基于AutoGen的数智助手问答架构设计

🔍 一、整体架构设计

💡 我们采用分层模块化的设计理念，构建了一个灵活可扩展的多智能体系统。这种设计不仅确保了系统的高可用性，也为未来的功能扩展提供了良好的基础。

基于多智能体的架构设计采用分层模块化方案，主要包含以下核心组件：

1.1 顶层控制模块

1. 意图澄清Agent：
   • 采用规则模板+相似度匹配处理模糊问题，阈值（例如<0.8）触发澄清
   • 结合用户画像和历史会话进行意图预测，准确率（例如>95%）才确认
   • 使用主动问答策略收集缺失信息，如套餐类型、使用场景等
   • 进行初步意图分类，支持查询、办理、咨询等类型
2. 意图理解Agent：
   • 使用NER（命名实体识别）技术识别业务实体（套餐名称、手机号码、时间等）
   • 基于预定义规则模板进行意图匹配和分类
   • 结合实体识别和规则匹配结果进行综合分析
   • 输出标准化的意图理解结果（实体、类型、置信度）
3. 任务规划Agent：
   • 基于DAG图构建任务执行流程，将复杂任务拆解为原子任务节点
   • 使用优先级队列管理任务调度，支持动态调整执行顺序
   • 采用状态机管理任务生命周期，包含待执行、执行中、完成、失败等状态
   • 通过发布-订阅模式实现任务间的解耦和异步通信
   • 内置任务重试和异常处理机制，确保任务执行的可靠性

1.2 业务执行模块

系统根据不同业务场景划分为多个并行的业务处理单元，每个单元包含两层智能体：

1. 意图识别Agent：
   • 基于澄清结果精确识别用户意图
   • 基于上下文和历史交互智能推断用户真实意图
   • 处理badcase优化沉淀，持续提升意图识别准确率
   • 适配多个助手的意图识别，实现精准分发
   • 支持多维度意图识别，包括业务类型、查询范围、操作对象等
2. 业务逻辑Agent：
   • 执行具体的业务操作：处理用户查询、执行业务办理、提供智能推荐
   • 负责与底层服务交互：调用业务接口、访问数据库、对接第三方系统
   • 处理业务规则校验：权限验证、规则约束、异常处理
   • 提供数据分析能力：数据统计、行为分析、性能监控

1.3 业务场景划分

系统支持多个并行的业务处理单元：

• 业务知识问答
• 问查算比
• 我的集团
• 其他助手服务

智能体框架

🛠️ 二、智能体框架选型

💡 框架选择关系到整个项目的成败，我们进行了深入的调研和分析。

2.1 调研方法与过程

🔍 如何选择最适合的框架？我们的调研过程是这样的：

关于调研方法和过程 我认为在评估智能体框架时，我们应该采取更加务实的调研方式。我们首先对市面上常见的智能体框架做了全面摸底，重点看了各个框架的使用情况、社区活跃度，以及实际落地案例。除此之外，我们也深入研究了每个框架的技术特点、性能表现和扩展能力，特别关注了它们的开发文档是否完善，技术栈是否能够很好地跟我们现有系统对接。

关于业务特点的思考 从我们移动业务的角度来看，我觉得有几个关键点特别重要：首先是要能扛住大流量，其次是要能适应我们多样化的业务场景，最后是要保证稳定性和安全性。这些业务特点决定了我们不能随便选择框架，而是需要一个既能保证性能，又足够灵活的解决方案。我们特别看重框架是否能够很好地处理复杂的对话流程，是否支持多轮对话，以及意图识别的准确度如何。

2.2 业务特点分析

🎯 从移动业务的特点出发，我们重点关注以下几个方面：

为什么最终选择了AutoGen 经过反复比较和讨论，我们觉得AutoGen是最适合我们的选择。说实话，这个决定并不是一蹴而就的。AutoGen吸引我们的地方主要有：它的API设计特别灵活，工具链也很完善，这对我们快速开发业务很有帮助；而且它支持多种编程语言，插件机制也很强大，这让我们能够根据实际需求进行定制开发；另外，有微软在背后支持，我们觉得框架的未来发展也更有保障。

具体实施的一些想法 为了落地AutoGen框架，我建议采取如下方案：

先以独立智能体的形式，将AutoGen模块以独立智能体的形式单独接入到现有的数智助手中。这种低成本验证能让我们在真实场景下迅速捕捉其表现和资源需求，及时发现问题。团队内部先进行一段试测，通过详细记录运行数据和用户反馈评估效果，再决定如何将该模块无缝融入整体业务框架中。

🧠 三、Deepseek R1 融合

为了进一步提升系统的语义理解和意图解析能力，我们计划引入最新的 Deepseek R1 模型，并将其与现有的多智能体架构深度融合。Deepseek R1 模型在深层语义分析、实体识别和复杂意图解析方面具有显著优势，为整体系统提供额外的智能支撑。

5.1 集成方案一：基于深度思考过程的认知迭代

在原有意图澄清与理解模块的基础上，我们进一步提取 Deepseek R1 模型内部的思考过程（chain-of-thought），并在此过程中调用知识库进行信息补充与反馈，使模型能通过多轮迭代不断优化解析结果。

