戰(zhàn)：Claude Code與Harness AI構(gòu)建Java電商與Python客服系統(tǒng))
這次我們來看一個(gè)結(jié)合了 Claude Code 和 Harness AI 的實(shí)戰(zhàn)項(xiàng)目目標(biāo)是讓初學(xué)者也能上手開發(fā) Java 電商后臺(tái)管理系統(tǒng)和 Python 智能客服應(yīng)用。這不是一個(gè)純理論教程而是聚焦于如何利用最新的 AI 輔助編程工具降低開發(fā)門檻提升項(xiàng)目構(gòu)建效率。對(duì)于初學(xué)者或希望提升開發(fā)效率的開發(fā)者來說最關(guān)心的問題通常是這些 AI 工具到底能不能用配置麻不麻煩能不能真正幫我寫出可運(yùn)行的代碼本文會(huì)直接切入核心先告訴你 Claude Code 和 Harness AI 是什么、能解決什么問題然后通過兩個(gè)完整的項(xiàng)目實(shí)戰(zhàn)Java 電商后臺(tái)和 Python 智能客服手把手演示從環(huán)境搭建、代碼生成、調(diào)試到項(xiàng)目集成的全過程。你將看到 AI 如何輔助完成從數(shù)據(jù)庫設(shè)計(jì)、API 接口開發(fā)到業(yè)務(wù)邏輯實(shí)現(xiàn)的各個(gè)環(huán)節(jié)。本文的重點(diǎn)不是空談概念而是提供可落地的操作指南。無論你是想快速驗(yàn)證一個(gè)想法還是希望將 AI 輔助開發(fā)融入現(xiàn)有工作流都可以從這里獲得直接的參考。1. 核心能力速覽在深入實(shí)戰(zhàn)之前我們先快速了解 Claude Code 和 Harness AI 這兩個(gè)核心工具的能力邊界和適用場(chǎng)景這有助于你判斷是否值得投入時(shí)間學(xué)習(xí)。能力項(xiàng)Claude CodeHarness AI核心定位專注于代碼生成、補(bǔ)全、解釋和調(diào)試的 AI 編程助手。一套包裹在 AI Agent 核心推理邏輯之外的基礎(chǔ)設(shè)施層用于管理 AI 工作流、工具調(diào)用和任務(wù)執(zhí)行。主要功能在 IDE 中根據(jù)注釋或上下文生成代碼片段解釋復(fù)雜代碼查找 Bug代碼重構(gòu)。定義和管理復(fù)雜的 AI 任務(wù)流程協(xié)調(diào)多個(gè)工具或 API 調(diào)用處理長期運(yùn)行任務(wù)的狀態(tài)和記憶。集成方式通常作為 IDE 插件如 VSCode 擴(kuò)展使用與編輯器深度集成。通常作為一個(gè)獨(dú)立的服務(wù)或框架通過 API 或 SDK 被主程序調(diào)用。硬件門檻無特殊要求依賴云端模型或本地部署的輕量級(jí)模型普通開發(fā)機(jī)即可運(yùn)行。取決于集成的 AI 模型復(fù)雜度可能需要在服務(wù)器環(huán)境部署以支持穩(wěn)定運(yùn)行。啟動(dòng)方式在 VSCode 等編輯器中安裝插件并配置 API 密鑰即可。需要通過代碼初始化 Harness 實(shí)例并配置相應(yīng)的 AI 模型、工具和工作流。適合場(chǎng)景日常編碼輔助、學(xué)習(xí)新語言/框架、快速原型開發(fā)、代碼審查。構(gòu)建復(fù)雜的 AI 應(yīng)用如智能客服、自動(dòng)化工作流、需要多步驟推理的任務(wù)。項(xiàng)目實(shí)戰(zhàn)目標(biāo)我們將使用Claude Code作為“編碼副駕駛”快速生成 Java 和 Python 的項(xiàng)目骨架與核心代碼。同時(shí)引入Harness AI的概念和簡(jiǎn)易實(shí)現(xiàn)來構(gòu)建一個(gè)具備多輪對(duì)話、工具調(diào)用能力的 Python 智能客服應(yīng)用。整個(gè)過程旨在展示“AI 輔助開發(fā)”的完整閉環(huán)。2. 適用場(chǎng)景與使用邊界了解工具的適用場(chǎng)景和邊界能幫助你更有效地利用它們避免走入誤區(qū)。Claude Code 最適合這些場(chǎng)景快速啟動(dòng)新項(xiàng)目當(dāng)你需要?jiǎng)?chuàng)建一個(gè)新的 Spring Boot 項(xiàng)目或 Flask 應(yīng)用時(shí)Claude Code 可以根據(jù)你的描述快速生成pom.xml、application.properties、主啟動(dòng)類等基礎(chǔ)文件。編寫樣板代碼例如生成實(shí)體類Entity、數(shù)據(jù)訪問層DAO/Repository、控制器Controller的增刪改查模板代碼能節(jié)省大量重復(fù)性輸入。學(xué)習(xí)和理解代碼遇到不熟悉的庫或復(fù)雜函數(shù)可以讓 Claude Code 解釋其作用和工作原理。調(diào)試與優(yōu)化將報(bào)錯(cuò)信息或異常堆棧提供給 Claude Code它可以提供可能的排查方向和修復(fù)建議。Harness AI在本實(shí)戰(zhàn)中的定位我們不會(huì)部署一個(gè)完整的、企業(yè)級(jí)的 Harness AI 平臺(tái)而是借鑒其思想——將 AI 的核心能力對(duì)話與外部工具如查詢數(shù)據(jù)庫、調(diào)用 API通過一個(gè)清晰的框架進(jìn)行編排。在本教程的 Python 智能客服部分我們會(huì)實(shí)現(xiàn)一個(gè)簡(jiǎn)易的“Harness”層來管理對(duì)話狀態(tài)和決定何時(shí)調(diào)用“商品查詢工具”。需要警惕的使用邊界不能完全替代思考AI 生成的代碼可能存在邏輯錯(cuò)誤、安全漏洞或性能問題。你必須具備基礎(chǔ)的代碼審查和調(diào)試能力。業(yè)務(wù)邏輯需人工把控復(fù)雜的業(yè)務(wù)規(guī)則、算法核心、涉及資金或安全的關(guān)鍵邏輯必須由開發(fā)者親自設(shè)計(jì)和驗(yàn)證。知識(shí)產(chǎn)權(quán)與合規(guī)確保生成的代碼不侵犯第三方版權(quán)特別是用于商業(yè)項(xiàng)目時(shí)。對(duì)于 AI 生成代碼的版權(quán)歸屬目前法律仍在發(fā)展中需保持關(guān)注。依賴管理AI 可能會(huì)推薦過時(shí)或不維護(hù)的庫你需要自行判斷和選擇穩(wěn)定的依賴版本。本教程的實(shí)戰(zhàn)項(xiàng)目均在本地開發(fā)測(cè)試環(huán)境進(jìn)行所有生成代碼需經(jīng)過人工審核和測(cè)試后再用于生產(chǎn)環(huán)境。3. 環(huán)境準(zhǔn)備與前置條件工欲善其事必先利其器。開始實(shí)戰(zhàn)前請(qǐng)確保你的開發(fā)環(huán)境滿足以下要求。3.1 基礎(chǔ)軟件環(huán)境操作系統(tǒng)Windows 10/11, macOS, 或 Linux (如 Ubuntu) 均可。本教程以通用命令為主。Java 開發(fā)環(huán)境JDK版本 8、11 或 17推薦 11 或 17。安裝后配置JAVA_HOME環(huán)境變量。Maven版本 3.6用于管理 Java 項(xiàng)目依賴和構(gòu)建。IDEVisual Studio Code (VSCode) 或 IntelliJ IDEA。本教程使用 VSCode 進(jìn)行演示因其與 Claude Code 插件集成方便。Python 開發(fā)環(huán)境Python版本 3.8 或 3.9。安裝后確保python和pip命令可用。包管理使用pip或conda。IDE同樣推薦 VSCode配合 Python 擴(kuò)展。3.2 Claude Code 插件安裝與配置這是實(shí)現(xiàn) AI 輔助編碼的關(guān)鍵步驟。安裝 VSCode從官網(wǎng)下載并安裝。安裝 Claude Code 插件打開 VSCode進(jìn)入擴(kuò)展市場(chǎng) (CtrlShiftX)。搜索 “Claude Code” 或 “Claude”。注意截至本文撰寫時(shí)Anthropic 官方可能未提供同名插件。你需要搜索并安裝可靠的、支持 Claude 模型的代碼助手插件例如 “Claude for VS Code”如果有或選擇其他支持 Claude API 的插件如需要手動(dòng)配置 API 的通用 AI 助手插件。一個(gè)常見的替代是安裝 “CodeGPT” 或 “通義靈碼” 等插件并在其設(shè)置中配置 Claude API。本教程假設(shè)你已安裝了一個(gè)能連接 Claude 模型如 Claude 3 Haiku/Sonnet的代碼助手插件。配置 API 密鑰你需要在 Anthropic 官網(wǎng)申請(qǐng) API Key。在插件的設(shè)置中找到 API 配置項(xiàng)填入你的 API Key 和正確的 API 端點(diǎn)地址。3.3 網(wǎng)絡(luò)與依賴下載穩(wěn)定的網(wǎng)絡(luò)連接Claude Code 插件通常需要訪問云端 AI 服務(wù)需保證網(wǎng)絡(luò)通暢。Maven 倉庫與 Pip 源建議配置國內(nèi)鏡像源如阿里云、清華源以加速依賴下載。4. 項(xiàng)目一Java 電商后臺(tái)管理系統(tǒng)實(shí)戰(zhàn)我們將從零開始使用 Claude Code 輔助搭建一個(gè)具備基礎(chǔ)商品和訂單管理功能的 Spring Boot 后端系統(tǒng)。4.1 項(xiàng)目初始化與骨架生成目標(biāo)快速創(chuàng)建 Spring Boot 項(xiàng)目結(jié)構(gòu)。使用 Spring Initializr (傳統(tǒng)方式) 訪問 start.spring.io 選擇Project: MavenLanguage: JavaSpring Boot: 2.7.x 或 3.x (推薦 3.x)Dependencies:Spring Web,Spring Data JPA,MySQL Driver,Lombok下載并解壓到工作目錄。使用 Claude Code 加速 (演示) 在 VSCode 中打開項(xiàng)目根目錄。假設(shè)我們想快速創(chuàng)建一個(gè)Product實(shí)體類可以在src/main/java/com/example/ecommerce/目錄下新建文件Product.java。 