项目文档切换

查看 Shopping Agent 文档 | 查看 Chatbot 文档

---

Shopping Agent

概述

ShoppingAgent是一个智能订单分析Agent，能够通过浏览器自动化、截图识别和大模型分析，帮助用户快速提取、汇总、生成excel，可以处理所有无法直接导出的订单后台信息。采用FastAPI作为后端服务，Streamlit作为前端界面，借助大模型的能力，实现自动化的Agent功能，提供直观的操作体验和强大的订单处理能力。

功能特点

• 自然语言交互：通过聊天界面使用自然语言指令控制订单处理流程
• 浏览器自动化：自动打开网页并进行截图操作
• 灵活截图：支持全屏截图、元素选择截图和手动区域选择截图
• 批量分析：对多张订单截图进行批量处理和信息提取
• 数据导出：将分析结果导出为Excel文件
• 系统配置：可自定义服务器、模型和浏览器等参数

快速开始

前提条件

• Python 3.8+
• Google Chrome浏览器（版本140.0及以上，建议使用最新稳定版）
• 下载Chrome驱动，下载地址见dist/resourece文件夹下

安装步骤

1. 克隆项目代码库到本地

2. 安装依赖包：

   pip install -r requirements.txt
   

启动应用

1. 启动后端服务：

   python -m app.main
   

2. 打开新终端，启动前端界面：

   streamlit run app/frontend.py
   

3. 浏览器会自动打开前端界面，或手动访问 http://localhost:8501

使用指南

基本流程

1. 打开订单页面：在URL输入框中输入订单页面地址，点击"打开网页"按钮

2. 截取订单截图：

   • 选择截图方式（默认全屏或手动选择区域）
   • 对于手动选择区域：先获取全页截图，然后在图片上拖动鼠标选择订单区域，最后点击"截取所选区域"

3. 分析订单：点击"批量分析订单"按钮，系统会自动处理所有截图并提取订单信息

4. 查看和导出结果：在右侧面板查看分析结果，点击"导出为Excel"保存数据

智能交互

在左侧聊天窗口，可以使用自然语言指令控制系统

系统配置

在侧边栏选择"系统设置"，可以配置：

• 服务器地址和端口
• AI模型参数和API密钥
• Chrome浏览器和驱动路径

注意：配置修改后需要重启应用才能生效

目录结构

project-root/ ├── app/ │ ├── init.py │ ├── main.py # 后端服务入口 │ ├── frontend.py # 前端界面 │ ├── config.py # 配置文件 │ └── utils/ # 工具函数 ├── screenshots/ # 截图保存目录 ├── excels/ # Excel导出目录 ├── .env # 环境变量 └── requirements.txt # 依赖清单

常见问题

1. 浏览器无法启动：

   • 检查CHROME_PATH配置是否正确
   • 确保Chrome浏览器已安装且版本为112.0及以上
   • 尝试更新Chrome浏览器到最新版本
   • Windows系统需确保Chrome安装路径不含中文或特殊字符

2. 截图失败：

   • 检查网页是否完全加载
   • 尝试使用不同的截图方式
   • 确认浏览器窗口没有被最小化
   • 确保Chrome版本与chromedriver版本匹配

3. 分析结果不准确：

   • 确保订单截图清晰可见
   • 尝试缩小截图区域，只包含订单信息
   • 检查API密钥和网络连接

4. 前后端连接失败：

   • 确认后端服务已启动
   • 检查服务器地址配置是否正确
   • 确认端口没有被占用

依赖说明

基础依赖

• python-dotenv>=1.0.0 # 环境变量管理
• fastapi>=0.103.1 # 后端API框架
• uvicorn>=0.23.2 # ASGI服务器
• streamlit>=1.27.0 # 前端框架
• requests>=2.31.0 # HTTP请求
• pandas>=2.1.1 # 数据处理
• openpyxl>=3.1.2 # Excel处理
• pillow>=10.0.1 # 图像处理

浏览器自动化

• selenium>=4.14.0 # 浏览器自动化（兼容Chrome 112+）
• webdriver-manager>=4.0.1 # WebDriver管理（自动匹配Chrome版本）

