基于 GPT-5 API 与 RAG 知识库构建智能客服机器人

• 类型：「标准模式」（仅调用基础模型 API）
• 名称：自定义别名（如'GPT-5 客服项目 Key'）；
• 描述：可选，记录用途（如'生产环境 - 电商客服机器人'）；

方式 1：「开通管理」页面右上角点击'接口 URL 地址'，获取当前模型的专属接口；

API URL 获取（按功能区分）：

点击「保存」，生成专属 API Key（长期生效，切勿公开分享，避免未授权调用导致经济损失）；

控制台左侧点击「API Key」→「新增 API Key」；

2.2 API 密钥管理与安全注意事项

• 分场景隔离：为测试环境、生产环境创建独立 API Key（如'GPT-5 - 测试 Key''GPT-5 - 生产 Key'），避免测试误操作影响生产；
• 安全防护：
  • 不硬编码 API Key（通过环境变量或配置文件加载）；
  • 不存储于公开代码仓库（如 GitHub）；
  • 不通过邮件、即时通讯工具随意发送；
• 异常监控：通过「调用统计」实时查看 Key 的 Token 消耗，若发现异常波动（如突然激增），立即进入「API Key」页面点击'停用'；
• 权限最小化：非必要不使用'融合模式'Key，避免权限过度开放导致风险。

2.3 API 调用流程（Python 实战示例）

以'调用 GPT-5 实现文本对话'为例，完整流程如下：

前提条件

• 已开通 GPT-5 模型服务（「开通管理」中状态为'运行中'）；
• 已获取 API Key 与文本对话接口 URL；
• 本地环境：Python 3.7+（或其他支持 HTTP 请求的语言）。

步骤 1：环境准备

创建.env配置文件（避免硬编码 Key）：

API_KEY=your_api_key_here # 替换为你的 API Key
CHAT_URL=https://api.example.com/v1/chat/completions 

安装依赖库（使用 requests 发送 HTTP 请求）：

pip install requests python-dotenv 

步骤 2：编写调用代码

import os
import requests
from dotenv import load_dotenv

# 1. 加载配置
load_dotenv()
API_KEY = os.getenv("API_KEY")
CHAT_URL = os.getenv("CHAT_URL")
HEADERS = {
    "Authorization": f"Bearer {API_KEY}", # 固定格式：Bearer + 空格 + API Key
    "Content-Type": "application/json"
}

# 2. 构造请求参数（Prompt 设计）
def build_chat_payload(user_message, system_prompt="你是专业的 AI 助手，回答简洁准确"):
    return {
        "model": "gpt-5", # 必须与开通的模型名称一致
        "messages": [
            {"role": "system", "content": system_prompt}, # 系统指令（定义角色）
            {"role": "user", "content": user_message} # 用户输入
        ],
        "temperature": 0.7, # 随机性：0（严谨）~1（创意）
        "max_tokens": 512 # 最大输出 Token 数（避免超长回复）
    }

# 3. 发送请求并解析结果
def call_chat(user_message):
    payload = build_chat_payload(user_message)
    try:
        # 发送 POST 请求
        response = requests.post(CHAT_URL, headers=HEADERS, json=payload)
        response.raise_for_status() # 捕获 HTTP 错误（如 401 密钥无效、403 权限不足）
        # 解析响应
        result = response.json()
        reply = result["choices"][0]["message"]["content"] # 机器人回复
        token_usage = result["usage"] # Token 消耗统计（输入 + 输出）
        return {
            "success": True,
            "reply": reply,
            "token_used": token_usage["total_tokens"],
            "prompt_tokens": token_usage["prompt_tokens"],
            "completion_tokens": token_usage["completion_tokens"]
        }
    except requests.exceptions.RequestException as e: # 错误处理
        error_msg = str(e)
        if 'response' in locals():
            error_msg += f" | 错误详情：{response.json()}"
        return {"success": False, "error": error_msg}

