使用VAPI和Twilio构建WooCommerce售后AI语音助手与RAG系统

这个工作流将**检索增强生成（RAG）系统**与**WooCommerce售后AI代理**集成在一起。它结合了基于向量的搜索（Qdrant + OpenAI嵌入）与大型语言模型（Google Gemini和GPT-4o-mini），以提供准确且具有上下文感知的响应。

两个系统都连接到**VAPI webhooks**，使得该工作流可以通过**Twilio**电话号码在**语音AI助手**中使用。

工作流通过webhooks从VAPI接收JSON有效载荷，通过适当的链（代理或RAG）处理请求，并将结构化响应发送回VAPI，以便向用户朗读。

## 实现步骤

### 第一步：创建VAPI工具
– 创建两个”API请求”工具：
– WooCommerce工具：连接n8n webhook并设置两个参数作为请求体：’email’和’n_order’
– RAG工具：连接n8n webhook并设置’search’参数作为请求体

### 第二步：配置向导
– 通过生成包含第一步中创建的两个工具功能的系统提示来创建向导
– 在语音选项卡中设置语音
– 在”工具”选项卡中包含第一步中创建的两个工具

### 第三步：配置电话号码
– 从Twilio创建或导入电话号码，设置为”入站”
– 将电话号码与向导关联

## 系统组件

### 售后代理系统
– **Webhook**：接收来自VAPI的请求
– **Post-Sales Agent**：处理售后查询的AI代理
– **GPT 4o-mini**：提供语言模型支持
– **WooCommerce工具**：获取订单、用户和跟踪信息
– **Calculator**：计算工具
– **Set response**：设置响应格式
– **Send response to VAPI**：将响应发送回VAPI

### RAG系统
– **rag Webhook**：接收RAG查询请求
– **Question and Answer Chain**：问答链处理
– **Google Gemini Chat Model**：Google Gemini聊天模型
– **Vector Store Retriever**：向量存储检索器
– **Qdrant Vector Store**：Qdrant向量存储
– **Embeddings OpenAI**：OpenAI嵌入
– **Send RAG response to VAPI**：发送RAG响应到VAPI

### 跟踪系统
– **When Executed by Another Workflow**：工作流执行触发器
– **Get tracking**：HTTP请求获取跟踪信息
– **Set tracking code**：设置跟踪代码

## 关键功能

### 订单信息检索
– 使用`get_order`获取单个订单的详细信息
– 使用`get_orders`检索单个客户的多个订单
– 使用`get_user`获取客户档案信息

### 跟踪与支持
– 使用`get_tracking`通过订单号获取订单跟踪信息
– 严格的身份验证：始终验证提供的电子邮件是否与订单号匹配

### RAG知识库
– 从向量数据库中提取保存的信息
– 基于检索的增强生成，提供准确的上下文响应

## 技术要求
– WooCommerce商店
– VAPI账户
– Twilio电话号码
– Qdrant向量数据库
– OpenAI API密钥
– Google Gemini API密钥