GPT-5 API 结合 RAG 知识库构建电商客服机器人实战 | 极客日志

PythonAI算法

GPT-5 API 结合 RAG 知识库构建电商客服机器人实战

探讨如何利用 GPT-5 等大模型 API 配合 RAG 知识库技术，在本地 Windows 环境下快速搭建低成本智能客服系统。通过 Flask 框架实现前后端交互，结合内存存储管理会话上下文，解决传统客服响应慢、成本高的问题。教程涵盖环境配置、API 调用封装、知识库融合及部署运行，适合开发者快速验证 AI 应用落地。

LinuxPan发布于 2026/4/8更新于 2026/5/2216 浏览

引言

当前大模型技术加速渗透各行各业，开发者常面临这样的困境：想调用 GPT-5、Claude 等顶尖模型却被海外注册、跨平台适配搞得焦头烂额？想快速搭建智能客服或内容生成工具，却因接口差异、成本不可控而望而却步？

本文将带你从实战角度出发，解锁如何快速集成大模型能力。从 API 密钥创建到融合 RAG（检索增强生成）知识库的智能体开发，手把手教你在 Windows 环境部署一个轻量级电商客服机器人。无论你是 AI 开发者还是企业运营者，都能在这里找到从'想法'到'落地'的完整路径。

一、核心流程概览

1.1 核心价值

通过标准化 API 接口与模块化设计，将前沿模型整合为可调用的服务。核心优势在于高效便捷、价格可控、类型全面且稳定流畅。无需关注底层技术细节，即可快速集成 AI 能力。

1.2 功能亮点

统一 API 管理：支持标准模式与融合模式，分应用创建密钥便于权限管控。
增强开发工具：包含 Prompt 优化、RAG 知识库管理及三方集成能力。
精细化运营：实时调用统计与财务计费，降低企业成本管控难度。

二、环境准备与 API 调用

2.1 注册与密钥获取

访问平台控制台：登录目标大模型服务平台。
开通模型服务：选择所需模型（如 GPT-5），确认开通状态。
创建 API Key：
- 填写基础信息，建议区分测试环境与生产环境密钥。
- 获取专属接口 URL，注意保密，切勿公开分享。

2.2 安全注意事项

分场景隔离：测试与生产环境使用独立 Key。
不硬编码：通过环境变量或配置文件加载密钥。
异常监控：定期查看 Token 消耗，发现异常立即停用。

2.3 Python 实战示例

以调用文本对话接口为例，完整流程如下：

前提条件

已开通模型服务。
已获取 API Key 与接口 URL。
本地环境：Python 3.7+。

步骤 1：环境准备

创建 .env 配置文件（避免硬编码 Key）：

AIONLY_API_KEY=your_api_key_here
AIONLY_CHAT_URL=https://api.example.com/v1/chat/completions

安装依赖库：

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("AIONLY_API_KEY")
API_URL = os.getenv("AIONLY_CHAT_URL")
HEADERS = {
    "Authorization": ,
    : 
}


 ():
     {
        : ,
        : [
            {: , : system_prompt},
            {: , : user_message}
        ],
        : ,
        : 
    }


 ():
    payload = build_chat_payload(user_message)
    :
        response = requests.post(API_URL, headers=HEADERS, json=payload)
        response.raise_for_status()
        result = response.json()
        reply = result[][][][]
        token_usage = result[]
         {
            : ,
            : reply,
            : token_usage[],
            : token_usage[],
            : token_usage[]
        }
     requests.exceptions.RequestException  e:
        error_msg = (e)
           ():
            error_msg += 
         {: , : error_msg}


 __name__ == :
    user_input = 
    result = call_aionly_chat(user_input)
     result[]:
        (, result[])
        ()
    :
        (, result[])

相关免费在线工具

加密/解密文本
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。在线工具，加密/解密文本在线工具，online
RSA密钥对生成器
生成新的随机RSA私钥和公钥pem证书。在线工具，RSA密钥对生成器在线工具，online
Mermaid 预览与可视化编辑
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。在线工具，Mermaid 预览与可视化编辑在线工具，online
随机西班牙地址生成器
随机生成西班牙地址（支持马德里、加泰罗尼亚、安达卢西亚、瓦伦西亚筛选），支持数量快捷选择、显示全部与下载。在线工具，随机西班牙地址生成器在线工具，online
Gemini 图片去水印
基于开源反向 Alpha 混合算法去除 Gemini/Nano Banana 图片水印，支持批量处理与下载。在线工具，Gemini 图片去水印在线工具，online
curl 转代码
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。在线工具，curl 转代码在线工具，online

错误码	可能原因	解决方案
401	API Key 错误 / 已停用	检查 Key 是否正确，确认状态
403	模型未开通 / Key 权限不匹配	确认模型状态，重新创建对应类型 Key
429	QPS 超限	降低调用频率，联系客服提升限制

