用 RAG 和 LLM 构建 WhatsApp AI 客服 Agent
教程展示如何用 WhatsApp Cloud API、FastAPI、LLM 和 RAG 向量数据库构建智能客服，能从公司文档中检索信息并自动生成回复。
完整中文译文
WhatsApp AI Agent 配合 RAG 如何工作
企业越来越多地将 WhatsApp 作为客户支持、销售和服务自动化的主要沟通渠道。然而，手动管理数千个客户对话既耗时又昂贵。
通过结合 WhatsApp Cloud API、AI Agents 和检索增强生成（RAG），开发人员可以构建能够理解客户问题、从公司文档中检索准确信息并自动生成有帮助的回复的智能 WhatsApp 助手。
与依赖预定义规则的传统聊天机器人不同，由 RAG 驱动的 AI Agent 可以使用实际业务数据（如产品目录、常见问题、政策、订单信息和内部文档）来回答动态问题。
在本教程中，我们将使用以下内容构建 WhatsApp AI Agent 的架构：
大语言模型（LLMs）
检索增强生成（RAG）
工作原理
完整的工作流如下所示：
Customer
|
| WhatsApp Message
|
WhatsApp Cloud API
|
Webhook Server
|
AI Agent
|
RAG Pipeline
|
Vector Database + Business Data
|
Generated Response
|
Customer receives reply
客户发送 WhatsApp 消息。webhook 接收请求，AI Agent 理解用户意图，使用 RAG 检索相关信息，并生成准确的回复。
Step 1: 设置 WhatsApp Cloud API
Meta 提供了 WhatsApp Cloud API，允许应用程序以编程方式发送和接收 WhatsApp 消息。
创建 Meta 开发者应用后，启用 WhatsApp 产品。
WhatsApp Business Account ID
这些凭证允许你的后端应用与 WhatsApp 服务器通信。
Step 2: 创建 Webhook 服务器
WhatsApp 使用 webhooks 在客户发送消息时通知你的应用程序。
在此示例中，我们将使用 Python FastAPI。
安装依赖：
pip install fastapi uvicorn openai requests
创建 webhook 端点：
from fastapi import FastAPI, Request
app = FastAPI()
@app.post("/webhook")
async def webhook(request: Request):
data = await request.json()
print(data)
return {
"status": "received"
}
uvicorn main:app --reload
你的后端现在可以接收 WhatsApp 事件。
Step 3: 提取传入的 WhatsApp 消息
WhatsApp 通过 webhook 负载发送消息信息。
{
"messages": [
{
"from": "923001234567",
"text": {
"body": "What are your delivery options?"
}
}
]
}
提取客户消息：
message = data["messages"][0]["text"]["body"]
sender = data["messages"][0]["from"]
现在我们可以处理客户的问题。
Step 4: 连接 AI Agent
下一步是连接可以理解和生成自然语言回复的 AI 模型。
使用 OpenAI 的示例：
from openai import OpenAI
client = OpenAI(
api_key="YOUR_API_KEY"
)
def ask_ai(question):
response = client.chat.completions.create(
model="gpt-4.1-mini",
messages=[
{
"role": "system",
"content":
"You are a helpful customer support assistant."
},
{
"role": "user",
"content": question
}
]
)
return response.choices[0].message.content
Do you deliver to Helsinki?
Yes, we provide delivery services across Finland.
一个通用的 AI 模型不知道你的私有业务信息。
例如，它不知道：
内部文档
这就是检索增强生成（RAG）变得重要的地方。
RAG 允许 AI Agent 在生成答案之前搜索你自己的知识库。
Business Documents
↓
Create Embeddings
↓
Store in Vector Database
↓
Customer Question
↓
Retrieve Relevant Information
↓
AI Generates Final Answer
流行的向量数据库：
What is your refund policy?
AI 不是猜测，而是检索：
Refunds are available within 30 days with a valid receipt.
然后它生成最终响应。
这使聊天机器人更准确，减少了不正确的 AI 生成的答案。
Step 6: 将 AI 响应发送回 WhatsApp
生成响应后，使用 WhatsApp Cloud API 将其发送回去。
import requests
def send_message(phone, text):
url = (
"https://graph.facebook.com/v20.0/"
"PHONE_NUMBER_ID/messages"
)
headers = {
"Authorization":
"Bearer ACCESS_TOKEN",
"Content-Type":
"application/json"
}
payload = {
"messaging_product": "whatsapp",
"to": phone,
"text": {
"body": text
}
}
requests.post(
url,
headers=headers,
json=payload
)
完整的自动化流程：
Customer Message
↓
WhatsApp Cloud API
↓
FastAPI Webhook
↓
AI Agent + RAG
↓
Generate Response
↓
WhatsApp Reply
使 WhatsApp AI Agent 更强大
生产级 AI 助手通常包括额外功能。
Agent 可以记住之前的消息。
User:
My order number is 12345
Later:
Where is my order?
AI 理解之前的上下文。
AI Agents 可以执行实际操作：
创建支持票证
Customer:
Where is my package?
AI:
Checking your order status...
人工支持交接
一个好的 AI 系统应该知道何时需要人工协助。
Customer:
I want to report a payment problem.
AI:
I will connect you with our support team.
WhatsApp AI Agents 配合 RAG 可以自动化：
电子商务助手
产品推荐
使用 RAG 构建 WhatsApp AI Agent 结合了消息自动化和现代 AI 系统的智能。
关键组件是：
WhatsApp Cloud API 用于通信
Webhooks 用于接收消息
AI Agents 用于推理和对话
RAG 用于访问公司知识
向量数据库用于高效的信息检索
使用这种架构，开发人员可以创建可扩展的 WhatsApp 助手，提供准确、个性化和自动化的客户体验。
如需进一步操作，你可以考虑屏蔽此用户和/或举报滥用行为。