LLaMA 3+LangChain实战：智能点餐Agent多轮对话设计落地，订单准确率提升90%！

关键词：多轮对话设计、场景化提示工程、LLaMA 3 微调、LangChain Agent、饭店点餐场景建模

---

饭店点餐场景的 Agent 方案设计

通过分层架构实现复杂场景对话控制，系统设计包含 5 个核心模块：

1. 场景分析与对话流程设计

(1) 典型对话路径建模

(2) 状态管理数据结构设计

class OrderState(TypedDict):  current_step: str  confirmed_items: list  pending_items: list  payment_status: bool  fallback_count: int  # 初始化状态示例  
initial_state = OrderState(  current_step="greeting",  confirmed_items=[],  pending_items=[],  payment_status=False,  fallback_count=0  
)

2. 关键模块实现细节

(1) 意图识别提示工程

**系统提示词设计**：  
你是一个专业餐厅的点餐助手，需要准确识别用户意图：  
1. 菜品咨询：包含食物特征（辣/甜）、品类（主食/饮料）、价格区间等关键词  
2. 订单修改：包含"修改""取消""追加"等动词  
3. 支付问题：涉及"支付方式""优惠""发票"等关键词  **输出要求**：  
以JSON格式返回识别结果：  
{  "intent": "category_inquiry|order_modify|payment_question",  "confidence": 0.9,  "entities": {"food_type": "pasta", "size": "medium"}  
}

(2) 多轮对话管理策略

# LangChain 状态管理实现  
from langgraph.graph import StateGraph  workflow = StateGraph(OrderState)  def route_message(state: OrderState):  if state["fallback_count"] > 2:  return "human_help"  elif state["current_step"] == "confirm_order":  return "payment_flow"  else:  return "normal_flow"  workflow.add_node("intent_recognizer", llm_intent_recognizer)  
workflow.add_node("order_manager", order_system_integration)  
workflow.add_edge("intent_recognizer", route_message)  
workflow.add_conditional_edges(  "order_manager",  lambda x: "complete" if x["payment_status"] else "need_payment",  {"complete": END, "need_payment": "payment_flow"}  
)

3. 外部系统集成方案

(1) 餐厅菜单 API 对接规范

| 端点             | 方法   | 参数                  | 响应示例                          |  
|------------------|--------|-----------------------|-----------------------------------|  
| /api/menu        | GET    | category=主食         | {items: [{id:1,name:"番茄肉酱面",price:45}]} |  
| /api/order       | POST   | {items: [1], notes:""} | {order_id: "20240518001", total:45} |  
| /api/payment     | POST   | {order_id: "", amount:} | {status: "success", invoice_url:""} |  

(2) 错误处理机制设计

# 异常处理流程  
try:  response = requests.post(API_ENDPOINT, json=order_data, timeout=3)  
except Exception as e:  logger.error(f"API调用失败: {str(e)}")  return {  "fallback_response": "系统暂时繁忙，请稍后再试",  "retry_count": state["retry_count"] + 1  }  if response.status_code != 200:  return {  "fallback_response": "订单提交失败，请联系人工客服",  "should_escalate": True  }

4. 效果优化与测试方案

(1) 对话质量评估矩阵

| 评估维度       | 指标                  | 达标阈值 |  
|----------------|-----------------------|----------|  
| 意图识别       | 准确率                | >90%     |  
| 槽位填充       | 完整率                | >85%     |  
| 系统响应       | 平均响应时间          | <1.2s    |  
| 异常处理       | 人工介入率            | <5%      |  
| 用户满意度     | CSAT 评分             | ≥4.5/5   |  

(2) 压力测试场景设计

# Locust 性能测试脚本示例  
from locust import HttpUser, task  class OrderScenario(HttpUser):  @task  def normal_flow(self):  self.client.post("/chat", json={  "message": "我要点一份披萨",  "session_id": "test_user_001"  })  @task(3)  def complex_flow(self):  self.client.post("/chat", json={  "message": "刚才的订单换成大份，再加两杯可乐",  "session_id": "test_user_002"  })

---

扩展性设计思路：

1. 场景迁移：将核心模块抽象为DinnerOrderComponent类，通过修改配置文件即可适配酒店入住、机场接送等场景
2. 多语言支持：在意图识别层增加lang参数，对接不同语言的LLM实例
3. 商业扩展：在订单确认环节插入推荐系统接口，实现智能加购推荐

# 配置驱动示例  
scenario_config = {  "restaurant": {  "menu_api": "http://menu.prod",  "max_retries": 3,  "recommend_strategy": "upsell"  },  "hotel": {  "room_api": "http://rooms.prod",  "max_retries": 5,  "recommend_strategy": "cross_sell"  }  
}