# 4. 测试调用
if __name__ == "__main__":
    user_input = "用 Python 写一个快速排序算法，带注释"
    result = call_chat(user_input)
    if result["success"]:
        print("AI 回复：\n", result["reply"])
        print(f"\nToken 消耗：总计{result['token_used']}（输入{result['prompt_tokens']}+输出{result['completion_tokens']}）")
    else:
        print("调用失败：", result["error"])

可以看到和我们在平台 - 调用统计看到的结果是一致的。

步骤 3：常见问题排查

第三部分：实战应用案例 —— 智能客服机器人开发

3.1 项目背景与技术栈

应用场景

电商平台轻量化智能客服工具，聚焦订单查询、售后咨询、产品推荐等核心需求，适合中小商家快速部署，无需专业服务器维护，本地 Windows 环境即可运行，单日成本可控。

技术栈选型

3.2 核心功能设计

1. 基础多轮对话：通过内存字典存储用户历史对话（最多保留 10 轮），支持上下文关联（如连续咨询同一订单问题）；
2. 智能 RAG 融合：使用与知识库绑定的'融合模式'API Key，平台自动检索并融入知识库上下文，生成更精准回复；
3. 轻量化部署：无需安装数据库和服务器软件，Python 脚本直接运行，适合非技术人员操作。

3.3 完整实现步骤（Windows 环境适配）

步骤 1：MaaS RAG 知识库创建（控制台操作）

上传 FAQ 数据：支持上传文档（.md/.docx）、表格（.xlsx），示例数据如下（'退款政策.md'）：

# 电商客服 FAQ
1. 退款申请后多久到账？
答：退款将在 1-3 个工作日内原路返回，具体到账时间以银行为准。
2. 订单发货时间？
答：普通商品 48 小时内发货，预售商品以详情页标注时间为准。
3. 如何修改收货地址？
答：订单发货前可在'我的订单'→'修改地址'中操作；已发货需联系快递拦截。

进入知识库管理：控制台左侧点击「知识库管理」→「新建知识库」，命名'电商客服 FAQ'；

步骤 2：创建融合模式 API Key（关键步骤）

• 进入「API Key」→「新增 API Key」，类型选择'融合模式'。
• 在'知识库'配置中选择'电商客服 FAQ'，开启绑定。
• 保存生成的 Key，并在 .env 中替换 API_KEY。

融合模式 Key 会自动在调用时进行知识库检索与上下文融合，无需手动检索接口。

步骤 3：项目结构与代码实现

3.1 项目结构

ecommerce-ai-chatbot/
├── app.py # Flask 主程序（含会话管理）
├── client.py # API 客户端
├── .env # 配置文件
├── requirements.txt # 依赖库
└── templates/
    └── index.html # 前端界面

3.2 依赖库配置（requirements.txt）

flask==2.3.3
requests==2.31.0
python-dotenv==1.0.0

3.3 配置文件更新 (.env)

API_KEY=your_fusion_mode_api_key_here
CHAT_URL=https://api.example.com/v1/chat/completions 

3.4 API 客户端（client.py）

import os
import requests
from dotenv import load_dotenv

# 全局内存存储用户对话历史（替代 Redis）
user_history = {}
# 格式：{user_id: [{"role": "...", "content": "..."}, ...]}
load_dotenv()

class Client:
    def __init__(self):
        self.api_key = os.getenv("API_KEY")
        self.chat_url = os.getenv("CHAT_URL")
        self.headers = {
            "Authorization": f"Bearer {self.api_key}",
            "Content-Type": "application/json"
        }

    def retrieve_knowledge(self, user_message):
        pass

    def get_chat_reply(self, user_id, user_message):
        """获取 AI 回复（含内存对话管理）"""
        # 1. 初始化/获取用户历史
        if user_id not in user_history:
            user_history[user_id] = []
        messages = [
            {"role": "system", "content": "你是电商 AI 客服，请根据知识库内容和用户问题，友好地回答。"}
        ] + user_history[user_id] + [
            {"role": "user", "content": user_message}
        ]
        payload = {
            "model": "gpt-5",
            "messages": messages,
            "temperature": 0.6,
            "max_tokens": 1024
        }
        try:
            response = requests.post(self.chat_url, headers=self.headers, json=payload)
            response.raise_for_status()
            result = response.json()
            reply = result["choices"][0]["message"]["content"]
            token_used = result["usage"]["total_tokens"]
            # 更新历史
            user_history[user_id].append({"role": "user", "content": user_message})
            user_history[user_id].append({"role": "assistant", "content": reply})
            user_history[user_id] = user_history[user_id][-20:]
            return {
                "success": True,
                "reply": reply,
                "token_used": token_used
            }
        except Exception as e:
            error_msg = str(e)
            if 'response' in locals():
                error_msg += f" | {response.json()}"
            return {"success": False, "error": error_msg}

