包含功能：
MVP（最简可行产品）版本的客服机器人应该聚焦于核心功能，以快速上线和测试用户反馈为目标。以下是一个简化的版本：
- 自动问答（FAQ）功能：
- 支持回答常见问题，例如营业时间、联系方式、退换货政策等。
- 提供预设的常见问题列表，并能自动匹配用户输入的关键词。
- 自然语言处理（NLP）基础：
- 具备基本的语义理解能力，能够识别用户的主要意图并提供相关回答。
- 人工客服转接：
- 在遇到无法解答的问题时，能提示用户转接到人工客服。
- 提供简单的转接方式，例如发送一条信息或链接，告知如何联系人工客服。
- 订单查询：
- 允许用户通过输入订单号查询订单状态。
- 提供基本的订单信息反馈，如订单处理中、已发货、已送达等状态。
- 用户反馈收集：
- 在对话结束时，简单地询问用户是否满意，收集基本的满意度反馈。
这个MVP版本的客服机器人可以快速上线，并根据用户反馈逐步增加更多功能和改进。它能够解决用户的一些基本需求，同时保持开发和维护的简洁性。
技术架构：
实现这些MVP功能的客服机器人需要一个清晰的技术架构，确保其高效、稳定地运行。以下是推荐的技术架构：
1. 前端接口
- 用户界面（UI）：在网站或应用中嵌入聊天窗口，可以使用JavaScript库如React或Vue.js来实现。
- 消息传递：通过WebSocket或REST API与后端服务器进行通信，确保实时消息传递。
2. 后端服务器
- Web框架：选择Node.js（Express）或Python（Django/Flask）作为主要框架来处理HTTP请求和WebSocket连接。
- API接口：提供REST API来处理前端发送的请求，如查询订单状态、获取常见问题回答等。
3. 自然语言处理（NLP）
- NLP引擎：可以使用现成的NLP服务，如Google Dialogflow、Microsoft Azure Bot Service、IBM Watson Assistant，或开源库如Rasa。
- 意图识别：利用NLP引擎处理用户输入，识别用户意图并生成相应的回答。
4. 数据库
- 知识库管理：使用一个关系型数据库（如PostgreSQL或MySQL）来存储常见问题和答案。
- 订单信息：存储和查询订单信息，可能与现有的订单管理系统集成。
5. 人工客服转接
- 消息队列：使用RabbitMQ或Kafka等消息队列系统来管理和转发用户请求给人工客服。
- 通知系统：通过Email、短信或内部通知系统告知客服有用户需要帮助。
6. 用户反馈收集
- 数据库：同样使用关系型数据库来存储用户反馈数据。
- 简单的反馈接口：在对话结束时，弹出一个简单的评分系统（如星级评分）。
7. 安全和隐私
- 认证和授权：使用JWT（JSON Web Token）或OAuth进行用户身份认证和授权，确保数据安全。
- 数据加密：在数据传输过程中使用HTTPS，在存储过程中使用数据库的加密机制。
实现步骤
- 前端开发：创建聊天窗口UI，集成WebSocket或REST API进行消息传递。
- 后端开发：搭建Web框架，创建API接口，处理用户请求。
- NLP集成：选择并集成NLP引擎，处理用户的自然语言输入。
- 数据库设置：设计数据库架构，存储常见问题、订单信息和用户反馈。
- 人工客服转接：实现消息队列和通知系统，确保用户能顺利转接至人工客服。
- 安全措施：实施认证、授权和数据加密，确保用户数据安全。
通过以上架构和步骤，可以有效地实现一个功能完备的MVP客服机器人。
优先级：
- 前端开发：搭建基本聊天界面和消息传递。
- 后端基础架构：建立服务器和API接口。
- NLP集成：实现基本的自然语言处理能力。
- 数据库设计：存储常见问题和订单信息。
- 人工客服转接：实现消息转发和通知系统。
- 用户反馈收集：实现简单的反馈机制。
- 安全和隐私保护：确保用户数据的安全性。
windows平台开始前端开发：
1. 设置 Vue 项目
npm install -g @vue/cli
2. 然后创建一个新的 Vue 项目
vue create chat-bot
报错vue:无法加载，因为在此系统上禁止运行脚本
分析原因，权限不足
1. 以管理员身份运行powerShell
2.输入命令： set-ExecutionPolicy RemoteSigned
3. 输入Y
问题解决
继续第二步
3.创建成功,在vscode中打开项目
3.1. 创建聊天组件
在 src 目录下创建一个新的组件文件 ChatBot.vue，并添加以下代码：
<template>
<div class="chat-container">
<div class="messages">
<div v-for="(message, index) in messages" :key="index" class="message">
<div :class="message.sender">{{ message.text }}</div>
</div>
</div>
<div class="input-container">
<input
v-model="userInput"
@keyup.enter="sendMessage"
type="text"
placeholder="Type a message..."
