一.项目架构整体架构如下：二.代码架构代码架构如下所示：在项目开始之前，需要在服务端（或者本机）使用ollama部署模型如下：ollama run qwen3:8b ollama run qwen3:1.7b ollama run gemma3:1b ollama run deepseek-r1:1.5b ollama run bge-m3:latest三.数据集介绍具体保存位置如下：/data架构如下：本项目数据来源于扫地机器人的产品手册及相关知识库，方便为用户解答使用问题。具体问题包括：基础与技术类、产品功能类、智能交互类、维护与保养类、选购指南类、技术发展类、使用技巧类、配件与耗材类、安全与隐私类、特殊场景类等问题,基本内容如下：四.模型选择以及实现1.Agent模块实现该项目（InsightScan）是基于Streamlit框架和LangChain技术栈，主要由Agent模块、LLM模块、工具模块、提示词模块组成，是一个融合了ReAct框架、RAG技术、多模态能力、提示词工程、工具调用、报告生成模块构建的智能客服Agent系统1.1 Agent简介项目中Agent是基于ReAct框架实现的，它主要包括推理（Reasoning）模块以及行动(Acting)模块(1).推理模块动态思考链(COT-Chain-of-Thought):Agent每一步生成自然语言推理逻辑，解释当前决策的原因错误回溯机制：当行动失败时，Agent能分析原因并调整策略（如：“用户输入与目前所有的工具不匹配，但是提示词工程中要求必须使用工具，因此可能需要使用Rag工具，但用户输入与Rag工具不匹配，重新思考一下确认应该使用的工具”）(2).行动模块工具集成（Tool Calling）:调用外部API、第三方数据库以及计算器等方式环境状态感知：实时接收行动结果，作为下一步决策的输入（如：“获取到北京气温25度，建议用户带薄外套”）1.2具体实现具体代码位置如下：/Agent(1).Action实现具体代码位置如下：/Agent/Action.py,整体代码如下:# BaseModel: Pydantic 的核心基类，继承它可以自动获得数据验证、类型转换和序列化/反序列化功能 # Field: 用于为模型字段提供额外的元数据（如描述、默认值、校验规则等 from pydantic import BaseModel, Field # typing 模块: 导入了 List（列表）、Optional（可选类型）、Dict（字典）、Any（任意类型）， # 用于严谨的类型提示。(注：代码中导入了 List，但在当前模型中并未实际使用) from typing import List, Optional, Dict, Any class Action(BaseModel): """ 用于 AI Agent（智能体）或工具调用（Tool Calling）的场景中，用来结构化地表示“要执行的动作”及其“参数” """ """ tool_name: 类型：str（字符串，必填） 作用：指定要调用的工具名称 Field(description=...)：为字段添加了描述信息,这在结合大语言模型（LLM）时非常有用，LLM 可以通过读取这个 description 来准确理解该字段的含义并正确生成内容 """ tool_name: str = Field(description="The name of a tool") """ args: 类型：Optional[Dict[str, Any]]（可选的字典，键为字符串，值为任意类型） 作用：存储传递给该工具的参数,因为是 Optional，所以如果不传参数，它的值可以是 None """ args: Optional[Dict[str, Any]] = Field(description="Input args of a tool, containing names and values") def __str__(self): """ 重写了 Python 内置的 __str__ 魔法方法，决定了对 Action 实例使用 print() 或 str() 时的输出格式 :return: """ # 初始化字符串 rst，以 Action(tool_name=xxx 开头 rst = f"Action(tool_name={self.tool_name}" # 检查 self.args 是否存在且非空。如果存在，遍历字典的键值对，以 , key=value 的格式拼接到字符串后面 if self.args: for k, v in self.args.items(): rst += f", {k}={v}" # 最后补上右括号 ) 并返回 rst += ")" """ 效果示例： 无参数时：Action(tool_name=search_web) 有参数时：Action(tool_name=search_web, query=pydantic, max_results=5) """ return rst总结:这段代码是一个非常典型的LLMFunction Calling /Tool Use 协议的数据结构当大模型决定调用外部工具时，它会输出符合这个Action结构的 JSON，然后后端代码可以通过Action.model_validate(json_data)将其安全地转换为 Python 对象，再根据tool_name和args去执行真实的函数调用,自定义的__str__方法则方便在日志或控制台直观地查看模型决定调用了什么工具(2).ReAct实现具体代码位置如下：/Agent/ReAct.py1).模块功能解析（1）.基础方法JSON提取:从RST(reStructuredText结构,其实就是大模型输出的结构)文本中提取JSON代码块观察格式化：清理响应并追加动作和观察结果（2）.初始化流程存储LLM、工具列表和提示文件路径初始化提示模板（读取文件+工具信息格式化）构建处理链（提示→LLM→输出解析）（3）.工具管理根据名称查找匹配的工具（4）.核心执行流程单步执行：生成动作并解析响应动作执行：验证并调用工具，返回观察结果任务执行：循环执行“推理→动作→观察”直到完成（5）.整体架构初始化 → 接收任务 → 逐步推理 → 动作生成 → 工具执行 → 观察反馈 → 循环处理 → 结果输出2).代码架构/Agent/ReAct.py整体代码如下:import os import re from typing import List, Optional, Tuple import pandas as pd # 导入 LangChain 的内存聊天历史，用于短期记忆 from langchain_community.chat_message_histories.in_memory import ChatMessageHistory from langchain_core.language_models.chat_models import BaseChatModel # 导入输出解析器：Pydantic解析器、容错修复解析器、字符串解析器 from langchain.output_parsers import PydanticOutputParser, OutputFixingParser,JsonOutputToolsParser from langchain.schema.output_parser import StrOutputParser # BaseTool: RAG报告生成 from langchain.tools.base import BaseTool # 导入提示词模板和MessagesPlaceholder: 位置保持器 from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder # 用于将工具列表渲染为文本描述 from langchain_core.tools import render_text_description from pydantic import ValidationError from langchain_core.prompts import HumanMessagePromptTemplate # 导入定义的 Action 数据结构 from Agent.Action import Action class ReActAgent: """ 推理, 行动, 观察 """ # 1.两个静态基础方法 # JSON提取：从RST文本中提取JSON代码块 # 观察格式化：清理响应并追加动作和观察结果 @staticmethod def extract_json_from_action_rst(text: str) - str | None: """ JSON提取：从RST文本中提取JSON代码块 从RST(reStructuredText结构,其实就是大模型输出的结构)格式文本中提取JSON代码块内容, 大模型有时会在 JSON 前后加上废话或 markdown 标记，此方法用于精准提取 该函数使用正则表达式匹配文本中的json代码块，并返回最后一个匹配到的JSON字符串 :param text: str, 包含RST格式的输入文本，可能包含代码块 :return: str | None: 如果找到JSON代码块则返回其中的内容（不包括json和标记）， 如果没有找到则返回None """ # 使用正则表达式匹配json代码块 # 使