整体流程如下：

1. 初步解析与思考：调用 Deepseek R1 模型进行初步语义解析，并提取模型内部生成的思考过程（包含临时推理步骤、归纳信息等）。
2. 知识库查询：利用初步生成的思考过程作为查询条件，获取相关的背景知识和数据补充。
3. 融合与迭代优化：将知识库返回的信息与原始思考过程进行融合，作为下一轮输入，经过多轮迭代逐步收敛，直至输出稳定结果。

示例代码：

def deepseek_iterative_analysis(user_input, max_iterations=3):
    # 第一步：调用 Deepseek R1 生成初步解析结果和内部思考过程
    initial_result = deepseek_r1_api(user_input, mode="chain-of-thought")
    # initial_result 示例格式：
    # {"result": "初步解析结果", "chain_of_thought": "初步思考过程"}
    
    combined_input = initial_result["chain_of_thought"]
    for i in range(max_iterations):
        # 1. 主动查询知识库获取相关信息
        kb_info = query_knowledge_base(combined_input)
        
        # 2. 让知识库根据当前思考状态推送补充信息
        kb_suggestions = knowledge_base_suggestions(combined_input)
        
        # 3. 合并两种知识来源
        enriched_knowledge = merge_knowledge(kb_info, kb_suggestions)
        
        # 将知识库信息与当前思考内容组合，形成用于优化的新输入
        input_for_refinement = {
            "thought_process": combined_input,
            "kb_query_results": kb_info,
            "kb_suggestions": kb_suggestions,
            "context": enriched_knowledge
        }
        
        # 迭代优化：调用 Deepseek R1 进行进一步解析
        refined_result = deepseek_r1_api(input_for_refinement, mode="iterative-refinement")
        
        # 4. 更新知识库
        update_knowledge_base(refined_result)
        
        # 更新思考过程
        combined_input = refined_result.get("chain_of_thought", combined_input)
        # 根据一定收敛指标判断是否提前退出迭代
        if has_converged(combined_input):
            break
    
    final_result = {
        "final_intent": refined_result.get("result", initial_result["result"]),
        "final_chain_of_thought": combined_input
    }
    return final_result

# 辅助函数（伪代码实现）
def query_knowledge_base(query_text):
    """
    主动查询知识库获取信息
    """
    return {
        "query_results": "查询到的知识",
        "confidence": 0.85,
        "source": "knowledge_base"
    }

def knowledge_base_suggestions(thought_process):
    """
    知识库根据当前思考过程主动推送相关信息
    """
    return {
        "suggestions": "知识库推荐的补充信息",
        "relevance": 0.75,
        "reasoning": "推荐原因"
    }

def merge_knowledge(kb_info, kb_suggestions):
    """
    合并主动查询和被动推送的知识
    """
    return {
        "combined_knowledge": "整合后的知识",
        "priority": "优先级排序",
        "metadata": {
            "query_source": kb_info,
            "suggestion_source": kb_suggestions
        }
    }

def update_knowledge_base(refined_result):
    """
    根据推理结果更新知识库
    """
    # 实现知识库的动态更新逻辑
    pass

def has_converged(chain_text):
    """
    判定收敛条件：例如检测思考过程变化是否小于预设阈值
    """
    return len(chain_text) < 100 or "converged" in chain_text

上述代码展示了如何通过多轮迭代，将 Deepseek R1 的内部思考过程与外部知识库数据相结合，以实现逐步优化的语义解析。

以下是一个移动业务场景的实际应用案例：

场景案例:套餐推荐优化

🔍 用户咨询:”我想给父母换个套餐,他们每月通话时长200分钟左右,偶尔刷视频,主要是和家人视频通话,预算150元以内。”

5.2 集成方案二：新增独立 Deepseek R1 Agent

为了更灵活地利用 Deepseek R1 的能力，可以将其封装为一个独立的智能体，作为整个多智能体协作系统中的一员。其他 Agent 在遇到复杂语义问题时，可主动调用此 Deepseek Agent 获取更精细的解析结果。

示例代码：

import requests

class DeepseekAgent:
    def __init__(self, api_token):
        self.api_token = api_token
        self.endpoint = "https://api.deepseekr1.com/analyze"

    def analyze(self, user_input):
        payload = {"input": user_input}
        headers = {"Authorization": f"Bearer {self.api_token}"}
        response = requests.post(self.endpoint, json=payload, headers=headers)
        if response.status_code == 200:
            return response.json()
        else:
            return {}

# 示例：在多智能体系统中调用 DeepseekAgent
def process_with_deepseek_agent(user_input):
    deepseek_agent = DeepseekAgent(api_token="YOUR_API_TOKEN")
    result = deepseek_agent.analyze(user_input)
    return result

5.3 融合优势与效果展望

• 准确性提升：深层语义解析有助于显著提高意图和实体识别的准确率，降低错误理解的概率。
• 决策支持：融合后的解析结果可为任务规划和后续处理提供更可靠的语义信息，优化决策流程。
• 模块灵活性：无论是作为现有 Agent 的增强，还是独立智能体存在，Deepseek R1 模型均可以根据业务需求灵活调度和升级。

未来，我们将持续监控 Deepseek R1 模型在实际场景下的表现，并根据用户反馈不断优化融合策略，确保系统在智能化水平上保持领先。

📅 四、一季度开发计划

一季度研发排期（基于多智能体的意图识别优化）

🎯 五、全年建设计划

</div>