在文件中輸入以下注釋然后觸發(fā) Claude Code 的代碼生成通常是按CtrlI或根據(jù)插件提示// 創(chuàng)建一個(gè)JPA商品實(shí)體類包含id、名稱、描述、價(jià)格、庫存和創(chuàng)建時(shí)間字段。 // 使用Lombok注解簡(jiǎn)化代碼。Claude Code 可能會(huì)生成類似如下的代碼package com.example.ecommerce; import jakarta.persistence.*; import lombok.Data; import org.hibernate.annotations.CreationTimestamp; import java.math.BigDecimal; import java.time.LocalDateTime; Entity Data Table(name products) public class Product { Id GeneratedValue(strategy GenerationType.IDENTITY) private Long id; Column(nullable false) private String name; Column(length 1000) private String description; Column(nullable false, precision 10, scale 2) private BigDecimal price; Column(nullable false) private Integer stock; CreationTimestamp private LocalDateTime createTime; }檢查生成的代碼確保導(dǎo)包正確jakarta.persistence.*適用于 Spring Boot 3.x如果是 2.x 則是javax.persistence.*。4.2 核心業(yè)務(wù)層代碼生成目標(biāo)生成 Repository、Service 和 Controller。生成 Repository 在Product.java同級(jí)目錄創(chuàng)建ProductRepository.java輸入注釋// 創(chuàng)建一個(gè)JPA Repository接口用于商品數(shù)據(jù)訪問。生成代碼可能為package com.example.ecommerce; import org.springframework.data.jpa.repository.JpaRepository; import org.springframework.stereotype.Repository; Repository public interface ProductRepository extends JpaRepositoryProduct, Long { }生成 Service 創(chuàng)建ProductService.java輸入更詳細(xì)的注釋// 創(chuàng)建一個(gè)商品服務(wù)類包含以下方法 // 1. 獲取所有商品列表 // 2. 根據(jù)ID獲取單個(gè)商品 // 3. 創(chuàng)建新商品 // 4. 更新商品信息 // 5. 根據(jù)ID刪除商品 // 使用Service注解并注入ProductRepository。Claude Code 會(huì)生成包含基礎(chǔ) CRUD 邏輯的 Service 類。你需要仔細(xì)審查業(yè)務(wù)邏輯特別是更新和刪除操作確保其符合你的需求例如更新時(shí)只更新非空字段。生成 Controller 創(chuàng)建ProductController.java輸入注釋// 創(chuàng)建一個(gè)RESTful API控制器路徑前綴為/api/products。 // 包含對(duì)商品資源的GET、POST、PUT、DELETE映射。 // 使用RestController注解并注入ProductService。 // 處理請(qǐng)求并返回適當(dāng)?shù)腍TTP狀態(tài)碼。生成的 Controller 將包含GetMapping,PostMapping等端點(diǎn)。你需要檢查返回的數(shù)據(jù)格式如是否使用統(tǒng)一的響應(yīng)封裝和異常處理。4.3 數(shù)據(jù)庫配置與測(cè)試配置application.properties 使用 Claude Code 輔助生成配置。你可以提問“如何配置Spring Boot連接本地MySQL數(shù)據(jù)庫數(shù)據(jù)庫名稱為ecommerce” 根據(jù)回答配置如下# application.properties spring.datasource.urljdbc:mysql://localhost:3306/ecommerce?useUnicodetruecharacterEncodingutf8serverTimezoneUTC spring.datasource.usernameroot spring.datasource.passwordyour_password spring.datasource.driver-class-namecom.mysql.cj.jdbc.Driver spring.jpa.hibernate.ddl-autoupdate spring.jpa.show-sqltrue spring.jpa.properties.hibernate.dialectorg.hibernate.dialect.MySQL8Dialect運(yùn)行與測(cè)試在 MySQL 中創(chuàng)建ecommerce數(shù)據(jù)庫。在 VSCode 終端運(yùn)行mvn spring-boot:run啟動(dòng)應(yīng)用。使用 Postman 或 curl 測(cè)試/api/products接口。例如創(chuàng)建商品curl -X POST http://localhost:8080/api/products \ -H Content-Type: application/json \ -d {name:測(cè)試商品,description:這是一個(gè)測(cè)試,price:99.99,stock:100}訪問GET http://localhost:8080/api/products查看列表。至此Java 電商后臺(tái)的核心商品管理模塊已快速搭建完成。你可以按照相同模式讓 Claude Code 輔助生成Order,User等更多實(shí)體和對(duì)應(yīng)的業(yè)務(wù)層代碼。5. 項(xiàng)目二Python 智能客服應(yīng)用實(shí)戰(zhàn)在這個(gè)項(xiàng)目中我們將構(gòu)建一個(gè)更“智能”的應(yīng)用。核心是利用一個(gè)大型語言模型LLM作為大腦并為其裝備“工具”如查詢商品信息通過一個(gè)簡(jiǎn)易的Harness層來協(xié)調(diào)對(duì)話流程和工具調(diào)用。5.1 項(xiàng)目架構(gòu)與 Harness 思想實(shí)現(xiàn)我們的簡(jiǎn)易智能客服架構(gòu)如下LLM 核心使用 OpenAI API (或 Claude API) 作為對(duì)話引擎。工具層定義客服可以使用的功能例如query_product查詢商品。Harness 層一個(gè)調(diào)度器。它分析用戶問題決定是否需要調(diào)用工具、調(diào)用哪個(gè)工具將工具結(jié)果整合后再交給 LLM 生成最終回復(fù)。應(yīng)用層一個(gè)簡(jiǎn)單的命令行或 Web 界面。5.2 環(huán)境搭建與依賴安裝創(chuàng)建新的 Python 項(xiàng)目目錄并安裝必要庫# 創(chuàng)建項(xiàng)目目錄并進(jìn)入 mkdir smart_customer_service cd smart_customer_service # 創(chuàng)建虛擬環(huán)境 (可選但推薦) python -m venv venv # Windows 激活: venv\Scripts\activate # Linux/Mac 激活: source venv/bin/activate # 安裝核心依賴 pip install openai # 使用OpenAI API # 或者 pip install anthropic # 使用Claude API pip install pymysql # 用于連接MySQL數(shù)據(jù)庫模擬商品查詢 pip install fastapi uvicorn # 用于創(chuàng)建Web API可選5.3 核心代碼實(shí)現(xiàn)工具與 Harness模擬商品數(shù)據(jù)庫工具(product_tool.py) 我們先模擬一個(gè)商品查詢函數(shù)代替真實(shí)的數(shù)據(jù)庫操作。# product_tool.py product_database [ {id: 1, name: 智能手機(jī), price: 2999.00, stock: 50, category: 電子產(chǎn)品}, {id: 2, name: 無線耳機(jī), price: 399.00, stock: 200, category: 電子產(chǎn)品}, {id: 3, name: 編程書籍, price: 89.00, stock: 300, category: 圖書}, ] def query_product(product_nameNone, categoryNone): 查詢商品信息工具。 參數(shù): product_name (str): 商品名稱關(guān)鍵詞 category (str): 商品類別 返回: list: 匹配的商品列表 results product_database if product_name: results [p for p in results if product_name.lower() in p[name].lower()] if category: results [p for p in results if category.lower() p[category].lower()] return results簡(jiǎn)易 Harness 調(diào)度器(harness_scheduler.py) 這是本項(xiàng)目的核心它管理對(duì)話狀態(tài)并決定何時(shí)調(diào)用工具。