Agent场景题入门指南：从零开始构建你的第一个智能代理

1次阅读

共计 1682 个字符，预计需要花费 5 分钟才能阅读完成。

Agent 场景题是指通过智能代理（Agent）来解决特定场景下的交互问题。与传统编程范式相比，Agent 场景题更注重动态交互和上下文管理，而传统编程则更偏向静态逻辑和固定流程。

传统编程 ：逻辑固定，输入输出明确，流程线性。
Agent 场景题 ：动态交互，上下文感知，流程可调整。

意图识别是 Agent 的核心功能之一。我们通过正则表达式和简单的机器学习分类器来实现。

import re

def detect_intent(text):
    # 匹配退货相关意图
    if re.search(r'( 退货 | 退款 | 退钱)', text):
        return 'return'
    # 匹配物流相关意图
    elif re.search(r'( 物流 | 快递 | 运送)', text):
        return 'logistics'
    else:
        return 'unknown'

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# 训练数据
X_train = ["我要退货", "快递到哪里了", "商品有问题"]
y_train = ["return", "logistics", "return"]

# 特征提取
vectorizer = CountVectorizer()
X_train_vec = vectorizer.fit_transform(X_train)

# 训练模型
clf = MultinomialNB()
clf.fit(X_train_vec, y_train)

# 预测
X_new = vectorizer.transform(["我的快递还没到"])
print(clf.predict(X_new))  # 输出: ['logistics']

对话状态管理可以通过有限状态机（FSM）实现。

class DialogStateMachine:
    def __init__(self):
        self.state = 'INIT'

    def transition(self, intent):
        if self.state == 'INIT' and intent == 'return':
            self.state = 'HANDLE_RETURN'
            return "请问您要退什么商品？"
        elif self.state == 'HANDLE_RETURN':
            self.state = 'COMPLETE'
            return "退货申请已提交。"
        else:
            return "抱歉，我不太明白您的意思。"

集成商品数据库 REST API 的示例：

import requests

def get_product_info(product_id):
    url = f"https://api.example.com/products/{product_id}"
    response = requests.get(url)
    if response.status_code == 200:
        return response.json()
    else:
        return None

设置超时时间，避免长时间等待用户响应。
使用定时器检测超时，并自动结束或重置对话。

当意图识别失败时，提供默认响应或引导用户重新输入。
记录未识别的输入，用于后续模型优化。

使用预定义的敏感词列表进行过滤。
对敏感内容进行替换或提示用户修改。

sensitive_words = ["暴力", "色情", "政治"]

def filter_sensitive_words(text):
    for word in sensitive_words:
        if word in text:
            return "您的输入包含敏感内容，请修改。"
    return text