图像处理与多模态理解

• python-multipart>=0.0.6 # 处理multipart表单数据

---

切换到 Chatbot 文档

---

</span

chatbot

ChatGPT带火了聊天机器人，主流的趋势都调整到了GPT类模式，本项目也与时俱进，会在近期更新更新GPT类版本。 这是一个可以使用自己语料进行训练的中文聊天机器人项目，欢迎大家实践交流以及Star、Fork。

Seq2Seq版本效果参考（训练进度50%）

RoadMap:

V1.1: Update: 2024-09-30

1. 增加MindSpore版本，优先在MindSpore版本上引入GPT模型，RLHF等特性。
2. 整体工程架构分为Seq2Seq和GPT两大分支，继续保持多AI框架版本演进。

V1.2: Update: 2024-12-30 (Maybe)

1. 实现类似mini-GPT4的功能，可以进行图文多模态的对话，主要提升趣味性和丰富性。
2. 增强分布式集群训练相关能力和RLHF等特性。

seq2seq版本代码执行顺序

大家可以使用小黄鸡的语料，下载地址： https://github.com/zhaoyingjun/chatbot/blob/master/chineseChatbotWeb-tf2.0/seq2seqChatbot/train_data/xiaohuangji50w_nofenci.conv

1. 在下载好代码和语料之后，将语料文件放入train_data目录下，超参配置在config/seq2seq.ini文件中配置。
2. 按照数据预处理器（data_utls.py）→ execute.py（执行器）→ app.py（可视化对话模块）的顺序执行就可以了。
3. 大规模分布式训练版本，参照horovod的启动方式：

   horovodrun -np n -H host1_ip:port,host2_ip:port,hostn_ip:port python3 excute.py
   

建议训练环境配置

• ubuntu==18.04
• python==3.6

TF2.X:

• tensorflow==2.6.0
• flask==0.11.1
• horovod==0.24 (分布式训练)

pytorch:

• torch==1.11.0
• flask==0.11.1

开源交流、联系方式

QQ：934389697

---

切换到 Shopping Agent 文档

Chatbot 中文快速上手指南

本项目是一个支持使用自定义中文语料训练的聊天机器人，目前主要提供基于 Seq2Seq 架构的版本（支持 TensorFlow 和 PyTorch），并计划在未来更新 GPT 及多模态版本。

环境准备

系统要求

• 操作系统: Ubuntu 18.04 (推荐)
• Python 版本: 3.6+

前置依赖

根据选择的深度学习框架安装相应依赖：

方案 A: TensorFlow 2.x (含分布式训练支持)

pip install tensorflow==2.6.0 flask==0.11.1 horovod==0.24
# 国内加速建议：
# pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==2.6.0 flask==0.11.1 horovod==0.24

方案 B: PyTorch

pip install torch==1.11.0 flask==0.11.1
# 国内加速建议：
# pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch==1.11.0 flask==0.11.1

安装步骤

1. 克隆项目代码

   git clone https://github.com/zhaoyingjun/chatbot.git
   cd chatbot
   

2. 准备训练语料 下载“小黄鸡”示例语料文件，并将其放入 train_data 目录：

   # 手动下载或使用 wget
   wget https://raw.githubusercontent.com/zhaoyingjun/chatbot/master/chineseChatbotWeb-tf2.0/seq2seqChatbot/train_data/xiaohuangji50w_nofenci.conv -P train_data/
   

3. 配置参数 编辑 config/seq2seq.ini 文件，根据实际环境调整超参数（如语料路径、模型保存路径等）。

基本使用

本项目的标准执行流程为：数据预处理 → 模型训练 → 可视化对话。

1. 数据预处理

运行数据预处理脚本，将原始语料转换为模型可输入的格式：

python data_utls.py

2. 模型训练

执行训练脚本开始模型训练：

python execute.py

分布式训练提示：若需进行大规模分布式训练，请使用 Horovod 启动：

horovodrun -np n -H host1_ip:port,host2_ip:port,hostn_ip:port python3 execute.py

3. 启动对话界面

训练完成后（或加载预训练模型后），启动 Web 界面进行交互测试：

python app.py

启动成功后，在浏览器访问显示的本地地址（通常为 http://127.0.0.1:5000）即可开始聊天。