4. 多门店+多租户
   • 一套源码开多家店？没问题！PC总后台管理所有门店数据。
   • 员工角色权限（服务员、主持人、管理员）精细到按钮级。

⚠️ 从零到一，开发避坑指南## 一、AI智能体开发核心认知：先明确开发边界

很多新手对AI智能体的认知还停留在「套大模型API的对话机器人」，实际上能落地的商用AI智能体，是具备环境感知、自主决策、工具调用、结果反馈能力的自主执行系统，和普通对话机器人的核心差异是可以脱离人工干预，自动调用业务系统能力完成用户诉求。
当前落地成熟、需求的三类智能体均属于客户服务域：

1. AI售前智能体：核心能力是产品信息查询、活动规则解读、优惠金额计算、订单预创建，目标是降低人工客服的咨询压力，提升下单转化率；
2. AI售后智能体：核心能力是物流查询、退换货申请、售后进度同步、问题定性派单，目标是解决80%以上的重复性售后咨询，缩短问题响应时长；
3. AI通用客服智能体：覆盖售前+售后全场景，可跨业务系统拉取用户信息、订单数据、工单进度，复杂问题自动转接对应坐席，是当前多数中大型企业的主流采购需求。
   入门AI智能体开发不需要从零训练大模型，只要掌握Python基础、会调用大模型API、了解对应业务的流程规则，就能快速上手开发可落地的项目。## 二、通用AI智能体核心框架搭建步骤
   所有商用AI智能体的核心框架都是通用的，不同场景只需要替换对应工具和规则即可，以下是成本的入门级框架搭建步骤：

2.1 核心模块组成

通用框架分为4层，从上到下依次是：

pip install openai chromadb requests

如果是国内开发者，可替换openai库为对应大模型厂商的官方SDK，调用逻辑完全一致。## 三、实战落地：以AI售后智能体为例的实操流程
我们以需求普遍的AI售后智能体为例，完整走一遍从需求拆解到Demo跑通的流程：

3.1 需求拆解

本次开发的售后智能体需要覆盖3类核心诉求：物流状态查询、售后进度查询、常见售后问题解答，涉及大额赔偿、特殊诉求自动转接人工。

3.2 核心功能开发

我们先实现常用的物流查询功能，其余功能只需要新增对应工具函数即可，以下是可直接运行的Demo代码：

import openai
import requests# 配置大模型API，国内大模型替换为对应厂商的API地址和密钥
openai.api_base = "你的大模型API服务地址"
openai.api_key = "你的API_KEY"# 封装工具1：查询物流信息，实际上线替换为公司内部物流API
def query_logistics(order_id: str) -> str:
    mock_logistics_data = {
        "OD202405011234": "已签收，签收时间2024-05-03 14:30，签收人：菜鸟驿站",
        "OD202405025678": "运输中，当前位置：广州市白云区太和快递网点，预计明天送达"
    }
    return mock_logistics_data.get(order_id, "未查询到对应订单物流信息，请确认订单号是否为OD开头的14位字符串")# 封装工具2：查询售后进度，实际上线替换为售后系统API
def query_after_sales_progress(ticket_id: str) -> str:
    mock_ticket_data = {
        "TK20240504001": "已受理，售后专员将在24小时内联系您",
        "TK20240505002": "退换货申请已通过，请您将商品寄回指定地址"
    }
    return mock_ticket_data.get(ticket_id, "未查询到对应工单号，请确认后重新输入")# 定义工具描述，供大模型识别调用场景
tools = [
    {
        "type": "function",
        "function": {
            "name": "query_logistics",
            "description": "查询用户订单的物流状态，用户询问快递位置、是否送达、签收信息时调用",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {"type": "string", "description": "用户订单号，格式为OD+12位数字"}
                },
                "required": ["order_id"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "query_after_sales_progress",
            "description": "查询用户售后工单的处理进度，用户询问售后是否受理、退换货审核状态时调用",
            "parameters": {
                "type": "object",
                "properties": {
                    "ticket_id": {"type": "string", "description": "用户售后工单号，格式为TK+10位数字"}
                },
                "required": ["ticket_id"]
            }
        }
    }
]# 主对话逻辑
def chat(user_query: str, history: list = None):
    if not history:
        # 系统prompt定义智能体的身份和规则
        history = [{"role": "system", "content": "你是电商售后智能体，仅能回答售后相关问题，涉及现金赔偿、超出规则的特殊诉求请直接告知用户转接人工客服。如果需要调用工具但用户没有提供对应编号，请主动询问用户索要订单号/工单号。"}]
    history.append({"role": "user", "content": user_query})
    # 次调用大模型，判断是否需要调用工具
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=history,
        tools=tools,
        tool_choice="auto"
    )
    response_msg = response.choices[0].message
    # 如果需要调用工具，执行对应函数后再生成回答
    if response_msg.get("tool_calls"):
        for tool_call in response_msg["tool_calls"]:
            func_name = tool_call["function"]["name"]
            func_args = eval(tool_call["function"]["arguments"])
            # 执行对应工具函数
            if func_name == "query_logistics":
                tool_result = query_logistics(func_args["order_id"])
            elif func_name == "query_after_sales_progress":
                tool_result = query_after_sales_progress(func_args["ticket_id"])
            # 把工具返回结果加入对话上下文
            history.append({
                "role": "tool",
                "tool_call_id": tool_call["id"],
                "name": func_name,
                "content": tool_result
            })
        # 第二次调用大模型，结合工具结果生成自然语言回答
        final_response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=history
        )
        return final_response.choices[0].message.content
    # 不需要调用工具直接返回回答
    else:
        return response_msg.content# 测试
if __name__ == "__main__":
    print(chat("我的订单OD202405011234快递到哪了"))
    # 输出示例：您的订单OD202405011234已签收，签收时间2024-05-03 14:30，签收人为菜鸟驿站，如有其他售后问题可以随时告诉我~

如果要开发AI售前智能体，只需要把工具函数替换为产品查询、优惠计算接口，修改系统prompt即可，核心框架不需要调整。## 四、项目上线避坑与迭代建议
很多开发者Demo跑通后上线会遇到各种问题，以下是商用智能体落地的通用避坑指南：

1. 解决工具调用幻觉问题：大模型可能会编造无效的参数（比如不存在的订单号），调用工具前一定要做参数格式校验，不符合要求直接返回提示让用户补充信息，不要直接调用业务接口。
2. 避免回答越界：在系统prompt和规则层做双重校验，非业务域的问题（比如用户问智能体怎么写代码）直接引导用户咨询对应板块，涉及敏感内容直接拦截。
3. 优化响应速度：控制对话上下文的token长度，不要传入无效的历史对话，多个工具调用可并行执行，不要串行调用，尽量将单次响应速度控制在2秒以内。
4. 迭代优化流程：上线初期先做10%流量灰度，安排人工坐席旁听过审，回答错误的样本标注后用来优化prompt和补充规则，每半个月统计一次高频问题，将固定答案存入向量库，优先匹配FAQ减少大模型调用成本。AI智能体开发当前还处于红利期，尤其是客服、售前、售后这类标准化场景的落地需求非常旺盛，不需要复杂的算法背景，只要熟悉业务流程、掌握核心框架，就能快速产出可落地的项目，建议新手可以先从身边的小需求入手，比如给所在公司做一个内部答疑智能体，熟悉流程后再承接商用项目。如果在开发过程中遇到问题，欢迎在评论区交流。