/>
<button @click="sendMessage">Send</button>
</div>
</div>
</template>
<script>
export default {
data() {
return {
userInput: '',
messages: [
{ text: 'Hello! How can I help you today?', sender: 'bot' },
],
};
},
methods: {
sendMessage() {
if (this.userInput.trim() !== '') {
this.messages.push({ text: this.userInput, sender: 'user' });
this.userInput = '';
// Simulate bot response
setTimeout(() => {
this.messages.push({ text: 'I am still learning. Please ask something else!', sender: 'bot' });
}, 1000);
}
},
},
};
</script>
<style scoped>
.chat-container {
width: 100%;
max-width: 600px;
margin: 0 auto;
border: 1px solid #ccc;
border-radius: 5px;
display: flex;
flex-direction: column;
height: 400px;
}
.messages {
flex: 1;
padding: 10px;
overflow-y: auto;
border-bottom: 1px solid #ccc;
}
.message {
margin: 5px 0;
}
.user {
text-align: right;
color: blue;
}
.bot {
text-align: left;
color: green;
}
.input-container {
display: flex;
border-top: 1px solid #ccc;
}
input {
flex: 1;
border: none;
padding: 10px;
font-size: 16px;
border-top-left-radius: 5px;
border-bottom-left-radius: 5px;
}
button {
padding: 10px;
font-size: 16px;
border: none;
background-color: #007bff;
color: white;
cursor: pointer;
border-top-right-radius: 5px;
border-bottom-right-radius: 5px;
}
button:hover {
background-color: #0056b3;
}
</style>
3.2 注册组件并启动应用
在 src/App.vue 中注册并使用 ChatBot 组件：
<template>
<div id="app">
<ChatBot />
</div>
</template>
<script>
import ChatBot from './components/ChatBot.vue';
export default {
name: 'App',
components: {
ChatBot,
},
};
</script>
<style>
#app {
font-family: Avenir, Helvetica, Arial, sans-serif;
-webkit-font-smoothing: antialiased;
-moz-osx-font-smoothing: grayscale;
text-align: center;
color: #2c3e50;
margin-top: 60px;
}
</style>
3.3 运行应用
确保你在项目目录下，然后运行以下命令启动应用：
npm run serve
3.4访问http://localhost:8080/
支持简单输出和回复
后端flask实现
在D盘创建flaskproject
1.初始化项目
mkdir flask-chat-bot
cd flask-chat-bot
python -m venv venv
venv\Scripts\activate
2.安装Flask
安装Flask和Flask-CORS：
pip install Flask Flask-CORS
3.创建Flask应用
用PyCharm里面，在项目根目录下创建一个 app.py 文件，并添加以下代码：
# app.py
from flask import Flask, request, jsonify
from flask_cors import CORS
import random
app = Flask(__name__)
CORS(app)
# 模拟的机器人回复
bot_responses = [
"I'm still learning. Please ask something else!",
"Can you please elaborate?",
"I'm here to help you. What do you need?",
]
def get_bot_response():
return random.choice(bot_responses)
@app.route('/api/chat/message', methods=['POST'])
def chat():
user_message = request.json.get('message')
if not user_message:
return jsonify({'error': 'Message is required'}), 400
# 模拟处理用户消息并生成回复
bot_message = get_bot_response()
return jsonify({
'userMessage': user_message,
'botMessage': bot_message,
})
if __name__ == '__main__':
app.run(debug=True)
报错ModuleNotFoundError: No module named ‘flask_cors’，flask_cors下载失败
分析问题：python312版本和pycharm的310版本间出现冲突
解决问题：
删除310版本，更改pycharm的本地配置解释器为312版本
C:\Users\Administrator\AppData\Local\Programs\Python\Python312
问题解决。
4.启动Flask服务器
在终端中运行以下命令启动Flask服务器：
python app.py
Flask服务器将在 http://localhost:5000 上运行。
REST API消息传递功能
基于Windows系统的Flask后端和Vue.js前端的REST API消息传递功能
1.修改ChatBot.vue文件
<template>
<div class="chat-container">
<div class="messages">
<div v-for="(message, index) in messages" :key="index" class="message">
<div :class="message.sender">{{ message.text }}</div>
</div>
</div>
<div class="input-container">
<input
v-model="userInput"
@keyup.enter="sendMessage"
type="text"
placeholder="Type a message..."
