摘要：本文记录了一位20年老程序员与AI协作，仅用2-3小时搭建社保智能客服系统的实战过程。系统从单轮问答升级为多轮Agent，实现了12项社保业务办理功能。开发采用真/假服务分层策略，核心功能使用真实服务，非关键模块用桩模拟。文章详细记录了14个关键问题的解决过程，包括字段校验、上下文处理、语音集成等挑战。最终系统支持多业务配置化扩展、敏感信息后置采集、移动端语音交互等特性，展示了AI辅助开发的

好的Prompt不是万能咒语，是把不确定的东西确定化——告诉AI"按这个规则、在这个位置、用这个命令运行"。约束越具体，生成结果越接近可用。AI写测试代码的价值不是"全自动生成"——是省掉重复的骨架代码。每个Service的测试都要写@Mock的初始化，每个Controller的测试都要写MockMvc的。这些Prompt把骨架交给了AI，人只负责填充业务断言。

这篇文章介绍了社保智能客服系统从RAG（检索增强生成）向Agent（智能代理）的进化过程。主要内容包括： RAG的局限性：只能处理知识问答，无法完成实际业务办理 Agent的核心功能：意图识别、多轮对话、字段收集、外部工具调用等 系统架构：在RAG基础上增加Agent Core层，包含意图识别引擎和状态机控制器 关键技术： 三种上下文状态（空闲、收集、确认）对应不同工具集 基于Function C

组件安装方式EasyOCR，首次运行自动下载模型（约100MB）PaddleOCR，表格模型需手动下载讯飞语音，需注册讯飞开放平台获取APPID/KeyPython3.9-3.11三个工具都不需要GPU，CPU就能跑。PaddleOCR和讯飞语音在有GPU的环境下会更快。工具做了什么关键点EasyOCR简单文字识别安装最简单，中文准确率一般PaddleOCR中文文字+表格识别政务场景首选，表格识别

写代码是一种技能，做开发是一种职业。技能可以用AI替代——AI写代码比任何人都快。职业不能用AI替代——因为职业要求的是需求理解、技术选型、异常处理、版本管理、交付责任这些AI做不到的事。一个成熟的开发，不是代码写得最快的人，是甲方对需求说不清楚的时候，你能帮他理清楚；系统半夜出故障的时候，你能上去排；三个月后别人维护你的代码，他能看懂。这三件事，AI一件都做不了。

测试的核心能力不是"会用什么工具"——自动化工具三个月换一代，AI写测试脚本比人快。但知道测什么、知道怎么设计边界用例、知道怎么把缺陷定位到根因——这三样能力跟工具无关，跟思维方式有关。开发的思维是"让我看看怎么把这个功能做对"。测试的思维是"让我看看怎么把这个功能搞坏"。AI永远不会主动去想"这个输入框输入负数会怎样"——除非你告诉它。因为AI没有破坏性思维，它只会做你让它做的事。测试的价值就在

架构师的核心能力，不是画图、不是技术选型、不是写设计文档。是知道一段代码的改动对全局有什么连锁反应。这个能力不来自书本。来自你亲手写过每一层代码、部署过每一台服务器、排过每一个深夜的故障、跟每一个甲方确认过签字。来自你全链路落地过的每一个系统——不是管过，是自己做过。

进度：AI不是让你写得更快，是让你把"写"的精力全部释放给"想"。质量：AI帮你找显式Bug，你靠经验找隐式Bug。方法：两步法——没想清楚聊透，想清楚了直接执行。测试：单元测试、API测试、E2E联调——六个方向的自动化测试方案，AI能覆盖95%的测试工作量。底线：AI给你的答案在它的范围内是完整的，但在你的场景下不一定——用你的经验补齐。心态：不需要会数学推导，不需要会调参，会用就能提效。用起

数据库慢了，不一定是SQL的问题。先看iostat和free，确认瓶颈在哪一层。（一）只会写SQL↓ 查询慢了（二）学会看执行计划，加索引↓ 索引也救不了（三）数据库起不来了，逼着理解WAL和redo↓ undo也坏了（四）逼着理解MVCC和undo↓ 不能老出事才救（五）学参数、内存、监控、备份↓ 换了个项目，数据库换成了MySQL（六）发现原理都一样↓ 数据库没问题，系统还是慢（七）跳出数据库

本项目通过Ollama本地Embedding + Milvus向量检索 + DeepSeek推理零Embedding API成本的语义检索基于知识库的准确回答（减少幻觉）流式输出 + 语音交互的良好用户体验整套方案技术栈开源、部署简单，适合政府、企业等有私有知识库的智能客服场景。相关技术文档Milvus官方文档：https://milvus.io/docsOllama官方文档：https://ol