    def clear_user_history(self, user_id):
        """清除用户历史（内存版）"""
        if user_id in user_history:
            del user_history[user_id]

3.5 Flask 主程序（app.py）

from flask import Flask, request, jsonify, render_template
import uuid
from client import Client

app = Flask(__name__)
ai_client = Client()

# 1. 前端界面
@app.route("/")
def index():
    return render_template("index.html")

# 2. 对话 API
@app.route("/api/chat", methods=["POST"])
def chat():
    data = request.json
    user_id = data.get("user_id")
    user_message = data.get("message", "").strip()
    # 生成用户 ID（首次访问）
    if not user_id:
        user_id = str(uuid.uuid4())
    if not user_message:
        return jsonify({"success": False, "error": "请输入有效消息"})
    # 获取回复
    result = ai_client.get_chat_reply(user_id, user_message)
    result["user_id"] = user_id
    return jsonify(result)

# 3. 清除历史 API
@app.route("/api/clear-history", methods=["POST"])
def clear_history():
    data = request.json
    user_id = data.get("user_id")
    if user_id:
        ai_client.clear_user_history(user_id)
        return jsonify({"success": True})
    return jsonify({"success": False, "error": "user_id 不能为空"}), 400

if __name__ == "__main__":
    # Windows 环境直接运行，默认端口 5000
    app.run(host="127.0.0.1", port=5000, debug=True)

3.6 前端界面（templates/index.html）

<!DOCTYPE html>
<html lang="zh-CN">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>电商 AI 客服</title>
    <style>
        * { margin: 0; padding: 0; box-sizing: border-box; }
        body { font-family: Arial, sans-serif; max-width: 800px; margin: 0 auto; padding: 20px; }
        .chat-container { border: 1px solid #eee; border-radius: 8px; overflow: hidden; }
        .chat-header { background: #2272f9; color: white; padding: 16px; font-size: 18px; }
        .chat-history { height: 500px; overflow-y: auto; padding: 16px; background: #fafafa; }
        .message { margin: 8px 0; max-width: 70%; padding: 12px; border-radius: 8px; line-height: 1.5; }
        .user-message { background: #2272f9; color: white; margin-left: auto; }
        .ai-message { background: #fff; border: 1px solid #eee; margin-right: auto; }
        .system-message { color: #666; font-size: 12px; text-align: center; margin: 8px 0; }
        .input-container { display: flex; border-top: 1px solid #eee; }
        #message-input { flex: 1; padding: 12px 16px; border: none; outline: none; font-size: 14px; }
        #send-btn { padding: 0 24px; background: #2272f9; color: white; border: none; cursor: pointer; font-size: 14px; }
        #clear-btn { padding: 0 16px; background: #ff4444; color: white; border: none; cursor: pointer; font-size: 14px; }
    </style>
</head>
<body>
    <div class="chat-container">
        <div class="chat-header">AI 电商客服（7×24 小时在线）</div>
        <div class="chat-history" id="chat-history">
            <div class="system-message">欢迎咨询，我可以帮您查询订单、处理售后问题~</div>
        </div>
        <div class="input-container">
            <input type="text" id="message-input" placeholder="请输入您的问题（如：退款多久到账？）">
            <button id="clear-btn">清除历史</button>
            <button id="send-btn">发送</button>
        </div>
    </div>
    <script>
        // 从本地存储获取用户 ID（避免刷新丢失）
        let userId = localStorage.getItem("ecommerce_chat_userid");
        const chatHistory = document.getElementById("chat-history");
        const messageInput = document.getElementById("message-input");
        const sendBtn = document.getElementById("send-btn");
        const clearBtn = document.getElementById("clear-btn");

