一、行政办公场景一、行政办公场景1.1 会议管理需求：会议室预订冲突、会议效率低、会议纪要整理耗时（但很有可能涉及隐私安全问题）AI任务：智能会议室预订（根据参会人数、设备需求自动推荐）会议语音转文字实时记录自动生成会议纪要和待办事项会议内容摘要和关键决策提取多语言实时翻译（跨国会议）技术方案：语音识别（ASR）+ NLP摘要 + 知识图谱（提取人物、任务、时间）日历系统集成 + 推荐算法量化价值

一、行政办公场景一、行政办公场景1.1 会议管理需求：会议室预订冲突、会议效率低、会议纪要整理耗时（但很有可能涉及隐私安全问题）AI任务：智能会议室预订（根据参会人数、设备需求自动推荐）会议语音转文字实时记录自动生成会议纪要和待办事项会议内容摘要和关键决策提取多语言实时翻译（跨国会议）技术方案：语音识别（ASR）+ NLP摘要 + 知识图谱（提取人物、任务、时间）日历系统集成 + 推荐算法量化价值

接下来，当用户的问题被判断为属于经营范围后，会实际的去查询对应的工具，比如不同的知识库，但在执行实际的查询之前，我们需要先通过任务分解组件去拆分用户输入进来的问题，因为用户的问题可能包含多个子任务，比如：请问你家的冰箱和电视都有哪些型号，这明显是两个任务，分别为：冰箱的型号和电视的型号。在具体的实现上，任务分解组件会根据用户的问题，生成一个任务列表，然后根据任务列表中的每一个子任务的性质，选择合适

6、多工具集成：通过LangChain的Tool组件，采用LangGraph图结构的Map-Reduce分支，实现多工具并行调用，并更具任务分解后的子任务进行结果汇总和处理。5、Neo4j图数据库检索：预构建规则库，大模型根据用户意图自动生成Cypher语句，实现结构化知识库的检索，作为Langgraph的子图接入到图结构中。3、用户意图识别：通过Langchain的PromptTemplate+

同时使用结构化输出声明，让模型只返回JSON格式。背景：按甲方需求，他们希望他们的客服机器人能够更加智能，甲方单日咨询量大约在五千到一万条，此前他们的客服机器人主要依赖FAQ，命中率比较低，需要大量的人工介入，后来接入产品说明书、产品数据库、售后政策等来作为RAG的知识库，但是问题很多，比如幻觉严重、多跳问题处理的效果不好、结构化数据和非结构化数据割裂等等。上线后，用上线日志做难负样本挖掘，把误分

要有一个明确的规则体系，有清晰的定义，哪一步该调用什么样的模型来完成任务，这一步是一个什么样的角色，这些都要在做的时候规划清楚。这个图节点负责处理需要更多信息才能回答的问题，比如用户询问商品但没有提供具体型号或规格、用户询问订单状态但没有提供订单号等，这种情况下是没有办法去本地的数据库或者知 识库中查询出有效结果的，所以需要引导用户提供更多支撑知识库检索的必要信息。用户输入的问题一定会是千奇百怪，

接下来，当用户的问题被判断为属于经营范围后，会实际的去查询对应的工具，比如不同的知识库，但在执行实际的查询之前，我们需要先通过任务分解组件去拆分用户输入进来的问题，因为用户的问题可能包含多个子任务，比如：请问你家的冰箱和电视都有哪些型号，这明显是两个任务，分别为：冰箱的型号和电视的型号。在具体的实现上，任务分解组件会根据用户的问题，生成一个任务列表，然后根据任务列表中的每一个子任务的性质，选择合适