AI Agent 实战教程：LangChain + Claude 从零搭建智能客服机器人

AI Agent 这个词 2026 年听了太多遍，但真正动手写过一个的人并不多。这篇文章不讲概念，带你用 LangChain + Claude 从零搭一个能用的智能客服 Agent——能查订单状态、处理退换货申请、遇到解决不了的问题自动转人工。

完整代码约 200 行，Python 环境即可运行。

准备环境：API Key 与依赖安装

开始前需要两个东西：Claude API Key 和 Python 3.10+。

1	pip install langchain langchain-anthropic python-dotenv

在项目根目录创建 .env 文件：

1	ANTHROPIC_API_KEY=sk-ant-xxxxxxxxxxxxx

如果你是第一次接触 Claude API，可以参考之前写的 Ollama 本地部署指南，里面讲了 API Key 获取和本地模型的成本对比，本地模型也能跑 Agent，但 Claude 在工具调用能力上目前最强。

设计 Agent 的工具集

Agent 和普通 Chatbot 的关键区别是——它能调用工具。我们的智能客服需要三个工具：

查询订单——根据订单号查状态
申请退换货——创建退换货工单
转人工——把对话上下文打包给人工客服

先定义工具函数。新建 tools.py：

from langchain.tools import tool
from typing import Optional

# 模拟订单数据库
ORDERS = {
    "ORD001": {"status": "已发货", "item": "机械键盘", "eta": "5月28日"},
    "ORD002": {"status": "处理中", "item": "显示器支架", "eta": "待确认"},
    "ORD003": {"status": "已签收", "item": "Type-C 拓展坞", "eta": None},
}

@tool
def query_order(order_id: str) -> str:
    """根据订单号查询订单状态。order_id 格式如 ORD001"""
    order = ORDERS.get(order_id.upper())
    if not order:
        return f"未找到订单 {order_id}，请核对订单号后重试。"
    status_text = f"订单 {order_id}：{order['item']}，状态：{order['status']}"
    if order['eta']:
        status_text += f"，预计送达：{order['eta']}"
    return status_text

@tool
def request_return(order_id: str, reason: Optional[str] = None) -> str:
    """为用户创建退换货申请。需要订单号和退换原因"""
    order = ORDERS.get(order_id.upper())
    if not order:
        return f"未找到订单 {order_id}，无法创建退换货申请。"
    if order['status'] == '已签收':
        reason_text = f"（原因：{reason}）" if reason else ""
        return f"退换货申请已提交{reason_text}。工单号 RTN-{order_id}，客服将在 24 小时内联系您确认退货地址。"
    return f"订单 {order_id} 当前状态为「{order['status']}」，暂不支持退换货。请收到商品后再申请。"

@tool
def escalate_to_human(summary: str) -> str:
    """当 AI 无法解决用户问题时，将对话摘要转接给人工客服"""
    return f"已为您转接人工客服。工单号 CS-{hash(summary) % 10000:04d}，预计等待 2-3 分钟。对话摘要：{summary[:100]}"

三个工具各有分工：查订单只读，退换货会创建工单，转人工是兜底。LangChain 的 @tool 装饰器把普通函数包装成 Agent 可调用的工具，函数的 docstring 会自动成为工具描述——Agent 靠这段文字判断什么时候该用什么工具。

构建 Agent 核心逻辑

新建 agent.py，把工具注册到 Agent：

import os
from dotenv import load_dotenv
from langchain_anthropic import ChatAnthropic
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from tools import query_order, request_return, escalate_to_human

load_dotenv()

# 初始化 Claude 模型
llm = ChatAnthropic(
    model="claude-sonnet-4-6",
    temperature=0.3,
    max_tokens=1024,
)

tools = [query_order, request_return, escalate_to_human]