/>
<button @click="sendMessage">Send</button>
</div>
</div>
</template>
<script>
export default {
data() {
return {
userInput: '',
messages: [
{ text: 'Hello! How can I help you today?', sender: 'bot' },
],
};
},
methods: {
async sendMessage() {
if (this.userInput.trim() !== '') {
this.messages.push({ text: this.userInput, sender: 'user' });
// 保存用户输入
const userMessage = this.userInput;
this.userInput = '';
try {
// 发送请求到后端API
const response = await fetch('http://localhost:5000/api/chat/message', {
method: 'POST',
headers: {
'Content-Type': 'application/json',
},
body: JSON.stringify({ message: userMessage }),
});
const data = await response.json();
// 显示机器人的回复
this.messages.push({ text: data.botMessage, sender: 'bot' });
} catch (error) {
console.error('Error:', error);
}
}
},
},
};
</script>
<style scoped>
.chat-container {
width: 100%;
max-width: 600px;
margin: 0 auto;
border: 1px solid #ccc;
border-radius: 5px;
display: flex;
flex-direction: column;
height: 400px;
}
.messages {
flex: 1;
padding: 10px;
overflow-y: auto;
border-bottom: 1px solid #ccc;
}
.message {
margin: 5px 0;
}
.user {
text-align: right;
color: blue;
}
.bot {
text-align: left;
color: green;
}
.input-container {
display: flex;
border-top: 1px solid #ccc;
}
input {
flex: 1;
border: none;
padding: 10px;
font-size: 16px;
border-top-left-radius: 5px;
border-bottom-left-radius: 5px;
}
button {
padding: 10px;
font-size: 16px;
border: none;
background-color: #007bff;
color: white;
cursor: pointer;
border-top-right-radius: 5px;
border-bottom-right-radius: 5px;
}
button:hover {
background-color: #0056b3;
}
</style>
效果
接入openapi替代NLP技术实现
技术架构更改
1. 前端
-
技术栈：Vue.js
-
功能
：
- 用户界面：提供一个简单的聊天界面。
- 输入处理：用户输入消息并发送。
- 消息显示：显示用户消息和机器人回复。
2. 后端
-
技术栈：Flask（Python）
-
功能
：
- 接收前端发送的消息。
- 调用OpenAI的API处理用户消息。
- 返回OpenAI的回复给前端。
3. 第三方服务
-
OpenAI API
：
- 用于生成聊天机器人的回复。
具体流程
- 用户输入消息：
- 用户在Vue.js前端输入消息并点击发送。
- 前端发送请求：
- 前端通过REST API将用户消息发送到Flask服务器。
- 后端处理请求：
- Flask服务器接收到请求后，提取用户消息。
- 调用OpenAI的API，将用户消息发送给OpenAI。
- OpenAI生成回复：
- OpenAI根据用户消息生成合适的回复。
- 后端返回回复：
- Flask服务器接收到OpenAI的回复后，将其发送回前端。
- 前端显示回复：
- Vue.js前端接收到服务器返回的回复，并在聊天界面中显示
|-------------| HTTP |--------------| HTTP |---------------|
| Frontend | <-----------------> | Backend | <--------------> | OpenAI API |
| Vue.js | REST API | Flask | API Request | |
|-------------| |--------------| |---------------|
| | | |
User input Process request
| | | |
Send message ---> Receive message ---> Call OpenAI
| | | |
Display reply <--- Return reply <--- Get reply
后端代码优化
# app.py
from flask_cors import CORS
from flask import Flask, request, jsonify
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv
app = Flask(__name__)
CORS(app)
_ = load_dotenv(find_dotenv())
client = OpenAI()
@app.route('/api/chat/message', methods=['POST'])
def chat():
user_message = request.json.get('message')
if not user_message:
return jsonify({'error': 'Message is required'}), 400
messages = [
{"role": "system", "content": "你是一个客服机器人"},
{"role": "user", "content": user_message}
]
print(messages)
try:
# 调用OpenAI API获取回复
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages
)
bot_message = response.choices[0].message.content
print(bot_message)
except Exception as e:
return jsonify({'error': str(e)}), 500
return jsonify({
'userMessage': user_message,
'botMessage': bot_message,
})
if __name__ == '__main__':
app.run(debug=True)
前端代码优化
<template>
<div class="chat-container">
<div class="messages">
<div v-for="(message, index) in messages" :key="index" class="message">
<div :class="message.sender">{{ message.text }}</div>
</div>
</div>
<div class="input-container">
<input
v-model="userInput"
@keyup.enter="sendMessage"
type="text"
placeholder="Type a message..."