# harness_scheduler.py import openai import json from product_tool import query_product # 配置你的 OpenAI API Key openai.api_key your_openai_api_key_here # 定義可用的工具列表供LLM知曉 available_tools [ { type: function, function: { name: query_product, description: 根據(jù)商品名稱或類別查詢商品信息如價(jià)格、庫存。, parameters: { type: object, properties: { product_name: {type: string, description: 商品名稱關(guān)鍵詞如‘手機(jī)’}, category: {type: string, description: 商品類別如‘電子產(chǎn)品’} } } } } ] class CustomerServiceHarness: def __init__(self): self.conversation_history [] # 存儲(chǔ)對(duì)話歷史 def process_user_query(self, user_input): 處理用戶輸入的核心方法 # 1. 將用戶輸入加入歷史 self.conversation_history.append({role: user, content: user_input}) # 2. 調(diào)用LLM并告知其可用的工具 response openai.ChatCompletion.create( modelgpt-3.5-turbo, # 或 gpt-4 messagesself.conversation_history, toolsavailable_tools, tool_choiceauto, # 讓模型自動(dòng)決定是否調(diào)用工具 ) message response.choices[0].message # 3. 檢查LLM是否決定調(diào)用工具 if message.get(tool_calls): # 4. 執(zhí)行工具調(diào)用 tool_call message.tool_calls[0] # 本例假設(shè)一次只調(diào)用一個(gè)工具 function_name tool_call.function.name function_args json.loads(tool_call.function.arguments) if function_name query_product: # 調(diào)用我們定義的商品查詢工具 tool_result query_product(**function_args) result_str json.dumps(tool_result, ensure_asciiFalse) # 5. 將工具執(zhí)行結(jié)果作為新消息追加到歷史 self.conversation_history.append(message) # 追加LLM要求調(diào)用工具的消息 self.conversation_history.append({ role: tool, tool_call_id: tool_call.id, name: function_name, content: result_str }) # 6. 再次調(diào)用LLM讓它結(jié)合工具結(jié)果生成最終回復(fù) second_response openai.ChatCompletion.create( modelgpt-3.5-turbo, messagesself.conversation_history, ) final_message second_response.choices[0].message self.conversation_history.append(final_message) return final_message.content else: # 如果LLM沒有調(diào)用工具直接返回其回復(fù) self.conversation_history.append(message) return message.content def reset_conversation(self): 重置對(duì)話歷史 self.conversation_history []5.4 測(cè)試智能客服創(chuàng)建一個(gè)簡(jiǎn)單的測(cè)試腳本test_customer_service.py# test_customer_service.py from harness_scheduler import CustomerServiceHarness def main(): harness CustomerServiceHarness() print(智能客服已啟動(dòng)輸入‘退出’結(jié)束對(duì)話。) while True: user_input input(\n用戶: ) if user_input.lower() in [退出, exit, quit]: print(客服: 感謝您的咨詢?cè)僖? break response harness.process_user_query(user_input) print(f客服: {response}) if __name__ __main__: main()運(yùn)行測(cè)試python test_customer_service.py測(cè)試對(duì)話示例用戶: 你們有哪些電子產(chǎn)品 客服: 我們有以下電子產(chǎn)品智能手機(jī)價(jià)格2999元庫存50件無線耳機(jī)價(jià)格399元庫存200件。 用戶: 那本書多少錢 客服: 您說的編程書籍價(jià)格是89元目前庫存300件。這個(gè)對(duì)話展示了 Harness 的工作流程用戶問“電子產(chǎn)品”LLM 決定調(diào)用query_product(category電子產(chǎn)品)工具獲取結(jié)果后生成回復(fù)。用戶問“書”LLM 能聯(lián)系上下文調(diào)用query_product(product_name書)。6. 接口 API 與批量任務(wù)將上述能力封裝成 API 服務(wù)是實(shí)際應(yīng)用的關(guān)鍵一步。同時(shí)客服系統(tǒng)可能面臨批量處理任務(wù)如批量導(dǎo)入知識(shí)庫。6.1 使用 FastAPI 暴露智能客服接口基于之前的CustomerServiceHarness類我們可以快速創(chuàng)建一個(gè) Web API。# main.py (FastAPI 應(yīng)用) from fastapi import FastAPI, HTTPException from pydantic import BaseModel from harness_scheduler import CustomerServiceHarness import uuid app FastAPI(title智能客服API) # 用一個(gè)字典來管理不同會(huì)話的Harness實(shí)例鍵為session_id session_harness_map {} class UserQuery(BaseModel): session_id: str None # 如果為空則創(chuàng)建新會(huì)話 query: str class QueryResponse(BaseModel): session_id: str response: str app.post(/chat, response_modelQueryResponse) async def chat(user_query: UserQuery): try: session_id user_query.session_id if not session_id or session_id not in session_harness_map: # 創(chuàng)建新會(huì)話 session_id str(uuid.uuid4()) session_harness_map[session_id] CustomerServiceHarness() print(f創(chuàng)建新會(huì)話: {session_id}) harness session_harness_map[session_id] response_text harness.process_user_query(user_query.query) return QueryResponse(session_idsession_id, responseresponse_text) except Exception as e: raise HTTPException(status_code500, detailstr(e)) app.delete(/session/{session_id}) async def end_session(session_id: str): if session_id in session_harness_map: del session_harness_map[session_id] return {message: f會(huì)話 {session_id} 已結(jié)束} else: raise HTTPException(status_code404, detail會(huì)話不存在) if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)啟動(dòng)服務(wù)python main.py。現(xiàn)在你可以用任何 HTTP 客戶端如 Postman與智能客服對(duì)話了。6.2 批量任務(wù)處理思路對(duì)于客服系統(tǒng)批量任務(wù)可能包括批量導(dǎo)入問答對(duì)將整理好的 QA 對(duì)導(dǎo)入系統(tǒng)知識(shí)庫。批量測(cè)試對(duì)話流用一組標(biāo)準(zhǔn)問題測(cè)試客服的回復(fù)準(zhǔn)確率。實(shí)現(xiàn)思路設(shè)計(jì)任務(wù)隊(duì)列可以使用 Redis 的 List 或?qū)I(yè)的任務(wù)隊(duì)列如 Celery。編寫任務(wù)處理器一個(gè)獨(dú)立的腳本或服務(wù)從隊(duì)列中取出任務(wù)調(diào)用CustomerServiceHarness進(jìn)行處理并將結(jié)果存入數(shù)據(jù)庫或文件。