我先给结论：租房交接H5最值得做的，是把“房间现状、表数、钥匙和双方确认”留在同一份记录里，花哨的电子合同可以往后放。我帮一位管着12套房的朋友整理流程时，没先画原型，只写了9句人话。零代码做H5、租房交接清单、房屋验收记录、AI生成H5、不会编程做应用。

顾客发图，助手不是凭空想象，是去这个库里找真实在售的货,所以不会推荐一个不存在的商品出来。那是去年双十一前，一个做女装的朋友拉着我喝奶茶，吐槽：顾客在店里发张商品图问"有没有同款别的颜色""配什么裤子",客服回不过来。它早期给的建议像复制粘贴的电商文案，"轻松穿出高级感"那种，顾客一看就知道是机器。我后来让它对颜色拿不准时回一句"看着像深蓝，您要的是这个吗"，先确认再推。我要的是：顾客丢一张衣服照

先把结论甩前面：想让大模型别瞎编，靠 prompt 写「请不要编造」基本没用，得逼它每句话都挂知识库的引用来源，查不到就老老实实说不知道——这套组合拳我跑了两周，幻觉肉眼可见地降了。下面是我自己踩过坑后总结的步骤。事情起因挺糟心的。上个月我给一个内部客服场景做问答机器人，测试同事问了句「我们 7 天无理由退货的运费谁出」，模型答得那叫一个流畅，条款编号、责任划分、甚至「依据《消费者权益保护法》第

我本来都想好要写多少胶水代码了——结果用了一个零代码就能配智能体的平台,拖几个节点、把 Prompt 填进去、挂个现成模型,半天就跑起来了,一行业务代码没写。它也就是个干杂活的,真正难的业务判断还得人来,Prompt 写得干瘪它照样给你干瘪的结果——第一版我图省事写太简略,出来的周报跟流水账似的,还是回去把要求写细了才像样。小心是没用的,人一定会改错,要做的是让"改错"这件事的代价变小。后来复盘才

做带知识库的智能体，迟早碰到这个岔路口：知识库这块，是自己搭一套向量库（Milvus、pgvector 这些），还是直接用平台现成的 RAG 能力？我两边都干过，这篇帮你把决策条件理清楚，别凭感觉拍。

跨境电商最头疼的事之一：一份中文产品手册，要同时支撑英语、西语、阿拉伯语用户的客服问答。很多人第一反应是"那就把知识库翻译成五种语言各存一份"。我先说结论——那是下策，会把自己埋进维护地狱。下面讲讲我的思路和踩的坑。

讲个真实的坑：政策文档常有"附件3见正文"这种跨文件引用，按单文件切片会把上下文切断，召回回来是半句话。落地我用的是一个零代码搭智能体、带场景化知识库的平台，知识库支持按文档增量管理、配定时同步，不用自己写向量库的增删改脚本。但有个取舍：它的切片粒度是几个预设档，特别刁钻的文档结构（比如复杂表格嵌套）自动切的效果一般，得自己拆好再传。每个向量块要带上来源文档ID,更新某份文档时，先按文档ID把它的

搭 Agent 第一个该想清楚的问题不是"用啥模型",是"我要哪种 Agent"。现在的平台一般给三档:指令型、工作流、自主。很多人上来就奔最高级的自主,结果简单活也搞得不可控。这篇把三者底层的差别讲明白,再给个怎么挑的判断。

前端接入大模型、长文摘要 API、不训练模型加 AI 功能、讯飞星辰 Agent、MCP Server、文档提炼

Q：为啥要做引用定位？A：因为没有出处的AI答案，业务方根本不敢信。我们法务那边的合规问答智能体，最早就是吃了这亏——它答得头头是道，法务问一句"这条哪来的"，答不上来，整个工具就被打入冷宫。后来我把"答案标注来源段落"做出来，标出每句结论出自知识库哪一段，法务才肯用。记一下怎么做的。