本文介绍了企业级智能体的应用场景和搭建方法。智能体通过整合知识库、流程编排和大模型能力，可应用于知识问答、业务办理、内容润色和线索挖掘等场景。重点阐述了知识库建设（结构化/非结构化）、插件开发、流程节点设计等核心技术，并以保险系统运营助手为例，展示了从知识库构建到智能体部署的全流程。文章还提供了基于"扣子"平台的搭建实战案例，演示了FAQ问答和文档分析两种典型场景的实现效果。

一、应用场景

1. 知识问答场景：适用于已有大量业务知识沉淀的业务场景，可为此类业务提供非技术也可以主导的管能体方案，包括知识库的维护和在智能体中的应用；
2. 业务办理场景：适用于用户进线办理业务的场景，使用插件接口打通智能体和业务系统后，智能可利用大模型的规划、推理等能力，帮用户完成业务办理
3. 内容润色场景：适用于邮件总结、公文错别字排查、PPT大岗文案等场景，可为办公场景提供多和提效工具。
4. 线索挖掘场景，适用于需要从客户沟通细节发现商机的业务场景，在业务人员或人工坐席遗漏的情况下，仍可根据具体产品和客户信息/发言，发现商机线索，提供相关建议。

二、智能体介绍

1、智能体

        智能体是大模型的企业落地应用，通过引入个性化的知识库、流程编排、LLM提示词工程、插件等，将专业化的大型任务进行更精细的拆分，更加符合个性化需求，充分利用大模型能力解决专业性和针对性更强、规模更大的和复杂度更高的问题。

        单纯的提示词工程更适用于解决通用化的问题，面向C端。

        通过引入知识库和LLM，智能体广泛应用于智能问答助手、办公助手等；通过插件引入和MCP开发，能够将智能体的流程节点关联到项目代码，实现业务流程的智能化和高效化。

2、知识库

（1）传统大模型适用更加通用的问题，回答结果具有普适性和联想性。引入专业知识库并加入限制后，智能体的搜集和分析材料基于知识库，可以让智能体的解决方案更加专业化，减少联想胡乱回答的情况。

（2）知识库的搭建主要是结构化知识和非结构化知识。

        结构化知识通常用于FAQ咨询问答助手，采用excel的形式，录入标准问答，LLM准确精细度和匹配度设置的较高。经过语义分析和知识库分析后，输出答案。

        非结构化的知识主要通过文档的形式，涉及到切片和最小片段设置，LLM准确精细度和匹配度设置的较低，能够更加专业化的提取、总结、分析。

        为了提高精确度，非结构化的知识，可以经过人工进行处理，比如markdown进行结构化处理，以及对知识文档进行人工分类标签的标注即数据打标，或者将知识库以图数据库的形式存储，明确节点 （实体）和边（关联关系）。

（3）知识库节点的输出，通常配合LLM节点的参数，将分析到的内容作为提示词工程prompt的背景知识，加入任务要求和用户输入，调用大模型做出回答。

3、插件

        插件相当于api接口，扩展智能体的能力。可以使用已有的插件，与其他应用软件和通用功能的软件进行连接，比如抖音插件、头条插件、图片转文字插件。也可以将智能体的节点连入到项目的接口中，进行业务流程智能化开发，通常采用MCP插件。

4、流程编排

智能体流程的节点包括普通的流程节点和特色节点。普通流程节点包括 起始节点、条件判断分支节点、循环节点、结束节点等；特色节点主要是 知识库节点、LLM节点（提示词工程）、代码节点（处理输出内容，如知识库常返回json形式的，需要进行提取处理，再输入到下一节点）、MCP节点（连接代码接口、数据库等）、插件节点等。

智能体编排好后，还可以将智能体作为一个节点，进行多智能体的流程编排，进行大型项目工程的实现。

5、LLM节点

通常上一节点是知识库节点。通过采用提示词工程prompt进行标准化提问（LangGpt、CRISPE等），设置精确度、回文数、最大切片等定义精确度。

5、搭建思路

1. 构建问题所需知识库，最好处理成结构化知识，采用表格和markdown等形式。
2. 构建迭代后的最佳提示词prompt
3. 将问题按照层级拆分，规模大和工程性强的拆分成多个智能体。一个智能体是一个流程，将一个流程的问题继续拆分成小问题，小流程查分成不同分支，引入所需的知识库节点、LLM节点、代码节点、分支节点、插入节点等。输出节点可用于调试观测。