/>
<button @click="sendMessage">Send</button>
</div>
</div>
</template>
<script>
export default {
data() {
return {
userInput: '',
messages: [
{ text: 'Hello! How can I help you today?', sender: 'bot' },
],
};
},
methods: {
async sendMessage() {
if (this.userInput.trim() !== '') {
this.messages.push({ text: this.userInput, sender: 'user' });
// 保存用户输入
const userMessage = this.userInput;
this.userInput = '';
try {
// 发送请求到后端API
const response = await fetch('http://localhost:5000/api/chat/message', {
method: 'POST',
headers: {
'Content-Type': 'application/json',
},
body: JSON.stringify({ message: userMessage }),
});
const data = await response.json();
// 显示机器人的回复
this.messages.push({ text: data.botMessage, sender: 'bot' });
} catch (error) {
console.error('Error:', error);
}
}
},
},
};
</script>
<style scoped>
.chat-container {
width: 100%;
max-width: 600px;
margin: 0 auto;
border: 1px solid #ccc;
border-radius: 5px;
display: flex;
flex-direction: column;
height: 400px;
}
.messages {
flex: 1;
padding: 10px;
overflow-y: auto;
border-bottom: 1px solid #ccc;
}
.message {
margin: 5px 0;
}
.user {
text-align: right;
color: blue;
}
.bot {
text-align: left;
color: green;
}
.input-container {
display: flex;
border-top: 1px solid #ccc;
}
input {
flex: 1;
border: none;
padding: 10px;
font-size: 16px;
border-top-left-radius: 5px;
border-bottom-left-radius: 5px;
}
button {
padding: 10px;
font-size: 16px;
border: none;
background-color: #007bff;
color: white;
cursor: pointer;
border-top-right-radius: 5px;
border-bottom-right-radius: 5px;
}
button:hover {
background-color: #0056b3;
}
</style>
更改后的效果如下
接入数据库
使用mysql数据库接入，通过OpenAI API查询本地数据库以获取真实的订单信息
创建数据库并插入数据
采用DBeaver创建zh数据库并建立order表，插入数据
CREATE DATABASE order_db;
USE order_db;
CREATE TABLE orders (
id INT AUTO_INCREMENT PRIMARY KEY,
order_number VARCHAR(50) NOT NULL,
customer_name VARCHAR(100),
product VARCHAR(100),
quantity INT,
status VARCHAR(50)
);
-- 插入一些示例数据
INSERT INTO orders (order_number, customer_name, product, quantity, status)
VALUES
('ORD001', 'Alice', 'Laptop', 1, 'Shipped'),
('ORD002', 'Bob', 'Smartphone', 2, 'Processing'),
('ORD003', 'Charlie', 'Tablet', 1, 'Delivered');
数据库连接
添加app.py连接数据库
# 数据库配置
db_config = {
'user': 'root',
'password': 'your_mysql_password', # 在此处替换为你的MySQL密码
'host': '127.0.0.1',
'database': 'order_db',
'raise_on_warnings': True
}
查询订单信息
# 查询订单信息
def get_order_info(order_number):
try:
cnx = mysql.connector.connect(**db_config)
cursor = cnx.cursor(dictionary=True)
query = "SELECT * FROM orders WHERE order_number = %s"
cursor.execute(query, (order_number,))
result = cursor.fetchone()
cursor.close()
cnx.close()
return result
except mysql.connector.Error as err:
return {'error': str(err)}
chatgpt 访问数据库
添加chatgpt访问数据库
def get_completion(messages):
# 调用OpenAI API获取回复
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages,
temperature=0,
