自主客户支持助手（FastAPI + RAG + MCP）

一个电商支持代理，能够查询真实订单数据、基于 FAQ 通过 RAG 回答政策问题，并在无法解决问题时自主提交支持工单——所有决策都由 LLM 在工具调用循环中完成，而非硬编码的 if/else 逻辑。

这有意地选择了与普通"文档问答式 RAG 项目"不同的领域（订单查询 + 工单创建是动作，而不仅仅是检索）。如果你希望简历上有两个不同类型的项目，而不是同一个思路的重复呈现，这一点会很有用。

它展示了什么

• Agentic AI：多步骤工具调用——模型可以在单次对话中按需串联 check_order_status → faq_search → create_support_ticket。

• FastAPI：通过 Pydantic 进行请求验证并自动生成文档的 REST 端点。

• RAG：回答问题前，先对 FAQ 文档进行分块并按相关性检索。

• MCP：相同的订单/工单/FAQ 工具以 MCP 服务器（app/mcp_server.py）的形式暴露，供此 API 之外使用，例如从 Claude Desktop 调用。

Related MCP server: CommerceHub MCP

设置

python -m venv venv
source venv/bin/activate
pip install -r requirements.txt
cp .env.example .env   # add your GROQ_API_KEY

运行

uvicorn app.main:app --reload --port 8001

文档位于 http://localhost:8001/docs。

示例：完整 agentic 流程

curl -X POST http://localhost:8001/agent/chat \
  -H "Content-Type: application/json" \
  -d '{"message": "My order ORD1002 seems delayed and I need it urgently, my email is a@b.com. What can you do?"}'

预期推理链：check_order_status(ORD1002) → 发现订单仍处于 Processing 状态 → faq_search("shipping delay") 获取政策上下文 → 判断客户需要升级 → create_support_ticket(...) → 返回工单 ID 和清晰的解释。

模拟数据

• data/faq.txt —— RAG 层检索的退货/发货/取消政策。

• app/tools.py —— 内存中的模拟订单数据库（ORD1001、ORD1002、ORD1003）和工单存储。生产环境中可以换成真实数据库/CRM；新的函数签名保持不变。

作为 MCP 服务器运行

python -m app.mcp_server

向任意 MCP 主机暴露这些工具的 faq_search、check_order_status、create_support_ticket、get_ticket_status。

面试时可以聊的亮点

*——为什么 返回结构化 dict 而不是自由文本：LLM 对结构化数据的推理更可靠，这也是同一套逻辑能同时复用到纯 REST 端点（/orders/{id}）和 agent 循环的原因。

• 系统提示词显式告诉模型何时升级为工单、何时直接基于 FAQ/订单数据回答——这是 agent 设计中的关键决策（过度创建工单是常见的败笔，这一点值得提出来）。

• max_steps 防止无限的工具调用循环——这是 agent 系统中非常实际的稳定性问题。

可以继续扩展的方向

• 把工单/订单持久化到 Postgres 中，而不是放在内存 dict 里。

• 增加一个 /agent/chat 的对话 ID + 存储历史记录，支持多轮客服对话。

• 在创建工单时加入人工审核（通过 Slack webhook 升级）。

• 任何公网部署前，请先加上限流和 API key 鉴权。