        // 添加消息到界面
        function addMessage(content, isUser = false) {
            const messageDiv = document.createElement("div");
            messageDiv.className = isUser ? "message user-message" : "message ai-message";
            messageDiv.textContent = content;
            chatHistory.appendChild(messageDiv);
            // 滚动到底部
            chatHistory.scrollTop = chatHistory.scrollHeight;
        }

        // 发送消息
        async function sendMessage() {
            const message = messageInput.value.trim();
            if (!message) return;
            
            (message, isUser = );
            messageInput. = ;
            
             {
                 response =  (, {
                    : ,
                    : { :  },
                    : .({ : userId, : message })
                });
                 result =  response.();
                
                userId = result.;
                .(, userId);
                
                 (result.) {
                    (result.);
                }  {
                    (, isUser = );
                }
            }  (e) {
                (, isUser = );
            }
        }

        
          () {
             (userId) {
                 (, {
                    : ,
                    : { :  },
                    : .({ : userId })
                });
            }
            chatHistory. = ;
            .();
            userId = ;
        }

        
        sendBtn.(, sendMessage);
        messageInput.(,  {
             (e. === ) ();
        });
        clearBtn.(, clearHistory);
    </script>
</body>
</html>

步骤 3：Windows 环境部署与运行

3.1 环境准备

1. 安装 Python 3.13.5：
   • 访问 Python 官网下载对应 Windows 安装包
   • 安装时勾选'Add Python to PATH'，完成后打开命令提示符（Win+R→cmd）
   • 验证安装：python --version 显示 3.13.5 即为成功
2. 创建配置文件：

在文件夹中新建 .env 文件，内容如下：

API_KEY=你的 API 密钥
CHAT_URL=https://api.example.com/v1/chat/completions 

创建项目文件夹：

mkdir C:\ecommerce-ai-chatbot
cd C:\ecommerce-ai-chatbot

3.2 安装依赖与启动服务

1. 访问客服界面：
   • 打开浏览器，输入 http://127.0.0.1:5000
   • 即可开始使用智能客服（关闭命令提示符即停止服务）

启动服务：

python app.py 

看到类似以下输出即为成功：

* Running on http://127.0.0.1:5000 (Press CTRL+C to quit)

警告忽略即可。

安装依赖库：

pip install -r requirements.txt 

（若提示 pip 版本问题，先运行 python -m pip install --upgrade pip）

3.4 效果展示与适用场景

功能测试结果

适用场景

• 个人卖家或小团队：无需服务器，本地电脑即可部署，日均成本较低
• 临时活动客服：促销期间快速上线，活动结束后直接关闭，无资源浪费
• 测试验证：快速验证 AI 客服效果，再决定是否扩展为企业级方案

局限性说明

• 内存存储对话历史，重启服务后丢失（适合临时使用）
• 不支持高并发（建议同时在线用户≤10 人）
• 需保持命令提示符窗口开启（可最小化，不可关闭）

第四部分：结语

4.1 平台核心优势总结

1. 接入门槛极低：无需技术背景也能快速完成注册→开通模型→API 调用，开发者无需适配不同模型的接口差异；
2. 成本可控性强：按量计费 + 优惠量包 + 新人福利，大幅降低试错成本；
3. 场景覆盖全面：从个人 AIGC 创作（图片/视频生成）到企业级智能体开发（客服/数据分析），全链路需求均可满足；
4. 技术支撑完善：标准化 API + 专业工单客服 + RAG/Prompt 优解工具，开发者专注业务逻辑，无需关注模型维护。

4.2 适用人群与场景

4.3 后续探索建议

1. 尝试多模型协作：用'GPT-5 生成文案 + Gemini-2.5-flash-image（Nano Banana） + Sora 2 生成短视频'，构建完整 AIGC 流水线；
2. 深入 RAG 功能：上传企业私有文档（如产品手册、内部流程），构建专属知识库，提升回答精准度；

如需进一步学习，可访问相关技术文档获取最新技术动态与专属支持。