Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
本项目实现了一个基于多智能体（Multi-Agent）和检索增强生成（Retrieval-Augmented Generation, RAG）技术的客户支持系统。它利用 Python、LangChain 和 LangGraph 构建了一个能够处理各种旅行相关查询的对话式 AI，包括航班预订、租车、酒店预订和行程推荐。还有对接了woocommerce商城进行商品查询，文章查询，表单提交，订单查询等商城功能。
| Date | Stars |
|---|---|
| 2026-07-31 | 282 |
| 2026-08-01 | 284 |
| 2026-08-02 | 285 |
| 2026-08-03 | 286 |
| 2026-08-04 | 289 |
| 2026-08-05 | 290 |
| 2026-08-06 | 290 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
# 多智能体RAG客服系统
## 项目简介
本项目实现了一个基于多智能体（Multi-Agent）和检索增强生成（Retrieval-Augmented Generation, RAG）技术的客户支持系统。它利用 Python、LangChain 和 LangGraph 构建了一个能够处理各种旅行相关查询的对话式 AI，包括航班预订、租车、酒店预订和行程推荐。还有对接了woocommerce商城进行商品查询，文章查询，表单提交，订单查询等商城功能。
本项目fork自 https://github.com/ro-anderson/multi-agent-rag-customer-support ，一个基础的框架。
本项目在原基础上进行了重大功能扩展，新增了安全护栏机制（越狱防护和相关性检查）和基于 GoHumanLoop 的人工审核流程，极大地提升了系统的安全性和可控性。
### 系统功能演示
### 多智能体RAG系统流程图
## 架构概览
系统采用多智能体架构，使用 LangGraph 实现为状态图。以下是主要组件说明：
1. **主助手 (Primary Assistant)**: 用户查询的入口点。它根据用户需求将对话路由到专门的助手。
2. **专业助手 (Specialized Assistants)**:
* **航班预订助手**: 处理航班相关的查询和预订。
* **租车助手**: 管理租车请求。
* **酒店预订助手**: 处理酒店预订查询。
* **行程推荐助手**: 处理旅行和活动推荐。
* **WooCommerce助手**: 处理电商产品和订单查询。
* **表单提交助手**: 处理用户表单提交。
* **博客搜索助手**: 处理博客文章搜索。
3. **工具节点 (Tool Nodes)**: 每个助手都可以访问 *```安全```* 和 *```敏感```* 工具。安全工具无需用户确认即可使用，而敏感工具在执行前需要用户确认。
4. **路由逻辑 (Routing Logic)**: 系统使用 *```条件边```* 根据当前状态和用户输入在助手和 *```工具节点```* 之间路由对话。
5. **用户确认 (User Confirmation)**: 对于敏感操作，系统会暂停并请求用户确认后再继续。
6. **内存和状态管理 (Memory and State Management)**: 系统维护对话状态，并使用 *```内存检查点```* 保存进度。
7. **安全与确认机制 (Security and Confirmation Mechanisms)**:
* **敏感操作确认**: 用户必须确认所有可能修改数据的操作。
* **安全护栏**: 在处理用户输入前，系统会通过AI代理进行越狱防护和相关性检查。
* **人工审核 (GoHumanLoop)**: 敏感操作在用户确认后，还需通过 GoHumanLoop 框架发送给管理员进行最终审核（例如通过飞书通知）。
这种架构允许以灵活和模块化的方式处理各种客户支持场景，同时为敏感操作内置了多重安全措施。
## 项目可观测性
为了确保有效的监控和调试能力，项目集成了 LangSmith 以增强可观测性。LangSmith 有助于跟踪请求的生命周期，包括工具使用、代理响应和错误，使开发人员能够了解多智能体系统随时间的性能表现。
## 本地运行环境要求
* Python 3.12+
* [Poetry](https://python-poetry.org/docs/#installation)
* Docker 和 Docker Compose
* OpenAI API Key
* LangSmith API Key (可选，用于追踪)
## 如何运行？
### 本地环境设置
1. 克隆代码仓库并导航到项目目录。
2. 从 `.dev.env` 创建 `.env` 文件:
```bash
cp .dev.env .env
```
3. 编辑 `.env` 文件并填入所需值:
```bash
OPENAI_API_KEY="your_openai_api_key"
LANGCHAIN_API_KEY="your_langsmith_api_key" # 可选
# 如需配置 GoHumanLoop，请添加:
# GOHUMANLOOP_API_KEY="your_gohumanloop_api_key"
# 如需配置 QDRANT，请添加:
# QDRANT_URL="your_QDRANT_URL"
# woocommerce接口相关
# WOOCOMMERCE_API_URL="your_WOOCOMMERCE_API_URL"
# WOOCOMMERCE_API_KEY="your_WOOCOMMERCE_API_KEY"
# WOOCOMMERCE_API_SECRET="your_WOOCOMMERCE_API_SECRET"
```
4. 安装依赖:
```bash
poetry install
```
5. 启动 Qdrant 向量数据库（可选，或者直接使用云qdrant):
```bash
docker compose up qdrant -d
```
你可以通过以下地址访问 Qdrant UI: http://localhost:6333/dashboard#
6. 生成向量嵌入:
```bash
poetry run python vectorizer/app/main.py
```
7. 运行客户支持聊天系统:
命令行版本：
```bash
poetry run python ./customer_support_chat/app/main.py
```
web界面版本：
```bash
poetry run uvicorn web_app.app.main:app --reload --host 0.0.0.0 --port 8000
```
## 项目结构
本项目包含两个主要服务:
1. **Vectorizer**: 为知识库生成向量嵌入。
2. **Customer Support Chat**: 主对话式 AI 系统。
3. **faq_documents**: 知识库文档，用于生成向量嵌入。
4. **web_app**: web界面版本，用于与用户交互。
5. **graphs**: 包含系统图的目录，用于可视化系统架构。
6. **faq_extension**: 新增的知识库文档目录，用于独立的生成向量嵌入。
Customer Support Chat 服务依赖于 Vectorizer 生成的向量数据库。
## 数据源与向量数据库
本项目使用两个主要数据源:
1. **旅行数据库**:
一个来自 LangGraph 的旅行数据库基准。这个 SQLite 数据库存储了航班、预订、乘客和其他旅行相关数据。
数据来源: [LangGraph Travel DB Benchmark](https://storage.googleapis.com/benchmarks-artifacts/travel-db)
2. **Qdrant**:
一个用于存储和查询旅行数据库向量嵌入的向量数据库。
## 服务代码概览
* [vectorizer](./vectorizer/README.md)
* [customer_support_chat](./customer_support_chat/README.md)
* [web_app](./web_app/README.md)
* [graphs](./graphs/README.md)
* [faq_extension](./faq_extension/README.md)
## 详细功能和技术文档
系统功能说明文档-技术实现版.md , 系统功能说明文档.md ,
## 系统未来改进方向
为了继续改进多智能体RAG系统，以下是一些直接相关的增强方向：
**工具优化:**
利用先进的 RAG 技术改进现有工具的潜力巨大：
* 在现有的搜索工具 (`search_flights`, `search_hotels`, `search_car_rentals` 等) 中实现 [```自适应 RAG```](https://langchain-ai.github.io/langgraph/tutorials/rag/langgraph_adaptive_rag/) 方法，通过集成更精细的过滤来提高从向量数据库 (VecDB) 检索的准确性。
* 当 VecDB 结果不Excerpt of 7,279 characters
Read on GitHubWould you bet a product on this? Bounded 0–100 and slow moving.
matched fp:4ce862164593faca, name:multi-agent, desc:multi-agent, name:multi agent