tools=[{
"type": "function",
"function": {
"name": "get_order_id",
"description": "Get the current order id",
"parameters": {
"type": "object",
"properties": {
"order_id": {
"type": "string",
"description": "订单号格式为ORD开头",
}
},
"required": ["order_id"],
},
}
}],
)
return response.choices[0].message
@app.route('/api/chat/message', methods=['POST'])
def chat():
user_message = request.json.get('message')
if not user_message:
return jsonify({'error': 'Message is required'}), 400
messages = [
{"role": "system", "content": "你是一个客服机器人"},
{"role": "user", "content": user_message}
]
print(messages)
try:
# 调用OpenAI API获取回复
response = get_completion(messages)
bot_content = response.content
print(f'bot_content:', bot_content)
if bot_content:
return jsonify({
'userMessage': user_message,
'botMessage': bot_content,
})
bot_message = response
print(f'bot_message:', bot_message)
messages.append(bot_message)
if (response.tool_calls is not None):
tool_call = response.tool_calls[0]
print(f'tool_call:', tool_call)
if (tool_call.function.name == 'get_order_id'):
print(f'get_order_id:')
args = json.loads(tool_call.function.arguments)
order_id = get_order_info(**args)
print(f'order_id:', order_id)
messages.append(
{
"role": "tool",
"content": "Order ID: " + str(order_id),
"tool_call_id": tool_call.id
}
)
print(f'messages:', messages)
response = get_completion(messages)
print(f'response:', response)
return jsonify({
'userMessage': user_message,
'botMessage': response.content,
})
except Exception as e:
return jsonify({'error': str(e)}), 500
return jsonify({
'userMessage': user_message,
'botMessage': bot_message,
})
chatgpt api调用官网
重新启动服务器
效果如下，可以看到成功查询到本地数据库订单号为ORD001的订单状态信息，并且成功返回客户端界面：
MySQL存储常见问题和答案
1.数据库创建
数据库中创建一个名为 faqs 的表，存储常见问题和答案
CREATE TABLE faqs (
id INT AUTO_INCREMENT PRIMARY KEY,
question TEXT NOT NULL,
answer TEXT NOT NULL
);
插入数据
INSERT INTO faqs (question, answer) VALUES
('如何重置密码？', '要重置密码，请转到登录页面并点击“忘记密码”链接。按照说明重置您的密码。'),
('退货政策是什么？', '我们的退货政策允许您在购买后30天内退货。请确保产品处于原始状态。'),
('如何跟踪我的订单？', '要跟踪订单，请登录您的账户并转到“订单”部分。点击您想要跟踪的订单以查看最新状态。'),
('我可以更改收货地址吗？', '是的，您可以在订单发货前更改收货地址。请联系客户服务以获取帮助。'),
('你们接受哪些付款方式？', '我们接受多种付款方式，包括信用卡、借记卡、PayPal和银行转账。'),
('如何联系客户支持？', '您可以通过电子邮件support@example.com联系我们的客户支持，或拨打1-800-123-4567。'),
('你们的工作时间是什么时候？', '我们的客户支持时间为周一至周五，上午9点到下午5点。'),
('如何取消我的订单？', '要取消订单，请登录您的账户，转到“订单”部分，然后选择您要取消的订单。如果订单尚未发货，您将看到“取消订单”选项。'),
('你们提供国际运输吗？', '是的，我们提供大多数国家的国际运输。运费和交货时间因目的地而异。'),
('如何使用折扣码？', '要使用折扣码，请在结账时在“折扣码”字段中输入代码并点击“应用”。折扣将应用到您的订单总额。');
数据库显示及如下：
2.整合到Flask应用
接下来，我们需要调整Flask应用以支持FAQ查询。我们将实现一个新的API端点，用于从数据库中检索常见问题和答案。
# 查询FAQ
def get_faq(question):
try:
cnx = mysql.connector.connect(**db_config)
cursor = cnx.cursor(dictionary=True)
query = "SELECT answer FROM faqs WHERE question LIKE %s"
cursor.execute(query, ("%"+question+"%",))
result = cursor.fetchone()
cursor.close()
cnx.close()
return result
except mysql.connector.Error as err:
