提示工程架构师实战：用Rasa+LangChain构建智能家居Agentic AI对话系统
一、引言 (Introduction)
钩子 (The Hook)
想象一下这样的场景：你刚下班回家，手里拎着外卖，对着智能音箱说：“我到家了，帮我打开客厅的灯，把空调调到25度，再播放我喜欢的音乐。”
如果是传统智能音箱，可能会逐个处理请求——先开灯，再调空调，最后放音乐，甚至可能漏掉其中一个；如果是Agentic AI对话系统，它会瞬间理解你的整体需求，自主调用灯、空调、音乐播放器的控制接口，一次性完成所有任务，还会回复：“欢迎回家！客厅灯已打开，空调调到25度，正在播放你喜欢的《加州旅馆》。”
是不是更智能、更贴心？这就是Agentic AI（代理型AI）的魅力——它像人类助手一样，能理解复杂需求、自主决策、调用工具，彻底解决传统对话系统“笨手笨脚”的痛点。
定义问题/阐述背景 (The “Why”)
传统智能家居对话系统的三大痛点：
- 单一意图限制：只能处理“打开灯”“调空调”等简单请求，无法理解组合需求（如“到家场景”）；
- 上下文缺失：无法关联历史对话，比如你说“把它关掉”，它不知道“它”指的是灯还是空调；
- 无自主决策：需要手动触发每一步操作，无法根据外部信息（如天气）自动调整（如“下雨了，自动关闭窗户”）。
Agentic AI的出现解决了这些问题。它具备三大核心能力：
- 目标导向：能理解用户的最终需求（如“我要睡觉了”=“设置夜间场景”）；
- 工具调用：能自主调用外部工具（如家电控制API、天气接口）；
- 上下文记忆：能记住对话历史，处理多轮交互（如“关掉灯”→“哪个房间的？”→“卧室”）。
亮明观点/文章目标 (The “What” & “How”)
本文将带你从0到1构建一个智能家居Agentic AI对话系统，核心工具是：
- Rasa：开源对话AI框架，负责意图识别、实体提取、对话管理（前端交互）；
- LangChain：工具链框架，负责连接LLM、调用外部工具、自主决策（后端代理）。
读完本文，你将学会：
- 用Rasa定义智能家居领域的意图和实体；
- 用LangChain构建能调用工具的Agent；
- 整合Rasa与LangChain，实现端到端的智能对话；
- 优化系统性能，避免常见陷阱。
二、基础知识/背景铺垫 (Foundational Concepts)
在开始实战前，需要明确几个核心概念：
1. Agentic AI（代理型AI）
Agentic AI是一种能自主完成任务的AI系统，核心逻辑是：
- 感知：接收用户输入（文本、语音等）；
- 决策：根据输入和上下文，决定下一步动作（调用工具/直接回复）；
- 执行：调用工具（如API）或生成自然语言回复；
- 反馈：根据执行结果调整后续决策。
相比传统对话系统（规则/简单ML），Agentic AI更像“有思维的助手”。
2. Rasa：对话管理的“大脑”
Rasa是开源对话AI框架的“天花板”，主要功能包括：
- 意图识别（Intent Classification）：判断用户输入的目的（如“打开灯”→
turn_on_device）； - 实体提取（Entity Extraction）：从输入中提取关键信息（如“客厅的灯”→
device_type=light、location=living_room）； - 对话管理（Dialogue Management）：通过
stories（对话流程）和rules（规则）控制对话逻辑（如缺少实体时，自动询问用户）。
3. LangChain：工具调用的“桥梁”
LangChain是连接LLM与外部工具的“中间层”，主要功能包括：
- 工具封装（Tool Wrapping）：将外部API（如家电控制、天气查询）封装成可调用的工具；
- 代理逻辑（Agent Logic）：通过Prompt引导LLM自主决策（如“是否需要调用工具？调用哪个？”）；
- 结果整合（Result Synthesis）：将工具返回的结果整理成自然语言回复。
4. 技术分工：Rasa vs LangChain
| 模块 | Rasa职责 | LangChain职责 |
|---|---|---|
| 前端交互 | 处理用户输入，识别意图/实体 | 无 |
| 对话流程 | 控制多轮对话（如询问缺失的实体） | 无 |
| 后端决策 | 无 | 决定是否调用工具，调用哪个工具 |
| 工具调用 | 无 | 封装并调用外部API |
| 结果返回 | 将LangChain的结果发给用户 | 生成自然语言回复 |
三、核心内容/实战演练 (The Core - “How-To”)
接下来进入实战环节，我们将构建一个**能处理“控制家电”“设置场景”“查询状态”**的智能家居Agent。
准备工作：环境搭建
- 安装依赖：
pipinstallrasa langchain openai requests python-dotenv - 创建Rasa项目：
rasa init --no-prompt# 快速初始化项目，无需交互 - 设置API密钥：
创建.env文件，添加OpenAI API密钥（用于LangChain调用LLM）：OPENAI_API_KEY=your-openai-api-key
步骤一：用Rasa定义智能家居领域模型
领域模型（Domain）是Rasa的核心，定义了意图、实体、对话流程等内容。我们需要先明确：
- 意图（Intents）：用户的需求类型（如
turn_on_device=打开设备、set_scene=设置场景）； - 实体（Entities）：需求中的关键信息（如
device_type=设备类型、location=位置）； - Slots：存储对话中的临时信息（如用户提到的“卧室灯”，
slots会保存device_type=light、location=bedroom）； - Responses：系统的回复模板（如缺少实体时，回复“你想控制什么设备？”）。
1. 修改domain.yml（核心配置文件）
打开rasa/domain.yml，替换为以下内容：
# 意图：用户的需求类型intents:-turn_on_device:# 打开设备use_entities:[device_type,location]# 需要提取的实体-turn_off_device:# 关闭设备use_entities:[device_type,location]-check_device_status:# 查询设备状态use_entities:[device_type,location]-set_scene:# 设置场景use_entities:[scene_type]-inform:# 用户提供信息（如“卧室的灯”）use_entities:[device_type,location,scene_type]# 实体：需求中的关键信息entities:-device_type# 设备类型（light/air_conditioner/tv）-location# 位置（bedroom/living_room/kitchen）-scene_type# 场景类型（morning/night/party）# Slots：存储对话临时信息（影响对话流程）slots:device_type