任務(wù)示例批量測(cè)試# batch_tester.py import requests import time BASE_URL http://localhost:8000 TEST_QUESTIONS [ 電子產(chǎn)品有哪些, 最貴的商品是什么, 圖書庫存夠嗎 ] def run_batch_test(): session_id None results [] for q in TEST_QUESTIONS: payload {session_id: session_id, query: q} try: resp requests.post(f{BASE_URL}/chat, jsonpayload, timeout30) resp_data resp.json() session_id resp_data[session_id] # 沿用同一會(huì)話 results.append({question: q, answer: resp_data[response]}) print(fQ: {q}\nA: {resp_data[response][:50]}...) # 打印前50字符 time.sleep(1) # 避免請(qǐng)求過快 except Exception as e: results.append({question: q, error: str(e)}) # 結(jié)果可以寫入文件或數(shù)據(jù)庫 import json with open(batch_test_results.json, w, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) print(批量測(cè)試完成結(jié)果已保存。) if __name__ __main__: run_batch_test()7. 資源占用與性能觀察這兩個(gè)項(xiàng)目的資源消耗主要取決于你集成的 AI 服務(wù)運(yùn)行方式。Java 電商后臺(tái)本地運(yùn)行一個(gè)基礎(chǔ)的 Spring Boot 應(yīng)用內(nèi)存占用通常在 300MB - 800MB 之間取決于 JVM 堆設(shè)置和加載的數(shù)據(jù)量。CPU 占用很低。關(guān)鍵觀察點(diǎn)應(yīng)用啟動(dòng)時(shí)間、API 響應(yīng)延遲應(yīng) 100ms、數(shù)據(jù)庫連接池狀態(tài)。Python 智能客服本地運(yùn)行API調(diào)用模式本地的 FastAPI 服務(wù)本身資源消耗極低 100MB 內(nèi)存。主要的性能和成本來自對(duì)云端 LLM API如 OpenAI/Claude的調(diào)用。性能關(guān)鍵指標(biāo)API 調(diào)用延遲一次完整的“用戶提問 - LLM思考 - (可能)工具調(diào)用 - LLM回復(fù)”流程通常需要 2-10 秒取決于模型和網(wǎng)絡(luò)。Token 消耗這是成本核心。輸入和輸出的總 Token 數(shù)決定了 API 調(diào)用費(fèi)用。對(duì)話歷史越長Token 消耗越多。需要在harness_scheduler中考慮歷史消息的截?cái)嗷蛘呗浴９ぞ哒{(diào)用開銷本地工具如query_product執(zhí)行很快但如果工具涉及外部網(wǎng)絡(luò)請(qǐng)求如查詢真實(shí)數(shù)據(jù)庫、調(diào)用第三方 API則會(huì)增加延遲。優(yōu)化建議緩存對(duì)頻繁查詢的商品信息進(jìn)行緩存。異步處理對(duì)于耗時(shí)長的任務(wù)如生成報(bào)告使用 FastAPI 的BackgroundTasks或消息隊(duì)列異步處理避免阻塞主請(qǐng)求。限制歷史長度在CustomerServiceHarness中可以只保留最近 N 輪對(duì)話或?qū)⒑荛L的歷史總結(jié)成一段摘要再提供給 LLM。8. 常見問題與排查方法在開發(fā)和運(yùn)行過程中你可能會(huì)遇到以下問題問題現(xiàn)象可能原因排查方式解決方案Claude Code 插件無響應(yīng)或代碼生成失敗1. API Key 配置錯(cuò)誤或失效。2. 網(wǎng)絡(luò)問題無法連接 AI 服務(wù)。3. 插件版本過舊或與 VSCode 不兼容。1. 檢查插件設(shè)置中的 API Key 和 Endpoint。2. 嘗試在瀏覽器中訪問 API 提供商官網(wǎng)測(cè)試網(wǎng)絡(luò)。3. 查看 VSCode 的輸出面板Output看是否有插件報(bào)錯(cuò)日志。1. 重新生成并配置正確的 API Key。2. 檢查代理或防火墻設(shè)置。3. 更新插件或 VSCode 到最新版本。Java 項(xiàng)目啟動(dòng)失敗報(bào)數(shù)據(jù)庫連接錯(cuò)誤1. MySQL 服務(wù)未啟動(dòng)。2.application.properties中的數(shù)據(jù)庫連接信息URL、用戶名、密碼錯(cuò)誤。3. 數(shù)據(jù)庫驅(qū)動(dòng)版本不匹配。1. 檢查 MySQL 服務(wù)狀態(tài)。2. 使用命令行工具如mysql -u root -p測(cè)試是否能連接。3. 檢查pom.xml中mysql-connector-java的版本是否與 MySQL 服務(wù)器版本兼容。1. 啟動(dòng) MySQL 服務(wù)。2. 修正連接配置。3. 調(diào)整驅(qū)動(dòng)版本Spring Boot 3.x 通常使用mysql-connector-j。智能客服 API 返回“Internal Server Error”1. OpenAI/Claude API Key 未設(shè)置或錯(cuò)誤。2.harness_scheduler.py中工具調(diào)用邏輯出錯(cuò)。3. 請(qǐng)求超時(shí)。1. 檢查openai.api_key是否已正確賦值。2. 查看 FastAPI 服務(wù)的控制臺(tái)日志會(huì)有詳細(xì)的 Python 異常堆棧信息。3. 增加 API 調(diào)用的超時(shí)時(shí)間。1. 設(shè)置正確的 API Key。2. 根據(jù)日志修復(fù)代碼邏輯特別是工具函數(shù)的參數(shù)解析和調(diào)用。3. 在openai.ChatCompletion.create調(diào)用中增加timeout參數(shù)。LLM 不調(diào)用工具總是直接回答1. 工具描述 (description) 不夠清晰LLM 不理解何時(shí)使用。2. 用戶問題表述模糊LLM 無法提取調(diào)用工具所需的參數(shù)。1. 檢查available_tools中函數(shù)的description和parameters描述是否準(zhǔn)確、具體。2. 在對(duì)話歷史中查看 LLM 返回的完整消息分析其思考過程如果 API 支持。1. 優(yōu)化工具描述明確其適用場(chǎng)景。例如“當(dāng)用戶詢問商品價(jià)格、庫存、有哪些商品時(shí)使用此工具”。2. 在用戶界面引導(dǎo)用戶問得更具體或在 Harness 層添加一個(gè)預(yù)處理步驟對(duì)用戶問題進(jìn)行澄清或補(bǔ)全。對(duì)話上下文混亂LLM 忘記之前內(nèi)容CustomerServiceHarness中的conversation_history無限增長導(dǎo)致超出模型上下文長度或被截?cái)?。打印conversation_history的長度或 Token 數(shù)估算。實(shí)現(xiàn)歷史消息管理策略1.固定輪數(shù)只保留最近 N 輪對(duì)話。2.摘要將早期對(duì)話總結(jié)成一段文本替換掉詳細(xì)歷史。3.重要信息提取將關(guān)鍵信息如用戶名、商品ID提取出來單獨(dú)維護(hù)而非全部放在歷史中。9. 最佳實(shí)踐與使用建議為了更高效、安全地使用 AI 輔助開發(fā)遵循以下建議從小功能開始驗(yàn)證不要一開始就讓 AI 生成整個(gè)系統(tǒng)。先讓它生成一個(gè)簡(jiǎn)單的實(shí)體類或一個(gè) API 端點(diǎn)驗(yàn)證其正確性和風(fēng)格是否符合你的項(xiàng)目。代碼審查是必須的將 AI 視為一個(gè)強(qiáng)大的實(shí)習(xí)生它寫的每一行代碼都需要你這位“導(dǎo)師”進(jìn)行仔細(xì)審查。重點(diǎn)關(guān)注業(yè)務(wù)邏輯、錯(cuò)誤處理、安全性和性能。為 AI 提供清晰上下文在使用 Claude Code 時(shí)通過注釋提供盡可能詳細(xì)的上下文。例如不只是說“生成一個(gè) Service”而是說明“生成一個(gè) ProductService需要包含根據(jù)名稱模糊查詢和分頁的方法”。管理好你的 API 密鑰與成本將 API Key 存儲(chǔ)在環(huán)境變量中不要硬編碼在代碼里。為云端 LLM API 設(shè)置用量告警和月度預(yù)算防止意外費(fèi)用。在測(cè)試階段可以使用更便宜、更快的模型如 GPT-3.5-turbo。設(shè)計(jì)可降級(jí)的智能在智能客服這類應(yīng)用中確保當(dāng) LLM API 不可用或返回異常時(shí)系統(tǒng)有降級(jí)方案例如轉(zhuǎn)接人工客服、返回預(yù)設(shè)的常見問題答案。關(guān)注數(shù)據(jù)隱私與合規(guī)避免通過 AI 助手處理敏感的個(gè)人信息如身份證號(hào)、銀行卡號(hào)。如果業(yè)務(wù)涉及需確保符合相關(guān)法律法規(guī)并考慮使用可本地部署的開源模型。持續(xù)迭代你的“Harness”本文實(shí)現(xiàn)的 Harness 是極簡(jiǎn)版。在實(shí)際項(xiàng)目中你需要不斷豐富它例如增加更多工具查詢訂單、計(jì)算運(yùn)費(fèi)、優(yōu)化工具調(diào)用邏輯、加入對(duì)話狀態(tài)管理、實(shí)現(xiàn)更復(fù)雜的工作流。通過本教程的實(shí)戰(zhàn)你應(yīng)該已經(jīng)掌握了利用 Claude Code 加速 Java/Python 項(xiàng)目開發(fā)以及構(gòu)建一個(gè)具備工具調(diào)用能力的智能客服應(yīng)用的核心方法。關(guān)鍵在于理解 AI 能力的邊界將其作為提升效率的杠桿而非替代你思考和設(shè)計(jì)的“黑箱”。從這兩個(gè)項(xiàng)目出發(fā)你可以繼續(xù)擴(kuò)展電商后臺(tái)的功能如用戶認(rèn)證、支付集成或?yàn)橹悄芸头黾诱Z音接口、情感分析等更高級(jí)的能力。 AI輔助編程實(shí)戰(zhàn)：Claude Code與Harness AI構(gòu)建Java電商與Python客服系統(tǒng)