模块	选型理由
核心接口	大模型 API + RAG 知识库
后端框架	Flask（轻量 Web 框架）
会话缓存	内存字典（简化部署）
前端	HTML+CSS+JavaScript
运行环境	Windows 10/11 + Python 3.x

# 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。
2. 订单发货时间？
答：普通商品 48 小时内发货。

ecommerce-ai-chatbot/
├── app.py
├── aionly_client.py
├── .env
├── requirements.txt
└── templates/
    └── index.html

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

AIONLY_API_KEY=your_fusion_mode_api_key_here
AIONLY_CHAT_URL=https://api.example.com/v1/chat/completions

import os
import requests
from dotenv import load_dotenv

user_history = {}
load_dotenv()

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

    def get_chat_reply(self, user_id, user_message):
        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"]
            
            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:
            return {"success": False, "error": str(e)}

    def clear_user_history(self, user_id):
        if user_id in user_history:
            del user_history[user_id]

from flask import Flask, request, jsonify, render_template
import uuid
from aionly_client import LLMClient

app = Flask(__name__)
ai_client = LLMClient()

@app.route("/")
def index():
    return render_template("index.html")

@app.route("/api/chat", methods=["POST"])
def chat():
    data = request.json
    user_id = data.get("user_id")
    user_message = data.get("message", "").strip()
    
    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"})
    
    result = ai_client.get_chat_reply(user_id, user_message)
    result["user_id"] = user_id
    return jsonify(result)

@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__":
    app.run(host="127.0.0.1", port=5000, debug=True)

<!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">AiOnly 电商 AI 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>
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");

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);
    chatHistory.scrollTop = chatHistory.scrollHeight;
}

async function sendMessage() {
    const message = messageInput.value.trim();
    if (!message) return;
    addMessage(message, isUser = true);
    messageInput.value = "";
    try {
        const response =  (, {
            : ,
            : {: },
            : .({ : userId, : message })
        });
         result =  response.();
        userId = result.;
        .(, userId);
         (result.) {
            (result.);
        }  {
            ();
        }
    }  (e) {
        ();
    }
}

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

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

安装 Python：确保版本 3.7+，勾选 Add Python to PATH。

创建项目文件夹：

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

安装依赖：
```
pip install -r requirements.txt
```
启动服务：
```
python app.py
```
看到 Running on http://127.0.0.1:5000 即为成功。
访问界面：浏览器输入 http://127.0.0.1:5000。

测试场景	实际效果	耗时	准确率
FAQ 匹配	直接返回知识库答案	<200ms	100%
多轮对话	基于内存历史保持上下文	300-400ms	90%
复杂问题	生成个性化推荐	400-600ms	85%

GPT-5 API 结合 RAG 知识库构建电商客服机器人实战

引言

一、核心流程概览

1.1 核心价值

1.2 功能亮点

二、环境准备与 API 调用

2.1 注册与密钥获取

2.2 安全注意事项

2.3 Python 实战示例

前提条件

步骤 1：环境准备

步骤 2：编写调用代码

更多推荐文章

相关免费在线工具

步骤 3：常见问题排查

三、智能客服机器人开发实战

3.1 项目背景与技术栈

3.2 核心功能设计

3.3 完整实现步骤

步骤 1：RAG 知识库创建

步骤 2：创建融合模式 API Key

步骤 3：项目结构与代码实现

3.1 项目结构

3.2 依赖库配置 (requirements.txt)

3.3 配置文件更新 (.env)

3.4 AiOnly API 客户端 (aionly_client.py)

3.5 Flask 主程序 (app.py)

3.6 前端界面 (templates/index.html)

步骤 4：Windows 环境部署与运行

3.4 效果展示与适用场景

四、总结

更多推荐文章

相关免费在线工具

GPT-5 API 结合 RAG 知识库构建电商客服机器人实战

引言

一、核心流程概览

1.1 核心价值

1.2 功能亮点

二、环境准备与 API 调用

2.1 注册与密钥获取

2.2 安全注意事项

2.3 Python 实战示例

前提条件

步骤 1：环境准备

步骤 2：编写调用代码

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具

步骤 3：常见问题排查

三、智能客服机器人开发实战

3.1 项目背景与技术栈

3.2 核心功能设计

3.3 完整实现步骤

步骤 1：RAG 知识库创建

步骤 2：创建融合模式 API Key

步骤 3：项目结构与代码实现

3.1 项目结构

3.2 依赖库配置 (requirements.txt)

3.3 配置文件更新 (.env)

3.4 AiOnly API 客户端 (aionly_client.py)

3.5 Flask 主程序 (app.py)

3.6 前端界面 (templates/index.html)

步骤 4：Windows 环境部署与运行

3.4 效果展示与适用场景

四、总结

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具