return {'error': str(err)}
添加chatgpt功能部分代码
{
"type": "function",
"function": {
"name": "get_faq",
"description": "Get the current question id",
"parameters": {
"type": "object",
"properties": {
"question": {
"type": "string",
"description": "question should be a question in table",
}
},
"required": ["question"],
},
}
增加返回值判断
elif (tool_call.function.name == 'get_faq'):
print(f'get_faq:')
args = json.loads(tool_call.function.arguments)
answer = get_faq(**args)
print(f'question_id:', answer)
messages.append(
{
"role": "tool",
"content": "answer: " + str(answer),
"tool_call_id": tool_call.id
}
)
print(f'messages:', messages)
response = get_completion(messages)
print(f'response:', response)
return jsonify({
'userMessage': user_message,
'botMessage': response.content,
})
效果如下：
ChatGPT的聊天过程
https://chatgpt.com/share/cd990a21-86d5-4a6c-ac0b-b3a775738d5a
人工客服转接
为了使用RabbitMQ消息队列系统来管理和转发用户请求给人工客服，我们需要设置RabbitMQ服务器，并且在Flask后端实现发送消息到RabbitMQ的功能。在接收端，可以实现一个消费者程序，实时监听队列并将请求分配给人工客服。
1. 安装RabbitMQ
首先，你需要在你的系统上安装RabbitMQ。可以参考RabbitMQ官方文档进行安装。
由于本机的docker和vm虚拟器冲突无法使用docker，按照传统方式安装rabbitMQ
以下是具体的命令和下载链接：
下载Erlang：
访问Erlang Solutions的官方网站下载最新版本的Erlang：https://www.erlang.org/downloads
安装Erlang：
双击下载的exe文件，按提示进行安装。
设置环境变量，将Erlang的安装目录和bin目录添加到系统的PATH变量中。
下载RabbitMQ：
访问RabbitMQ官方网站下载最新版本的RabbitMQ：https://www.rabbitmq.com/download.html
安装RabbitMQ：
双击下载的exe文件，按提示进行安装。
可以使用RabbitMQ Plugin来管理和扩展RabbitMQ的功能，通过命令行运行以下命令来启用管理界面：
rabbitmq-plugins enable rabbitmq_management
访问RabbitMQ管理界面：
打开浏览器，访问 http://localhost:15672 ，使用默认用户guest和密码guest登录RabbitMQ管理界面。
注意：如果在安装过程中遇到问题，请确保你的Windows系统支持RabbitMQ，并查看官方文档以获取更多信息和解决方案。
2. 配置RabbitMQ
安装完RabbitMQ后，启动RabbitMQ服务：
sudo service rabbitmq-server start
3. 安装Pika库
Pika是Python的RabbitMQ客户端库。可以通过pip安装：
pip install pika
4. 修改Flask后端以发送消息到RabbitMQ
我们将在Flask后端添加一个新的路由，将用户请求发送到RabbitMQ队列中。
# 发送消息到RabbitMQ
def send_to_rabbitmq(message):
try:
connection = pika.BlockingConnection(pika.ConnectionParameters(host=rabbitmq_host))
channel = connection.channel()
channel.queue_declare(queue=queue_name, durable=True)
channel.basic_publish(
exchange='',
routing_key=queue_name,
body=message,
properties=pika.BasicProperties(
delivery_mode=2, # make message persistent
))
connection.close()
except Exception as e:
print(f"Failed to send message to RabbitMQ: {e}")
# 将用户消息发送到RabbitMQ队列
send_to_rabbitmq(user_message)
5. 创建消费者以处理RabbitMQ消息
接下来，我们创建一个消费者程序，它会监听RabbitMQ队列，并将用户请求分配给人工客服。
# consumer.py
import pika
rabbitmq_host = 'localhost'
queue_name = 'customer_requests'
def callback(ch, method, properties, body):
print(f"Received {body}")
# 在此处处理消息，将其分配给人工客服
# 比如通过邮件、通知系统等方式
ch.basic_ack(delivery_tag=method.delivery_tag)
def main():
connection = pika.BlockingConnection(pika.ConnectionParameters(host=rabbitmq_host))
channel = connection.channel()
channel.queue_declare(queue=queue_name, durable=True)