這次我們來看一個(gè)結(jié)合了 Claude Code 和 Harness AI 的實(shí)戰(zhàn)項(xiàng)目目標(biāo)是讓初學(xué)者也能上手開發(fā) Java 電商后臺(tái)管理系統(tǒng)和 Python 智能客服應(yīng)用。這不是一個(gè)純理論教程而是聚焦于如何利用最新的 AI 輔助編程工具降低開發(fā)門檻提升項(xiàng)目構(gòu)建效率。對(duì)于初學(xué)者或希望提升開發(fā)效率的開發(fā)者來說最關(guān)心的問題通常是這些 AI 工具到底能不能用配置麻不麻煩能不能真正幫我寫出可運(yùn)行的代碼本文會(huì)直接切入核心先告訴你 Claude Code 和 Harness AI 是什么、能解決什么問題然后通過兩個(gè)完整的項(xiàng)目實(shí)戰(zhàn)Java 電商后臺(tái)和 Python 智能客服手把手演示從環(huán)境搭建、代碼生成、調(diào)試到項(xiàng)目集成的全過程。你將看到 AI 如何輔助完成從數(shù)據(jù)庫設(shè)計(jì)、API 接口開發(fā)到業(yè)務(wù)邏輯實(shí)現(xiàn)的各個(gè)環(huán)節(jié)。本文的重點(diǎn)不是空談概念而是提供可落地的操作指南。無論你是想快速驗(yàn)證一個(gè)想法還是希望將 AI 輔助開發(fā)融入現(xiàn)有工作流都可以從這里獲得直接的參考。1. 核心能力速覽在深入實(shí)戰(zhàn)之前我們先快速了解 Claude Code 和 Harness AI 這兩個(gè)核心工具的能力邊界和適用場(chǎng)景這有助于你判斷是否值得投入時(shí)間學(xué)習(xí)。能力項(xiàng)Claude CodeHarness AI核心定位專注于代碼生成、補(bǔ)全、解釋和調(diào)試的 AI 編程助手。一套包裹在 AI Agent 核心推理邏輯之外的基礎(chǔ)設(shè)施層用于管理 AI 工作流、工具調(diào)用和任務(wù)執(zhí)行。主要功能在 IDE 中根據(jù)注釋或上下文生成代碼片段解釋復(fù)雜代碼查找 Bug代碼重構(gòu)。定義和管理復(fù)雜的 AI 任務(wù)流程協(xié)調(diào)多個(gè)工具或 API 調(diào)用處理長期運(yùn)行任務(wù)的狀態(tài)和記憶。集成方式通常作為 IDE 插件如 VSCode 擴(kuò)展使用與編輯器深度集成。通常作為一個(gè)獨(dú)立的服務(wù)或框架通過 API 或 SDK 被主程序調(diào)用。硬件門檻無特殊要求依賴云端模型或本地部署的輕量級(jí)模型普通開發(fā)機(jī)即可運(yùn)行。取決于集成的 AI 模型復(fù)雜度可能需要在服務(wù)器環(huán)境部署以支持穩(wěn)定運(yùn)行。啟動(dòng)方式在 VSCode 等編輯器中安裝插件并配置 API 密鑰即可。需要通過代碼初始化 Harness 實(shí)例并配置相應(yīng)的 AI 模型、工具和工作流。適合場(chǎng)景日常編碼輔助、學(xué)習(xí)新語言/框架、快速原型開發(fā)、代碼審查。構(gòu)建復(fù)雜的 AI 應(yīng)用如智能客服、自動(dòng)化工作流、需要多步驟推理的任務(wù)。項(xiàng)目實(shí)戰(zhàn)目標(biāo)我們將使用Claude Code作為“編碼副駕駛”快速生成 Java 和 Python 的項(xiàng)目骨架與核心代碼。同時(shí)引入Harness AI的概念和簡(jiǎn)易實(shí)現(xiàn)來構(gòu)建一個(gè)具備多輪對(duì)話、工具調(diào)用能力的 Python 智能客服應(yīng)用。整個(gè)過程旨在展示“AI 輔助開發(fā)”的完整閉環(huán)。2. 適用場(chǎng)景與使用邊界了解工具的適用場(chǎng)景和邊界能幫助你更有效地利用它們避免走入誤區(qū)。Claude Code 最適合這些場(chǎng)景快速啟動(dòng)新項(xiàng)目當(dāng)你需要?jiǎng)?chuàng)建一個(gè)新的 Spring Boot 項(xiàng)目或 Flask 應(yīng)用時(shí)Claude Code 可以根據(jù)你的描述快速生成pom.xml、application.properties、主啟動(dòng)類等基礎(chǔ)文件。編寫樣板代碼例如生成實(shí)體類Entity、數(shù)據(jù)訪問層DAO/Repository、控制器Controller的增刪改查模板代碼能節(jié)省大量重復(fù)性輸入。學(xué)習(xí)和理解代碼遇到不熟悉的庫或復(fù)雜函數(shù)可以讓 Claude Code 解釋其作用和工作原理。調(diào)試與優(yōu)化將報(bào)錯(cuò)信息或異常堆棧提供給 Claude Code它可以提供可能的排查方向和修復(fù)建議。Harness AI在本實(shí)戰(zhàn)中的定位我們不會(huì)部署一個(gè)完整的、企業(yè)級(jí)的 Harness AI 平臺(tái)而是借鑒其思想——將 AI 的核心能力對(duì)話與外部工具如查詢數(shù)據(jù)庫、調(diào)用 API通過一個(gè)清晰的框架進(jìn)行編排。在本教程的 Python 智能客服部分我們會(huì)實(shí)現(xiàn)一個(gè)簡(jiǎn)易的“Harness”層來管理對(duì)話狀態(tài)和決定何時(shí)調(diào)用“商品查詢工具”。需要警惕的使用邊界不能完全替代思考AI 生成的代碼可能存在邏輯錯(cuò)誤、安全漏洞或性能問題。你必須具備基礎(chǔ)的代碼審查和調(diào)試能力。業(yè)務(wù)邏輯需人工把控復(fù)雜的業(yè)務(wù)規(guī)則、算法核心、涉及資金或安全的關(guān)鍵邏輯必須由開發(fā)者親自設(shè)計(jì)和驗(yàn)證。知識(shí)產(chǎn)權(quán)與合規(guī)確保生成的代碼不侵犯第三方版權(quán)特別是用于商業(yè)項(xiàng)目時(shí)。對(duì)于 AI 生成代碼的版權(quán)歸屬目前法律仍在發(fā)展中需保持關(guān)注。依賴管理AI 可能會(huì)推薦過時(shí)或不維護(hù)的庫你需要自行判斷和選擇穩(wěn)定的依賴版本。本教程的實(shí)戰(zhàn)項(xiàng)目均在本地開發(fā)測(cè)試環(huán)境進(jìn)行所有生成代碼需經(jīng)過人工審核和測(cè)試后再用于生產(chǎn)環(huán)境。3. 環(huán)境準(zhǔn)備與前置條件工欲善其事必先利其器。開始實(shí)戰(zhàn)前請(qǐng)確保你的開發(fā)環(huán)境滿足以下要求。3.1 基礎(chǔ)軟件環(huán)境操作系統(tǒng)Windows 10/11, macOS, 或 Linux (如 Ubuntu) 均可。本教程以通用命令為主。Java 開發(fā)環(huán)境JDK版本 8、11 或 17推薦 11 或 17。安裝后配置JAVA_HOME環(huán)境變量。Maven版本 3.6用于管理 Java 項(xiàng)目依賴和構(gòu)建。IDEVisual Studio Code (VSCode) 或 IntelliJ IDEA。本教程使用 VSCode 進(jìn)行演示因其與 Claude Code 插件集成方便。Python 開發(fā)環(huán)境Python版本 3.8 或 3.9。安裝后確保python和pip命令可用。包管理使用pip或conda。IDE同樣推薦 VSCode配合 Python 擴(kuò)展。3.2 Claude Code 插件安裝與配置這是實(shí)現(xiàn) AI 輔助編碼的關(guān)鍵步驟。安裝 VSCode從官網(wǎng)下載并安裝。安裝 Claude Code 插件打開 VSCode進(jìn)入擴(kuò)展市場(chǎng) (CtrlShiftX)。搜索 “Claude Code” 或 “Claude”。注意截至本文撰寫時(shí)Anthropic 官方可能未提供同名插件。你需要搜索并安裝可靠的、支持 Claude 模型的代碼助手插件例如 “Claude for VS Code”如果有或選擇其他支持 Claude API 的插件如需要手動(dòng)配置 API 的通用 AI 助手插件。一個(gè)常見的替代是安裝 “CodeGPT” 或 “通義靈碼” 等插件并在其設(shè)置中配置 Claude API。本教程假設(shè)你已安裝了一個(gè)能連接 Claude 模型如 Claude 3 Haiku/Sonnet的代碼助手插件。配置 API 密鑰你需要在 Anthropic 官網(wǎng)申請(qǐng) API Key。在插件的設(shè)置中找到 API 配置項(xiàng)填入你的 API Key 和正確的 API 端點(diǎn)地址。3.3 網(wǎng)絡(luò)與依賴下載穩(wěn)定的網(wǎng)絡(luò)連接Claude Code 插件通常需要訪問云端 AI 服務(wù)需保證網(wǎng)絡(luò)通暢。Maven 倉庫與 Pip 源建議配置國內(nèi)鏡像源如阿里云、清華源以加速依賴下載。4. 項(xiàng)目一Java 電商后臺(tái)管理系統(tǒng)實(shí)戰(zhàn)我們將從零開始使用 Claude Code 輔助搭建一個(gè)具備基礎(chǔ)商品和訂單管理功能的 Spring Boot 后端系統(tǒng)。4.1 項(xiàng)目初始化與骨架生成目標(biāo)快速創(chuàng)建 Spring Boot 項(xiàng)目結(jié)構(gòu)。使用 Spring Initializr (傳統(tǒng)方式) 訪問 start.spring.io 選擇Project: MavenLanguage: JavaSpring Boot: 2.7.x 或 3.x (推薦 3.x)Dependencies:Spring Web,Spring Data JPA,MySQL Driver,Lombok下載并解壓到工作目錄。使用 Claude Code 加速 (演示) 在 VSCode 中打開項(xiàng)目根目錄。假設(shè)我們想快速創(chuàng)建一個(gè)Product實(shí)體類可以在src/main/java/com/example/ecommerce/目錄下新建文件Product.java。 