适配的大语言模型在节点的配置面板中，选择合适的模型进行推理。推荐使用开源且性能均衡的`qwenwen2.5:`模型，也可根据需求选择其他LLM。03配置多意图分类体系定义“订单查询”、“情绪安抚”、“天气查询”和“通用问答”四个核心类别，并为每个类别编写详细的Prompt描述，引导模型准确识别用户意图并分流。任务2：步骤1-配置基础模型并开始搭建分支01.进入应用配置在“基础模型”模块中，为Agent选择一个核心“大脑”。推荐使用中文表现优异的模型，例如deepseek-chat或gemma3，以确保后续的推理能力。02.搭建第一个分支从流程图中的“问题分类器”节点引出一条新的连线，创建一个全新的处理分支。这将是我们后续实现特定业务逻辑（如订单查询）的起点。关键提示：基础模型的选择直接决定了Agent的理解能力和回答质量，请根据业务场景（如中文对话、代码生成）选择最适配的模型。搭建分支时，注意保持流程图的逻辑清晰。任务2：步骤2-安装Agent策略插件插件安装关键步骤01进入插件市场如果插件尚未安装，需要先访问Dify平台的“插件市场”功能模块。02选择指定标签在插件市场的分类导航中，精准选择“Agent策略”标签进行筛选。03安装目标插件在列表中找到以下两个关键插件并点击安装：①DifyAgent策略②Agent策略(支持MCP)任务2：步骤3-配置“订单查询”Agent节点核心配置流程：从节点创建到Prompt编写的关键步骤拆解01添加Agent节点在分支1的连线上，添加一个“Agent”类型的功能节点，作为订单查询的核心处理单元。02核心模型选择Agent核心模型指定为deepseek-chat，利用其优秀的中文理解与逻辑推理能力处理请求。03设定Agent策略策略类型选择FunctionCalling(函数调用)，赋予Agent调用外部工具解决问题的能力。04配置可用工具列表演示阶段暂时选择“获取当前时间”作为示例工具，后续可接入真实的订单查询接口。05编写系统指令(Prompt)编写针对性的提示词，指导Agent模拟真实的订单查询逻辑与标准化回复话术。Agent节点配置界面预览参数配置面板与工具选择区示意任务2：步骤4-配置“直接回复”节点直接回复节点配置流程01添加“直接回复”节点在流程图中，找到“订单查询”Agent节点的输出端口，连接并添加一个“直接回复”类型的节点。02配置回复内容指令选中该节点，在右侧的配置面板中找到“回复”输入框，输入如下指令：@Agent(x)text&@Agent(x)files03功能实现与效果系统将自动获取Agent节点处理后返回的文本内容和文件附件，并将其完整地回复给用户，完成整个订单查询流程。任务2：步骤5-配置“情绪安抚”Agent节点搭建情绪安抚分支，集成Agent智能策略与工具调用能力01.分支构建从“问题分类器”引出第二条分支，并在分支末端添加一个“Agent”节点。02.模型选择推荐选用`deepseek-r1:32b`或其他具备强大推理能力的大语言模型。03.策略配置Agent策略选择`ReAct(支持MCP工具)`，为后续集成外部工具能力做准备。04.工具列表在工具列表中暂时勾选“获取当前时间戳”，完成节点的基础功能配置。💡配置提示：确保Agent节点与“问题分类器”的输出逻辑正确连接，以便在识别到用户负面情绪时，能精准触发该安抚分支。任务2：步骤6-配置旅游推荐MCP和指令MCP配置实施流程01访问魔搭社区获取配置打开魔搭社区，在MCP广场中搜索“Variflight”，找到对应的服务卡片，复制其提供的MCP服务器配置代码。02在Dify中配置MCP服务进入Dify平台，打开Agent节点的配置界面。在“MCP服务器”选项中，粘贴刚才复制的配置代码，完成外部服务的接入与验证。03编写Agent调用指令(Prompt)编写详细的系统提示词，明确告知Agent的任务目标：在安抚用户情绪的同时，必须调用已接入的MCP获取实时航班信息，并基于此信息为用户推荐合适的旅行目的地，生成自然的回复。任务2：步骤7-配置“天气查询”Agent节点核心目标：通过集成MCP工具，让智能客服具备实时天气查询的能力01添加Agent节点从“问题分类器”引出第三条分支，添加一个“Agent”节点作为天气查询的处理单元。02模型版本选择在模型配置中选择`gemma3:latest`，该模型具备优秀的推理能力，能更好地支持工具调用。03配置Agent策略策略必须选择`ReAct(支持MCP工具)`，启用基于“思考-行动”的推理逻辑来处理查询。04集成MCP服务配置访问魔搭社区，获取官方提供的“天气MCP服务”MCP配置代码，粘贴至对应配置项中。05编写Prompt指令编写清晰的指令引导Agent，当识别到天气相关问题时自动调用MCP工具。配置效果预览完成上述配置后，Agent将能够解析用户输入的城市名称，实时调用天气MCP工具获取数据，并整理成自然语言回答用户。这标志着我们的客服系统具备了真正的工具调用能力。任务3：通用问答Agent配置通用问答节点配置流程01节点分支搭建从“问题分类器”的输出端口引出第四条分支逻辑，并在该分支中添加一个标准的“LLM”节点，专门用于处理所有未命中其他特定分支的通用用户问题。02核心参数配置模型选型：指定使用gemma3:latest作为核心推理模型。

上下文关联：在输入配置中，选择`history模板转换`节点输出的`outputString`，确保模型能基于历史对话生成回复。03系统指令(Prompt)编写编写详细的Prompt，定义Agent的回复风格（如友好、专业）、遵循的规则以及针对未知问题的兜底策略，确保在处理通用问题时的回答质量与一致性。1234任务4：多场景业务流程与兜底机制验证场景1：负面情绪分支输入：“我的快递晚了三天了，你们怎么回事！”预期：Agent进入分支2，先安抚，再推荐旅行。场景2：意图分流分支-查件输入：“你好，我想查一下我的快递，单号是SF123456789。”预期：Agent进入分支1，返回物流信息。场景3：意图分流分支-投诉输入：“我要投诉，快递员态度很差，单号是SF123456789。”预期：Agent进入分支1和2，执行复合逻辑。场景4：意图分流-日常问答输入：“上海明天天气怎么样？”预期：Agent进入分支3，调用天气查询MCP工具。任务4：测试场景示例-负面情绪智能客服在负面情绪场景下的响应流程与效果解析1用户输入(触发负面情绪)“快递都多少天，你们是怎么搞的，思维