多智能体客服系统排行榜：Python情感识别电商

多智能体系统落地时，最棘手的挑战莫过于让不同职能的智能体既保持独立运作，又能无缝协同。以电商客服场景为例：系统必须同时解析用户情绪、调取商品知识库、判定是否需要升级为人工处理——单看是三个独立原子任务，但串联起来才能构成完整的服务闭环。本文基于ADK框架与A2A协议，交付一个可直接运行的多智能体客服系统，从架构设计到代码实现均经过真实项目验证。

引言

AI正在重塑客户服务模式。以往用户查询订单状态或申请退款，往往陷入冗长的排队与机械回复。如今，基于大语言模型的多智能体系统能够7×24小时不间断运行，精准理解用户意图、识别情绪倾向，并提供个性化回应——这正是AI智能体在该场景中的核心价值。

本文将项目中的建模实践沉淀为一套可投入对话的AI智能体方案。ADK为构建高推理能力的智能体提供了成熟框架，A2A协议则为智能体间的通信与协作定义了标准接口——二者结合，构成了多智能体系统的技术底座。

文章曾为客户设计过基于LangChain框架的多智能体协作架构，将电商客服全流程拆解为用户交互、商品查询、订单处理三个核心智能体，每个智能体通过专属系统提示词划定边界，借助标准化的Tool抽象完成协作。最终采用DeepSeek大语言模型与FastAPI后端，实现了模块化、可扩展的客服系统。本文的架构思路一脉相承，但改用更轻量、更标准化的ADK+A2A方案。

ADK框架概述

ADK（Agent Development Kit）是一个模块化框架，专为生产级AI智能体设计。其核心理念清晰明确：让智能体开发贴近传统软件工程实践——可扩展、可测试、可部署。开发者能够像搭积木一样组合智能体的能力、工具和通信方式，无需在复杂状态机与回调地狱中挣扎。

以企业自动化入职流程为例：HR智能体负责收集文档，IT智能体负责开户，财务智能体负责注册薪酬系统。借助A2A协议，一个协调智能体可以发起流程，并将任务委派给各个专业远程智能体——彼此独立运行、各司其职、实时反馈，实现端到端的自动化体验。

项目架构概览

本系统的核心流程简洁明了：接收客户文字消息，解析意图与情感，然后路由至合适的智能体处理。

Streamlit演示界面

系统工作步骤

1. 接收客户查询作为输入
2. 调用三个独立的远程智能体：
   • 情感识别智能体：分析用户消息的情感，分类为积极、中性或消极
   • 知识检索智能体：通过检索增强生成从预定义知识库中查找答案
   • 升级处理智能体：处理愤怒或沮丧的用户，模拟升级至人工支持
3. 协调智能体作为宿主编排整个工作流——先调用情感识别智能体评估语气，再根据情感极性将查询路由至对应智能体

整个流程的核心是A2A协议提供的标准化协作框架。通过发布Agent Card，智能体之间可以互相发现能力；通过严格的JSON-RPC协议，确保消息格式一致性。

以用户输入"我非常不满意，你们的产品有问题"为例：

1. 服务发现：协调智能体查询情感识别智能体的AgentCard，确认其具备"情感分类"能力
2. 通信：将用户消息以标准JSON-RPC请求发送，情感识别智能体返回"消极"结果
3. 协作：协调智能体确认升级处理智能体的能力后，将原始消息转发并完成升级

模型集成策略

不同智能体匹配差异化的模型，才能在精度、速度与成本之间取得平衡：

• 情感识别与升级处理智能体 — 采用Llama-3.1-8B指令微调版本，针对短文本与指令式提示优化，适合快速情感分析
• 知识检索智能体 — 采用Qwen3-30B，具备可靠的函数调用能力与高召回率
• 嵌入模型 — 采用Qwen3-Embedding-8B，生成高质量向量嵌入，驱动RAG检索

工具函数实现

AI智能体的实际能力高度依赖它所绑定的工具。以下是系统三个核心工具的实现。

知识库初始化与RAG流水线

系统的查询解决核心是一个知识库类，它加载FAQ的JSON文件，将文本分块后用嵌入模型向量化，最终构建向量索引——这就是一套完整的RAG流水线。

工作流程：先用文本分割器将FAQ条目切分为512词的语义块，再用嵌入模型映射为高维向量存入索引。用户提交查询时，系统检索最相关的前K个块，将其与用户问题一并送入大语言模型生成上下文感知的精准回答。

知识库数据源可以是内部帮助台系统、内容管理平台、API知识库或实时文档——生产部署中可灵活替换。

查询解决工具

这个函数将用户问题发送至RAG引擎。如果找到相关内容且模型生成了有意义的回答，则返回以 KB_RESULT 为前缀的结果；否则返回 NO_KB_MATCH，防止系统在缺乏信息时编造答案。

情感分类工具

情感分类函数使用简洁的提示词模板，将用户消息的情绪倾向分类为积极、中性或消极三类。底层通过大语言模型API完成推理，若结果不在三分类内，默认回退为中性。

升级处理工具

当用户发送沮丧或负面的消息时，系统通过升级处理工具模拟将案例移交人工支持。这个函数记录事件日志并返回用户友好的响应。在生产环境中，可以对接工单系统或即时通讯工具通知团队。