channel.basic_qos(prefetch_count=1)
channel.basic_consume(queue=queue_name, on_message_callback=callback)
print('Waiting for messages. To exit press CTRL+C')
channel.start_consuming()
if __name__ == '__main__':
main()
6. 运行系统
-
启动RabbitMQ服务器
sudo service rabbitmq-server start -
启动Flask应用：
python app.py3., 启动RabbitMQ消费者
python consumer.py4; 测试应用：
在浏览器中访问
http://localhost:8080，输入消息发送到后端，确认消息被成功发送到RabbitMQ，并在消费者端被接收和处理。通过这些步骤，你就可以实现使用RabbitMQ消息队列系统管理和转发用户请求给人工客服的功能。
效果如下：
通过Email告知客服有用户需要帮助
为了通过Email告知客服有用户需要帮助，我们需要在消费者程序中添加发送电子邮件的功能。我们可以使用Python的smtplib库来实现发送邮件。下面是更新后的消费者代码，添加了通过电子邮件通知客服的功能。
更新消费者程序以发送Email
首先，确保你有一个SMTP服务器和有效的电子邮件账户来发送通知邮件。下面是一个使用Gmail SMTP服务器的示例。
# consumer.py
import pika
import smtplib
from email.mime.text import MIMEText
from email.mime.multipart import MIMEMultipart
rabbitmq_host = 'localhost'
queue_name = 'customer_requests'
smtp_server = 'smtp.gmail.com'
smtp_port = 587
smtp_user = 'your_email@gmail.com' # 在此处替换为你的电子邮件
smtp_password = 'your_email_password' # 在此处替换为你的电子邮件密码
customer_support_email = 'support@example.com' # 在此处替换为客服的电子邮件
def send_email(user_message):
subject = "New Customer Request"
body = f"You have a new customer request:\n\n{user_message}"
msg = MIMEMultipart()
msg['From'] = smtp_user
msg['To'] = customer_support_email
msg['Subject'] = subject
msg.attach(MIMEText(body, 'plain'))
try:
server = smtplib.SMTP(smtp_server, smtp_port)
server.starttls()
server.login(smtp_user, smtp_password)
text = msg.as_string()
server.sendmail(smtp_user, customer_support_email, text)
server.quit()
print(f"Email sent to {customer_support_email}")
except Exception as e:
print(f"Failed to send email: {e}")
def callback(ch, method, properties, body):
user_message = body.decode()
print(f"Received {user_message}")
# 发送邮件通知客服
send_email(user_message)
ch.basic_ack(delivery_tag=method.delivery_tag)
def main():
connection = pika.BlockingConnection(pika.ConnectionParameters(host=rabbitmq_host))
channel = connection.channel()
channel.queue_declare(queue=queue_name, durable=True)
channel.basic_qos(prefetch_count=1)
channel.basic_consume(queue=queue_name, on_message_callback=callback)
print('Waiting for messages. To exit press CTRL+C')
channel.start_consuming()
if __name__ == '__main__':
main()
配置和运行
- 安装必要的Python库：
确保安装了pika和smtplib库，如果没有安装，可以使用pip安装：
pip install pika
smtplib是Python标准库的一部分，因此不需要额外安装。
- 配置SMTP服务器信息：
在代码中，替换以下变量为你自己的SMTP服务器信息和邮件账户信息：
smtp_server = 'smtp.gmail.com'
smtp_port = 587
smtp_user = 'your_email@gmail.com'
smtp_password = 'your_email_password'
customer_support_email = 'support@example.com'
- 运行消费者程序
python consumer.py
![[数据集][目标检测]数据集VOC格式岸边垂钓钓鱼fishing目标检测数据集-4330张](https://csdnimg.cn/release/blog_editor_html/release2.3.6/ckeditor/plugins/CsdnLink/icons/icon-default.png?t=N7T8){kind=icon}
![[数据集][图像分类]骨关节炎严重程度分类数据集14038张4分类](https://img-blog.csdnimg.cn/direct/f8d7cc2294fb4604baa8e096f692afee.png)