在文件中輸入以下注釋然后觸發(fā) Claude Code 的代碼生成通常是按CtrlI或根據(jù)插件提示// 創(chuàng)建一個(gè)JPA商品實(shí)體類包含id、名稱、描述、價(jià)格、庫存和創(chuàng)建時(shí)間字段。 // 使用Lombok注解簡(jiǎn)化代碼。Claude Code 可能會(huì)生成類似如下的代碼package com.example.ecommerce; import jakarta.persistence.*; import lombok.Data; import org.hibernate.annotations.CreationTimestamp; import java.math.BigDecimal; import java.time.LocalDateTime; Entity Data Table(name products) public class Product { Id GeneratedValue(strategy GenerationType.IDENTITY) private Long id; Column(nullable false) private String name; Column(length 1000) private String description; Column(nullable false, precision 10, scale 2) private BigDecimal price; Column(nullable false) private Integer stock; CreationTimestamp private LocalDateTime createTime; }檢查生成的代碼確保導(dǎo)包正確jakarta.persistence.*適用于 Spring Boot 3.x如果是 2.x 則是javax.persistence.*。4.2 核心業(yè)務(wù)層代碼生成目標(biāo)生成 Repository、Service 和 Controller。生成 Repository 在Product.java同級(jí)目錄創(chuàng)建ProductRepository.java輸入注釋// 創(chuàng)建一個(gè)JPA Repository接口用于商品數(shù)據(jù)訪問。生成代碼可能為package com.example.ecommerce; import org.springframework.data.jpa.repository.JpaRepository; import org.springframework.stereotype.Repository; Repository public interface ProductRepository extends JpaRepositoryProduct, Long { }生成 Service 創(chuàng)建ProductService.java輸入更詳細(xì)的注釋// 創(chuàng)建一個(gè)商品服務(wù)類包含以下方法 // 1. 獲取所有商品列表 // 2. 根據(jù)ID獲取單個(gè)商品 // 3. 創(chuàng)建新商品 // 4. 更新商品信息 // 5. 根據(jù)ID刪除商品 // 使用Service注解并注入ProductRepository。Claude Code 會(huì)生成包含基礎(chǔ) CRUD 邏輯的 Service 類。你需要仔細(xì)審查業(yè)務(wù)邏輯特別是更新和刪除操作確保其符合你的需求例如更新時(shí)只更新非空字段。生成 Controller 創(chuàng)建ProductController.java輸入注釋// 創(chuàng)建一個(gè)RESTful API控制器路徑前綴為/api/products。 // 包含對(duì)商品資源的GET、POST、PUT、DELETE映射。 // 使用RestController注解并注入ProductService。 // 處理請(qǐng)求并返回適當(dāng)?shù)腍TTP狀態(tài)碼。生成的 Controller 將包含GetMapping,PostMapping等端點(diǎn)。你需要檢查返回的數(shù)據(jù)格式如是否使用統(tǒng)一的響應(yīng)封裝和異常處理。4.3 數(shù)據(jù)庫配置與測(cè)試配置application.properties 使用 Claude Code 輔助生成配置。你可以提問“如何配置Spring Boot連接本地MySQL數(shù)據(jù)庫數(shù)據(jù)庫名稱為ecommerce” 根據(jù)回答配置如下# application.properties spring.datasource.urljdbc:mysql://localhost:3306/ecommerce?useUnicodetruecharacterEncodingutf8serverTimezoneUTC spring.datasource.usernameroot spring.datasource.passwordyour_password spring.datasource.driver-class-namecom.mysql.cj.jdbc.Driver spring.jpa.hibernate.ddl-autoupdate spring.jpa.show-sqltrue spring.jpa.properties.hibernate.dialectorg.hibernate.dialect.MySQL8Dialect運(yùn)行與測(cè)試在 MySQL 中創(chuàng)建ecommerce數(shù)據(jù)庫。在 VSCode 終端運(yùn)行mvn spring-boot:run啟動(dòng)應(yīng)用。使用 Postman 或 curl 測(cè)試/api/products接口。例如創(chuàng)建商品curl -X POST http://localhost:8080/api/products \ -H Content-Type: application/json \ -d {name:測(cè)試商品,description:這是一個(gè)測(cè)試,price:99.99,stock:100}訪問GET http://localhost:8080/api/products查看列表。至此Java 電商后臺(tái)的核心商品管理模塊已快速搭建完成。你可以按照相同模式讓 Claude Code 輔助生成Order,User等更多實(shí)體和對(duì)應(yīng)的業(yè)務(wù)層代碼。5. 項(xiàng)目二Python 智能客服應(yīng)用實(shí)戰(zhàn)在這個(gè)項(xiàng)目中我們將構(gòu)建一個(gè)更“智能”的應(yīng)用。核心是利用一個(gè)大型語言模型LLM作為大腦并為其裝備“工具”如查詢商品信息通過一個(gè)簡(jiǎn)易的Harness層來協(xié)調(diào)對(duì)話流程和工具調(diào)用。5.1 項(xiàng)目架構(gòu)與 Harness 思想實(shí)現(xiàn)我們的簡(jiǎn)易智能客服架構(gòu)如下LLM 核心使用 OpenAI API (或 Claude API) 作為對(duì)話引擎。工具層定義客服可以使用的功能例如query_product查詢商品。Harness 層一個(gè)調(diào)度器。它分析用戶問題決定是否需要調(diào)用工具、調(diào)用哪個(gè)工具將工具結(jié)果整合后再交給 LLM 生成最終回復(fù)。應(yīng)用層一個(gè)簡(jiǎn)單的命令行或 Web 界面。5.2 環(huán)境搭建與依賴安裝創(chuàng)建新的 Python 項(xiàng)目目錄并安裝必要庫# 創(chuàng)建項(xiàng)目目錄并進(jìn)入 mkdir smart_customer_service cd smart_customer_service # 創(chuàng)建虛擬環(huán)境 (可選但推薦) python -m venv venv # Windows 激活: venv\Scripts\activate # Linux/Mac 激活: source venv/bin/activate # 安裝核心依賴 pip install openai # 使用OpenAI API # 或者 pip install anthropic # 使用Claude API pip install pymysql # 用于連接MySQL數(shù)據(jù)庫模擬商品查詢 pip install fastapi uvicorn # 用于創(chuàng)建Web API可選5.3 核心代碼實(shí)現(xiàn)工具與 Harness模擬商品數(shù)據(jù)庫工具(product_tool.py) 我們先模擬一個(gè)商品查詢函數(shù)代替真實(shí)的數(shù)據(jù)庫操作。# product_tool.py product_database [ {id: 1, name: 智能手機(jī), price: 2999.00, stock: 50, category: 電子產(chǎn)品}, {id: 2, name: 無線耳機(jī), price: 399.00, stock: 200, category: 電子產(chǎn)品}, {id: 3, name: 編程書籍, price: 89.00, stock: 300, category: 圖書}, ] def query_product(product_nameNone, categoryNone): 查詢商品信息工具。 參數(shù): product_name (str): 商品名稱關(guān)鍵詞 category (str): 商品類別 返回: list: 匹配的商品列表 results product_database if product_name: results [p for p in results if product_name.lower() in p[name].lower()] if category: results [p for p in results if category.lower() p[category].lower()] return results簡(jiǎn)易 Harness 調(diào)度器(harness_scheduler.py) 這是本項(xiàng)目的核心它管理對(duì)話狀態(tài)并決定何時(shí)調(diào)用工具。