远程智能体创建

工具函数就位后，使用ADK的 LlmAgent 类创建智能体。每个智能体通过声明式方式配置四个关键组件：名称、大语言模型、工具集合和定义行为的指令提示。

三个远程智能体：

• 情感识别智能体：接收用户消息，调用 analyze_sentiment 工具
• 知识检索智能体：调用 search_knowledge_base 工具查询知识库，确保仅返回有意义的回答
• 升级处理智能体：处理需人工介入的案例，调用 handle_escalation 工具

A2A服务封装

为了让远程智能体暴露到网络中，需将其包装在A2A服务中。ADK提供了官方的 A2aAgentExecutor，无缝桥接A2A协议与ADK运行时，极大简化服务端设置。

from google.adk.a2a.executor.a2a_agent_executor import (
    A2aAgentExecutor, A2aAgentExecutorConfig
)

def wrap_agent_as_server(agent_bot: LlmAgent, bot_card):
    artifact_service=InMemoryArtifactService(),
    session_service=InMemorySessionService(),
    memory_service=InMemoryMemoryService()

协调智能体与客户端通信

协调智能体是整个系统的核心调度者。它作为一个工具，使用A2A客户端与各远程智能体通信。每个 create_task 调用执行三步流程：（1）通过AgentCard端点进行A2A服务发现；（2）使用官方客户端工厂创建连接；（3）发送标准消息并处理响应流。

系统编排与启动

run_agents.py 是多智能体系统的主入口，负责编排整个启动序列。它利用异步编程与线程机制，将每个智能体作为独立的Uvicorn后台服务启动。

启动流程

• launch_agent_server()：每个智能体服务在独立线程中启动，实现并发
• probe_agent_health()：轮询每个智能体的AgentCard健康检查端点，确保就绪
• boot_all_agents()：按正确顺序编排启动序列：
  1. 启动三个远程专业智能体（端口10020-10022）
  2. 等待健康检查通过
  3. 实例化协调智能体（依赖就绪后创建）
  4. 启动协调智能体（端口10023）并确认就绪

import asyncio, threading, time

def launch_agent_server(build_fn, port_num: int, label: str):
    app_instance = build_fn()
    uvicorn.run(app_instance.build(), host="127.0.0.1", port=port_num, log_level="warning")
    worker = threading.Thread(target=_serve, name=f"agent-{label}", daemon=True)

执行启动命令：

python -m a2a_customer_routing.multi_agent.run_agents 

客户端交互界面

多智能体后端就绪后，使用Streamlit构建聊天界面，通过A2A协议与协调智能体直接通信。一个关键技术挑战是Streamlit的同步框架与A2A SDK异步客户端的适配——解决办法是在独立后台线程中运行异步A2A通信，避免事件循环冲突，确保界面保持响应。

核心逻辑分为两层：异步函数 call_orchestrator_async 使用A2A SDK官方客户端处理协议通信；同步包装函数供Streamlit组件调用。

import httpx, asyncio, threading
from a2a.client import ClientFactory, create_text_message_object
from a2a.utils.constants import AGENT_CARD_WELL_KNOWN_PATH

def invoke_async_in_thread(async_op):
    loop = asyncio.new_event_loop()
    asyncio.set_event_loop(loop)
    result_container.append(loop.run_until_complete(async_op))
    worker = threading.Thread(target=_runner)
    return result_container[0] if result_container else ""

实际应用场景

这套架构可以拓展到多种业务场景：

总结

回到开篇提出的三个核心问题，看看这套方案是如何回答的。

问题一：如何构建多个独立且可协作的客服智能体？
→ 解决方案：使用ADK的 LlmAgent 类声明式定义三个专业智能体——情感识别、知识检索和升级处理，每个智能体绑定专属工具和模型，通过系统提示词限定行为边界。ADK的模块化架构让各智能体职责单一、便于独立测试和维护。

问题二：如何实现智能体之间的标准化通信与协作？
→ 解决方案：采用A2A协议的AgentCard服务发现机制与JSON-RPC通信格式。每个智能体在标准端点发布能力描述，协调智能体通过查询AgentCard确认目标技能，再发送标准化请求并处理响应流。这就像一个积木式架构，智能体可以独立开发、部署和替换，整个系统的可扩展性和可维护性都上了一个台阶。

问题三：如何根据用户情感智能路由查询？
→ 解决方案：协调智能体作为核心调度器，先调用情感识别智能体分析情感极性，再根据结果选择路由路径——正面/中性路由至知识检索智能体进行RAG查询，负面路由至升级处理智能体模拟人工转接。整个过程真正实现了情感感知的智能客服体验。

技术创新与业务价值

1. 模型-任务匹配策略：情感识别用轻量级8B模型，知识检索用30B强推理模型，精度和成本兼顾
2. 标准化跨框架协作：通过A2A协议打通不同框架的智能体，避免厂商锁定
3. RAG防幻觉机制：无匹配内容时明确返回 NO_KB_MATCH，防止模型编造答案
4. 异步线程桥接：Streamlit同步界面与A2A异步客户端的桥接方案，为类似场景提供了通用参考