# Agent 的系统提示词
system_prompt = """你是一个专业的电商智能客服助手。请遵循以下规则：

1. 用中文回复，语气友好专业
2. 用户询问订单时，先调用 query_order 查询，再回复
3. 用户要求退换货时，先确认订单状态，符合条件再调用 request_return
4. 遇到无法解决的问题（如投诉、退款争议、技术故障），调用 escalate_to_human 转人工
5. 不要编造订单信息，一切以工具返回的数据为准
6. 回复简洁，控制在 150 字以内
"""

prompt = ChatPromptTemplate.from_messages([
    ("system", system_prompt),
    MessagesPlaceholder(variable_name="chat_history"),
    ("human", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"),
])

agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,  # 调试时可以看到 Agent 的推理过程
    handle_parsing_errors=True,
)

这里有几个设计选择值得解释：

temperature=0.3——客服场景不能太有创意，要保持回答一致性
verbose=True——开发阶段打开，能看到 Agent 每一步的推理和工具调用
handle_parsing_errors=True——防止 Claude 返回格式异常导致 Agent 崩溃

这和 Claude Code 自定义规则与自动化工作流的思路一致——通过 system prompt 约束行为边界，让 AI 在给定框架内发挥，而不是放任自由发挥。

运行与交互

最后写一个简单的命令行交互入口 main.py：

from langchain_core.messages import HumanMessage, AIMessage
from agent import agent_executor

def chat():
    print("🤖 智能客服已上线，输入 'quit' 退出\n")
    history = []

    while True:
        user_input = input("👤 您: ")
        if user_input.lower() == 'quit':
            print("👋 感谢咨询，再见！")
            break

        result = agent_executor.invoke({
            "input": user_input,
            "chat_history": history,
        })

        reply = result["output"]
        print(f"🤖 客服: {reply}\n")

        history.append(HumanMessage(content=user_input))
        history.append(AIMessage(content=reply))

if __name__ == "__main__":
    chat()

运行 python main.py，试试这些对话：

👤 您: 帮我查一下 ORD001 的订单状态
🤖 客服: 您的订单 ORD001（机械键盘）目前已发货，预计5月28日送达。

👤 您: 我想退货
🤖 客服: 好的，ORD001 还未签收，暂时无法申请退换货。建议您收到商品后如果不满意再联系我。

👤 您: 我收到的键盘有质量问题，我要投诉
🤖 客服: 非常抱歉给您带来不便！已为您转接人工客服处理投诉。
工单号 CS-3847，预计等待 2-3 分钟。

进阶优化方向

这个 Demo 能跑起来，但离生产环境还有距离。如果要继续完善，几个方向值得考虑：

接入真实数据源。把 ORDERS 字典换成真实的数据库查询——LangChain 支持 SQLDatabaseToolkit，可以直接连 MySQL/PostgreSQL 执行 SQL。Agent 拿到 schema 后会自动生成查询语句，不需要你手写 SQL。

增加多轮记忆持久化。目前对话历史存在内存里，服务重启就丢失。LangChain 内置了多种 Memory 方案——ConversationBufferMemory 适合短对话，ConversationSummaryMemory 会把长对话压缩成摘要，节省 token。生产环境推荐用 Redis 做持久化存储。

接入多渠道。客服 Agent 的核心逻辑写好之后，前面接什么渠道都可以——微信公众号、企业微信、网页聊天窗口。架构上把 Agent 的 invoke() 包一层 API，各渠道统一调用同一个入口。

RAG 知识库增强。如果你的客服需要回答产品规格、退换货政策这类问题，可以把FAQ 文档向量化存入向量数据库。用户提问时先检索相关文档片段，再交给 Agent 回答。这比把全部 FAQ 塞进 system prompt 高效得多——关于 Prompt 工程的具体技巧，可以参考从入门到进阶的完整指南。

如果你对这个 Agent 的进阶版本（接入数据库 + 知识库 + 钉钉/飞书）感兴趣，可以在评论区告诉我，下篇接着写。