# harness_scheduler.py import openai import json from product_tool import query_product # 配置你的 OpenAI API Key openai.api_key your_openai_api_key_here # 定義可用的工具列表供LLM知曉 available_tools [ { type: function, function: { name: query_product, description: 根據(jù)商品名稱或類別查詢商品信息如價(jià)格、庫存。, parameters: { type: object, properties: { product_name: {type: string, description: 商品名稱關(guān)鍵詞如‘手機(jī)’}, category: {type: string, description: 商品類別如‘電子產(chǎn)品’} } } } } ] class CustomerServiceHarness: def __init__(self): self.conversation_history [] # 存儲(chǔ)對(duì)話歷史 def process_user_query(self, user_input): 處理用戶輸入的核心方法 # 1. 將用戶輸入加入歷史 self.conversation_history.append({role: user, content: user_input}) # 2. 調(diào)用LLM并告知其可用的工具 response openai.ChatCompletion.create( modelgpt-3.5-turbo, # 或 gpt-4 messagesself.conversation_history, toolsavailable_tools, tool_choiceauto, # 讓模型自動(dòng)決定是否調(diào)用工具 ) message response.choices[0].message # 3. 檢查LLM是否決定調(diào)用工具 if message.get(tool_calls): # 4. 執(zhí)行工具調(diào)用 tool_call message.tool_calls[0] # 本例假設(shè)一次只調(diào)用一個(gè)工具 function_name tool_call.function.name function_args json.loads(tool_call.function.arguments) if function_name query_product: # 調(diào)用我們定義的商品查詢工具 tool_result query_product(**function_args) result_str json.dumps(tool_result, ensure_asciiFalse) # 5. 將工具執(zhí)行結(jié)果作為新消息追加到歷史 self.conversation_history.append(message) # 追加LLM要求調(diào)用工具的消息 self.conversation_history.append({ role: tool, tool_call_id: tool_call.id, name: function_name, content: result_str }) # 6. 再次調(diào)用LLM讓它結(jié)合工具結(jié)果生成最終回復(fù) second_response openai.ChatCompletion.create( modelgpt-3.5-turbo, messagesself.conversation_history, ) final_message second_response.choices[0].message self.conversation_history.append(final_message) return final_message.content else: # 如果LLM沒有調(diào)用工具直接返回其回復(fù) self.conversation_history.append(message) return message.content def reset_conversation(self): 重置對(duì)話歷史 self.conversation_history []5.4 測(cè)試智能客服創(chuàng)建一個(gè)簡(jiǎn)單的測(cè)試腳本test_customer_service.py# test_customer_service.py from harness_scheduler import CustomerServiceHarness def main(): harness CustomerServiceHarness() print(智能客服已啟動(dòng)輸入‘退出’結(jié)束對(duì)話。) while True: user_input input(\n用戶: ) if user_input.lower() in [退出, exit, quit]: print(客服: 感謝您的咨詢?cè)僖? break response harness.process_user_query(user_input) print(f客服: {response}) if __name__ __main__: main()運(yùn)行測(cè)試python test_customer_service.py測(cè)試對(duì)話示例用戶: 你們有哪些電子產(chǎn)品 客服: 我們有以下電子產(chǎn)品智能手機(jī)價(jià)格2999元庫存50件無線耳機(jī)價(jià)格399元庫存200件。 用戶: 那本書多少錢 客服: 您說的編程書籍價(jià)格是89元目前庫存300件。這個(gè)對(duì)話展示了 Harness 的工作流程用戶問“電子產(chǎn)品”LLM 決定調(diào)用query_product(category電子產(chǎn)品)工具獲取結(jié)果后生成回復(fù)。用戶問“書”LLM 能聯(lián)系上下文調(diào)用query_product(product_name書)。6. 接口 API 與批量任務(wù)將上述能力封裝成 API 服務(wù)是實(shí)際應(yīng)用的關(guān)鍵一步。同時(shí)客服系統(tǒng)可能面臨批量處理任務(wù)如批量導(dǎo)入知識(shí)庫。6.1 使用 FastAPI 暴露智能客服接口基于之前的CustomerServiceHarness類我們可以快速創(chuàng)建一個(gè) Web API。# main.py (FastAPI 應(yīng)用) from fastapi import FastAPI, HTTPException from pydantic import BaseModel from harness_scheduler import CustomerServiceHarness import uuid app FastAPI(title智能客服API) # 用一個(gè)字典來管理不同會(huì)話的Harness實(shí)例鍵為session_id session_harness_map {} class UserQuery(BaseModel): session_id: str None # 如果為空則創(chuàng)建新會(huì)話 query: str class QueryResponse(BaseModel): session_id: str response: str app.post(/chat, response_modelQueryResponse) async def chat(user_query: UserQuery): try: session_id user_query.session_id if not session_id or session_id not in session_harness_map: # 創(chuàng)建新會(huì)話 session_id str(uuid.uuid4()) session_harness_map[session_id] CustomerServiceHarness() print(f創(chuàng)建新會(huì)話: {session_id}) harness session_harness_map[session_id] response_text harness.process_user_query(user_query.query) return QueryResponse(session_idsession_id, responseresponse_text) except Exception as e: raise HTTPException(status_code500, detailstr(e)) app.delete(/session/{session_id}) async def end_session(session_id: str): if session_id in session_harness_map: del session_harness_map[session_id] return {message: f會(huì)話 {session_id} 已結(jié)束} else: raise HTTPException(status_code404, detail會(huì)話不存在) if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)啟動(dòng)服務(wù)python main.py。現(xiàn)在你可以用任何 HTTP 客戶端如 Postman與智能客服對(duì)話了。6.2 批量任務(wù)處理思路對(duì)于客服系統(tǒng)批量任務(wù)可能包括批量導(dǎo)入問答對(duì)將整理好的 QA 對(duì)導(dǎo)入系統(tǒng)知識(shí)庫。批量測(cè)試對(duì)話流用一組標(biāo)準(zhǔn)問題測(cè)試客服的回復(fù)準(zhǔn)確率。實(shí)現(xiàn)思路設(shè)計(jì)任務(wù)隊(duì)列可以使用 Redis 的 List 或?qū)I(yè)的任務(wù)隊(duì)列如 Celery。編寫任務(wù)處理器一個(gè)獨(dú)立的腳本或服務(wù)從隊(duì)列中取出任務(wù)調(diào)用CustomerServiceHarness進(jìn)行處理并將結(jié)果存入數(shù)據(jù)庫或文件。