三、智能体节点示例

1、开始节点

用于用户输入，可以设置欢迎语，也用于后续节点的入参

开始节点
入参	名称	描述	类型
	message	用户的首次输入，用于下一个节点的入参值。	String/number等

2、知识库节点

搭配结构化和非结构化知识库，结构化知识库如果找不到，再分支到非结构化，用大模型通用能力处理

知识库节点1
入参	名称	描述	动作	值	1、入参可以多个，可以直接赋值、智能体流程中当前节点之前的节点参数值、系统变量。 2、系统变量：用户最后一次输入、本轮会话中的输入输出、会话ID、上传文件的URL。
	message	字符串检索时使用的关键信息	拷贝上一节点的参数/直接赋值	{{开始节点}}. {{message}}
知识库（多个）	FAQ咨询问题知识库-类目1				单个知识库设置： 1、语义检索（基于切片和语义理解）、全文检索（固定词）、混合； 2、默认最大片段数：从知识库中查询n条结果，越小适用于精确性越高的场合0-10。
	文档类专业知识库-类目2
出参	名称	描述	类型
	output		String/ number等

3、判断节点

判断条件的入参为上一分支的出参

判断节点
条件分支（指向后续节点）	表达式	条件
代码节点	{{开始节点}}.{{message}}	非空
	{{知库识节点1}}.{{output}}	非空
知识库节点2	else

4、代码节点

通常用于处理数据

代码节点
入参	名称	描述	动作	值
	output	字符串检索时使用的关键信息。	拷贝	{{知识库节点1}}.{{output}}
代码编写：		import json def main(args:dict) -> dict:# 获取原始output数组 output_list = args["output"]#遍历处理每个元素 for item in output_list # 将segContent字符串解析为JSON对象 try: parsed_content = json.loads(item["segContent"])#替换原始字符串为解析后的对象 item["segContent"]=parsed content except jsonJSONDecodeError:# 解析失败时保留原始值 pass #返回转换后的完整结构 return { "output": output_list }
出参	名称	描述	类型
	output		String/number等

5、LLM节点

LLM节点
入参	名称	描述	动作	值
	message	字符串检索时使用的关键信息。	拷贝	{{系统变量}}.{{用户最后一次输入}}
	output	字符串检索时使用的关键信息。	拷贝	{{知识库节点2}}.{{output}}
模型选择	QWEN/DS
提示词	##角色 你是一个专业的保险运营知识问答助手，请根据背景知识，回答用户输入的问题。要求简洁 背景知识:{{output}} 用户输入的问题:{{message}} ##任务: 根据用户提供的背景知识，回答用户提出的问题。背景知识如果没有相关项目，请输出，我正在努力学习中 ##技能: 准确提取背景信息用专业的语言表达 保持回答的逻辑性和一致性 ##限制 1.回等必须基于提供的背景知识，使用清断规范的中文避免使用模糊表述，禁止添加如识库外的内容 2.如果没有相关信息，请输出:我正在努力学习中 输出格式 ###"问题: {{message}}" --- 如果涉及系统操作，列出系统登录链接、权限申请通道链接如果不涉及系统操作，就按语义和背景知识回答. ---
用户输入	{{message}}
携带近n轮输入
是否输出
出参	名称	描述	类型
	output		String/number等

四、智能体搭建实战

1、搭建方法和思路

        以智能问答运营助手为例，如图是一个面向客户前台的智能保险系统运营问答助手

（1）知识库

FAQ：标准问题答案库，excel形式的结构性知识库，精确度匹配度参数设置较高，随意性参数设置低。

文档知识库：包含基本产品介绍、系统介绍、业务流程介绍，word文档形式，精确度匹配度参数设置相对FAQ要低，随意性参数设置相对FAQ高。

（2）LLM节点

将知识库检索分析后的输出设置为提示词的#背景#，加入#用户输入，采用LangGpt结构。当FAQ不能检索出标准问答时，调用文档知识库，结合prompt提示词工程，分析给出解答

（3）代码节点

处理输出，知识库输出通常为json形式，需要进行清理提取

简要关键流程和配置点如下

因图片像素限制下面为局部放大的：

（左部）

（中部）

（右部）

2、搭建实战

本文使用扣子平台做一个简单的测试智能体：

保险系统运营助手测试-Agent

创建操作流程：

资源库->新建知识库

资源库->新建工作流

创建->智能体->引入创建好的工作流节点，再加上输入输出节点

发布智能体

（1）知识库创建

知识库如下：

a）.FAQ:

常见问题代码	问题描述	标准答案
A001	销售：提示业务员无销售资格	1、检查业务员机构片区权限配置； 2、是否完成相关考核
B001	投保：投保失败，显示重复投保	距离上一保单有效期30日内不得再投保
B002	投保：投保失败，显示校验不通过	1、检查生僻字； 2、检查注册平台信息与客户录入是否一直
C001	承保：承保中	1、一小时后再次检查

b）.文档知识库：

《保险系统业务模型与流程简介》，主要介绍了保险系统及产品与销售相关系统的业务模型与流程https://blog.csdn.net/xingyuemengjin/article/details/152049172?fromshare=blogdetail&sharetype=blogdetail&sharerId=152049172&sharerefer=PC&sharesource=xingyuemengjin&sharefrom=from_link

（2）流程编排

创建对话流/工作流

如下为各个节点的配置方法：

开始节点

FAQ知识库节点：注意为“全文检索”（精确度高，不进行语义扩展，如同elasticSearch），最大找回数量为1，至返回最满足的一条

选择器

代码节点：FAQ知识库节点有返回结果，则进入代码节点，进行结果数据清理

import dayjs from 'dayjs';
import _ from 'lodash';

// 'params' 已经被正确地注入到环境中
// 下面是一个示例，获取节点输入中参数名为'input'的值：
// const input = params.input; 
// 下面是一个示例，输出一个包含多种数据类型的 'ret' 对象：
// const ret = { "name": '小明', "hobbies": ["看书", "旅游"] };
async function main({ params }: Args): Promise<Output> {
    try {
        // 尝试将 input 字符串解析为 JSON 对象
        const inputObj = JSON.parse(params.input);
        // 构建输出对象
        const ret = {
            "questionNode": inputObj["常见问题代码"], 
            "questionDes": inputObj["问题描述"], 
            "res": inputObj["标准答案"], 
            "key": inputObj
        };

        return ret;
    } catch (error) {
        console.error('解析输入字符串时出错:', error);
        return {};
    }
}

输出节点：展示输出内容

文档知识库节点：采用混合搜索，即按照关键字匹配，也进行语义分析匹配，设置最小匹配度为适中给，进行适度的语义分析和联想。

LLM大模型节点：将文档知识库的语义分析结果作为背景知识，结合prompt提示词工程和用户输入，选择大模型。

prompt如下：

# 角色：{#InputSlot placeholder="角色名称" mode="input"#}保险系统专家{#/InputSlot#}
{#InputSlot placeholder="角色概述和主要职责的一句话描述" mode="input"#}负责解答运营常见问题，面向客户和企业员工{#/InputSlot#}
背景知识：{{outputList}}+
{{outputList1}}
问题：{{input}}
## 目标：
{#InputSlot placeholder="角色的工作目标，如果有多目标可以分点列出，但建议更聚焦1-2个目标" mode="input"#}解答用户在 使用系统中出现的问题，依据你的知识储备，回答出建议{#/InputSlot#}

## 技能：
1.  {#InputSlot placeholder="为了实现目标，角色需要具备的技能1" mode="input"#}熟悉保险系统{#/InputSlot#}
2. {#InputSlot placeholder="为了实现目标，角色需要具备的技能2" mode="input"#}熟悉保险业务{#/InputSlot#}

## 工作流：
1. {#InputSlot placeholder="描述角色工作流程的第一步" mode="input"#}根据FAQ知识库搜索标准答案{#/InputSlot#}
2. {#InputSlot placeholder="描述角色工作流程的第二步" mode="input"#}如果没有，根据文档知识库，深度思考后进行解答，给出合理建议{#/InputSlot#}

## 输出格式：

问题“{{input}}
---
按照语义和背景知识回答，可以有一定的推测联想
---

## 限制：
- {#InputSlot placeholder="描述角色在互动过程中需要遵循的限制条件1" mode="input"#}FAQ搜索到后，停止思考{#/InputSlot#}
- {#InputSlot placeholder="描述角色在互动过程中需要遵循的限制条件2" mode="input"#}文档知识库为背景，合理提取问题相关的答案，进行再次梳理和推理{#/InputSlot#}
- {#InputSlot placeholder="描述角色在互动过程中需要遵循的限制条件3" mode="input"#}{#/InputSlot#}

输出节点：最后输出两个分支的结果，可以看到走的是哪个分支，输出结果是什么

（3）使用效果

地址：https://www.coze.cn/store/agent/7550298462772887603?bot_id=true

共有两个分支，FAQ知识库分支1和LLM知识库分支2。在输出结果中打印出两个分支的输出，可见只有其中一个分支有内容。

情景一、输入错误编号，调用FAQ分支

情景二、输入错误提示，调用FAQ分支

情景三、输入业务知识疑问，调用FAQ分支分析没有结果，调用LLM分支

情景四、手机小程序