任務(wù)示例批量測(cè)試# batch_tester.py import requests import time BASE_URL http://localhost:8000 TEST_QUESTIONS [ 電子產(chǎn)品有哪些, 最貴的商品是什么, 圖書庫存夠嗎 ] def run_batch_test(): session_id None results [] for q in TEST_QUESTIONS: payload {session_id: session_id, query: q} try: resp requests.post(f{BASE_URL}/chat, jsonpayload, timeout30) resp_data resp.json() session_id resp_data[session_id] # 沿用同一會(huì)話 results.append({question: q, answer: resp_data[response]}) print(fQ: {q}\nA: {resp_data[response][:50]}...) # 打印前50字符 time.sleep(1) # 避免請(qǐng)求過快 except Exception as e: results.append({question: q, error: str(e)}) # 結(jié)果可以寫入文件或數(shù)據(jù)庫 import json with open(batch_test_results.json, w, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) print(批量測(cè)試完成結(jié)果已保存。) if __name__ __main__: run_batch_test()7. 資源占用與性能觀察這兩個(gè)項(xiàng)目的資源消耗主要取決于你集成的 AI 服務(wù)運(yùn)行方式。Java 電商后臺(tái)本地運(yùn)行一個(gè)基礎(chǔ)的 Spring Boot 應(yīng)用內(nèi)存占用通常在 300MB - 800MB 之間取決于 JVM 堆設(shè)置和加載的數(shù)據(jù)量。CPU 占用很低。關(guān)鍵觀察點(diǎn)應(yīng)用啟動(dòng)時(shí)間、API 響應(yīng)延遲應(yīng) 100ms、數(shù)據(jù)庫連接池狀態(tài)。Python 智能客服本地運(yùn)行API調(diào)用模式本地的 FastAPI 服務(wù)本身資源消耗極低 100MB 內(nèi)存。主要的性能和成本來自對(duì)云端 LLM API如 OpenAI/Claude的調(diào)用。性能關(guān)鍵指標(biāo)API 調(diào)用延遲一次完整的“用戶提問 - LLM思考 - (可能)工具調(diào)用 - LLM回復(fù)”流程通常需要 2-10 秒取決于模型和網(wǎng)絡(luò)。Token 消耗這是成本核心。輸入和輸出的總 Token 數(shù)決定了 API 調(diào)用費(fèi)用。對(duì)話歷史越長Token 消耗越多。需要在harness_scheduler中考慮歷史消息的截?cái)嗷蛘呗浴９ぞ哒{(diào)用開銷本地工具如query_product執(zhí)行很快但如果工具涉及外部網(wǎng)絡(luò)請(qǐng)求如查詢真實(shí)數(shù)據(jù)庫、調(diào)用第三方 API則會(huì)增加延遲。優(yōu)化建議緩存對(duì)頻繁查詢的商品信息進(jìn)行緩存。異步處理對(duì)于耗時(shí)長的任務(wù)如生成報(bào)告使用 FastAPI 的BackgroundTasks或消息隊(duì)列異步處理避免阻塞主請(qǐng)求。限制歷史長度在CustomerServiceHarness中可以只保留最近 N 輪對(duì)話或?qū)⒑荛L的歷史總結(jié)成一段摘要再提供給 LLM。8. 常見問題與排查方法在開發(fā)和運(yùn)行過程中你可能會(huì)遇到以下問題問題現(xiàn)象可能原因排查方式解決方案Claude Code 插件無響應(yīng)或代碼生成失敗1. API Key 配置錯(cuò)誤或失效。2. 網(wǎng)絡(luò)問題無法連接 AI 服務(wù)。3. 插件版本過舊或與 VSCode 不兼容。1. 檢查插件設(shè)置中的 API Key 和 Endpoint。2. 嘗試在瀏覽器中訪問 API 提供商官網(wǎng)測(cè)試網(wǎng)絡(luò)。3. 查看 VSCode 的輸出面板Output看是否有插件報(bào)錯(cuò)日志。1. 重新生成并配置正確的 API Key。2. 檢查代理或防火墻設(shè)置。3. 更新插件或 VSCode 到最新版本。Java 項(xiàng)目啟動(dòng)失敗報(bào)數(shù)據(jù)庫連接錯(cuò)誤1. MySQL 服務(wù)未啟動(dòng)。2.application.properties中的數(shù)據(jù)庫連接信息URL、用戶名、密碼錯(cuò)誤。3. 數(shù)據(jù)庫驅(qū)動(dòng)版本不匹配。1. 檢查 MySQL 服務(wù)狀態(tài)。2. 使用命令行工具如mysql -u root -p測(cè)試是否能連接。3. 檢查pom.xml中mysql-connector-java的版本是否與 MySQL 服務(wù)器版本兼容。1. 啟動(dòng) MySQL 服務(wù)。2. 修正連接配置。3. 調(diào)整驅(qū)動(dòng)版本Spring Boot 3.x 通常使用mysql-connector-j。智能客服 API 返回“Internal Server Error”1. OpenAI/Claude API Key 未設(shè)置或錯(cuò)誤。2.harness_scheduler.py中工具調(diào)用邏輯出錯(cuò)。3. 請(qǐng)求超時(shí)。1. 檢查openai.api_key是否已正確賦值。2. 查看 FastAPI 服務(wù)的控制臺(tái)日志會(huì)有詳細(xì)的 Python 異常堆棧信息。3. 增加 API 調(diào)用的超時(shí)時(shí)間。1. 設(shè)置正確的 API Key。2. 根據(jù)日志修復(fù)代碼邏輯特別是工具函數(shù)的參數(shù)解析和調(diào)用。3. 在openai.ChatCompletion.create調(diào)用中增加timeout參數(shù)。LLM 不調(diào)用工具總是直接回答1. 工具描述 (description) 不夠清晰LLM 不理解何時(shí)使用。2. 用戶問題表述模糊LLM 無法提取調(diào)用工具所需的參數(shù)。1. 檢查available_tools中函數(shù)的description和parameters描述是否準(zhǔn)確、具體。2. 在對(duì)話歷史中查看 LLM 返回的完整消息分析其思考過程如果 API 支持。1. 優(yōu)化工具描述明確其適用場(chǎng)景。例如“當(dāng)用戶詢問商品價(jià)格、庫存、有哪些商品時(shí)使用此工具”。2. 在用戶界面引導(dǎo)用戶問得更具體或在 Harness 層添加一個(gè)預(yù)處理步驟對(duì)用戶問題進(jìn)行澄清或補(bǔ)全。對(duì)話上下文混亂LLM 忘記之前內(nèi)容CustomerServiceHarness中的conversation_history無限增長導(dǎo)致超出模型上下文長度或被截?cái)?。打印conversation_history的長度或 Token 數(shù)估算。實(shí)現(xiàn)歷史消息管理策略1.固定輪數(shù)只保留最近 N 輪對(duì)話。2.摘要將早期對(duì)話總結(jié)成一段文本替換掉詳細(xì)歷史。3.重要信息提取將關(guān)鍵信息如用戶名、商品ID提取出來單獨(dú)維護(hù)而非全部放在歷史中。9. 最佳實(shí)踐與使用建議為了更高效、安全地使用 AI 輔助開發(fā)遵循以下建議從小功能開始驗(yàn)證不要一開始就讓 AI 生成整個(gè)系統(tǒng)。先讓它生成一個(gè)簡(jiǎn)單的實(shí)體類或一個(gè) API 端點(diǎn)驗(yàn)證其正確性和風(fēng)格是否符合你的項(xiàng)目。代碼審查是必須的將 AI 視為一個(gè)強(qiáng)大的實(shí)習(xí)生它寫的每一行代碼都需要你這位“導(dǎo)師”進(jìn)行仔細(xì)審查。重點(diǎn)關(guān)注業(yè)務(wù)邏輯、錯(cuò)誤處理、安全性和性能。為 AI 提供清晰上下文在使用 Claude Code 時(shí)通過注釋提供盡可能詳細(xì)的上下文。例如不只是說“生成一個(gè) Service”而是說明“生成一個(gè) ProductService需要包含根據(jù)名稱模糊查詢和分頁的方法”。管理好你的 API 密鑰與成本將 API Key 存儲(chǔ)在環(huán)境變量中不要硬編碼在代碼里。為云端 LLM API 設(shè)置用量告警和月度預(yù)算防止意外費(fèi)用。在測(cè)試階段可以使用更便宜、更快的模型如 GPT-3.5-turbo。設(shè)計(jì)可降級(jí)的智能在智能客服這類應(yīng)用中確保當(dāng) LLM API 不可用或返回異常時(shí)系統(tǒng)有降級(jí)方案例如轉(zhuǎn)接人工客服、返回預(yù)設(shè)的常見問題答案。關(guān)注數(shù)據(jù)隱私與合規(guī)避免通過 AI 助手處理敏感的個(gè)人信息如身份證號(hào)、銀行卡號(hào)。如果業(yè)務(wù)涉及需確保符合相關(guān)法律法規(guī)并考慮使用可本地部署的開源模型。持續(xù)迭代你的“Harness”本文實(shí)現(xiàn)的 Harness 是極簡(jiǎn)版。在實(shí)際項(xiàng)目中你需要不斷豐富它例如增加更多工具查詢訂單、計(jì)算運(yùn)費(fèi)、優(yōu)化工具調(diào)用邏輯、加入對(duì)話狀態(tài)管理、實(shí)現(xiàn)更復(fù)雜的工作流。通過本教程的實(shí)戰(zhàn)你應(yīng)該已經(jīng)掌握了利用 Claude Code 加速 Java/Python 項(xiàng)目開發(fā)以及構(gòu)建一個(gè)具備工具調(diào)用能力的智能客服應(yīng)用的核心方法。關(guān)鍵在于理解 AI 能力的邊界將其作為提升效率的杠桿而非替代你思考和設(shè)計(jì)的“黑箱”。從這兩個(gè)項(xiàng)目出發(fā)你可以繼續(xù)擴(kuò)展電商后臺(tái)的功能如用戶認(rèn)證、支付集成或?yàn)橹悄芸头黾诱Z音接口、情感分析等更高級(jí)的能力。