先把话说在前面
很多人对”智能体(AI Agent)”的想象是”一个更聪明的聊天框”。这是个误区。
一个能落地干活的 AI Agent,本质上是把三样东西装进同一个执行结构里:
- 大模型——决定基础能力的天花板;
- 指令(提示词)——规定它做事的方式和顺序;
- 知识库——提供你的业务事实和经验,让它”懂你这一行”。
模型是租来的,指令和知识库才是你自己的资产。下面按四步走,每一步都给可直接照做的表格和模板。
第一步:先定功能,别急着写提示词
动手前先回答一个问题:这个智能体到底替我完成哪件事?如果你自己都说不清,提示词写得再长,最后只会得到一个四不像。
原则:先做单点,不做万能
一上来就想让同一个智能体写文案、做客服、分析客户、生成PPT——听起来很强,实际出了问题你连错在哪一步都找不到。正确做法:
- 选一件重复频率高、耗时明显、结果标准相对清楚的工作;
- 第一版只保留 1 个主目标,最多 3 个紧密相关的功能;
- 关键节点保留人工确认——不要为了”全自动”把风险也一起自动化了。
拿一个例子贯穿全文:门店售前客服智能体
假设你经营一家门店,每天大量售前咨询重复消耗精力。三个核心功能可以这样切:
| 功能 | 做什么 | 合格标准 |
|---|---|---|
| 答一条 | 根据商品资料回答顾客售前问题 | 答案有依据,不编造参数和承诺 |
| 改一条 | 把你的原始回复按语气规范润色 | 保留原意,去掉生硬和废话 |
| 出日报 | 汇总当天高频问题,标出资料里没有答案的 | 能看出哪些商品信息需要补充 |
功能定义表:动笔前把这五行填完
| 要素 | 要写清楚什么 |
|---|---|
| 给谁用 | 谁操作它,这个人具备什么基础 |
| 它收到什么 | 用户需要提供哪些信息、文件或背景 |
| 它做什么 | 负责哪几件事,先后顺序是什么 |
| 交付什么 | 结果的结构、长度、格式和用途 |
| 怎样算合格 | 达到什么标准可以直接用;哪些情况必须转人工 |
第二步:搭知识库,把它当”新员工入职包”
最好的心智模型:把智能体当成一个什么都不懂但很聪明的新员工,你要给它准备一套入职资料。分两类:
第一类:业务事实(让它知道”写什么”)
| 资料 | 包含内容 | 整理提醒 |
|---|---|---|
| 品牌/个人资料 | 身份、经历、观点、表达习惯 | 不虚构经历,多个版本先统一口径 |
| 客户画像 | 年龄、角色、处境、痛点、决策顾虑 | 写真实场景,别只贴”高端人群”这类空标签 |
| 真实案例 | 客户原状、过程、结果 | 数据必须可核验,涉及隐私先脱敏 |
| 产品资料 | 名称、解决什么问题、交付内容、边界 | 过期版本及时删掉,别让它引用旧价格旧规则 |
| 行业知识 | 专业术语、常见问题、判断标准 | 标注来源和更新时间,争议观点写明适用条件 |
第二类:做事方法(让它知道”怎么做好”)
事实解决”写什么”,方法解决”怎么写、怎么判断”。这部分往往就藏在你已经跑通的流程里:
- 方法论:一件事怎样做容易成,先判断什么、后判断什么;
- 好样例与坏样例:什么结果算好、为什么好;什么不能用、问题在哪;
- 表达风格:常用句式、禁用词,以及你亲手改过的真实修改稿;
- 规则边界:哪些信息必须基于资料、哪些不能猜、什么时候要向你提问。
整理标准一句话:一份文件只讲一个主题,标题清楚、层级清楚,删掉重复和矛盾的版本。
第三步:写提示词,把工作流程翻译成指令
提示词的本质不是堆”专业、深度、高质量”这类形容词,而是把你教新员工做事的过程,翻译成模型能稳定执行的指令。
五个模块,缺一不可
| 模块 | 要回答的问题 |
|---|---|
| 1. 角色定义 | 它是谁、服务谁、具备什么背景 |
| 2. 核心方法 | 这件事怎样才算做好,依据什么标准 |
| 3. 任务流程 | 按什么顺序判断、查资料、出结果 |
| 4. 规则约束 | 必须做什么、不能做什么、什么情况停下来问人 |
| 5. 输出格式 | 交付长什么样:结构、长度、字段 |
可直接套用的骨架模板
【角色】你是【门店的售前客服助手】,服务【进店咨询的顾客】,负责【回答商品售前问题并汇总高频疑问】。
【方法】以【知识库中的商品资料和回复规范】为唯一事实依据,不使用资料之外的信息。
【流程】收到问题后:先确认顾客问的是哪类问题 → 检查资料是否覆盖 → 有依据则作答,无依据则如实说明并转人工。
【规则】不得编造商品参数、价格和承诺;资料里没有的就说不确定;两个资料冲突时指出来,不要自己挑一个。
【格式】回复控制在【100字】以内,语气【口语、亲切】;答不上来的问题整理进每日汇总。
不会从零写也没关系:把上面第一步的功能定义表、第二步的资料清单、这个骨架一起丢给大模型,让它先生成第一版。你的工作不是硬写三千字,而是核对流程、删掉空话、补上真正的业务判断。
“去AI味”靠什么
- 给真实语料:你亲手改过的文字,比一句”请写得像真人”管用十倍;
- 给真实对象:写清楚对谁说、他正在经历什么,而不是对空气输出观点;
- 给判断标准:说清什么是好、什么不能用,并解释原因;
- 删套话:无意义的总结、过度工整的排比、每段都正确的废话,全删。
第四步:搭建与测试,边用边改
提示词和知识库备齐后,选一个 Agent 平台把它们装起来。搭建过程各家大同小异:
选平台看四项能力
不管是国内还是海外的 Agent 平台,选择时看这四点就够了:
| 能力 | 为什么重要 |
|---|---|
| 可选模型 | 写作、分析、检索对模型能力侧重不同 |
| 指令长期保存 | 不用每次对话重新交代角色和规则 |
| 知识库/文件能力 | 能引用你的业务资料,而不是只靠通用知识 |
| 项目化管理 | 测试集中、上下文保留、方便持续迭代 |
国内的扣子(Coze)、文心智能体平台、Dify,海外的 Claude Projects、GPTs 都符合这个框架,按自己顺手的选即可,原理完全一样。
最实用的测试方法:双窗口迭代
保留两个对话窗口:一个跑智能体,一个改提示词。测出问题后,不要只手动润色结果,要回到源头定位原因:
- 跑真实任务:用日常真实会遇到的问题去测,看结果能不能直接用;
- 描述具体问题:写”引用了资料里没有的参数””语气太硬”,而不是只说”不好”;
- 改源头:流程问题改提示词,事实问题补知识库,表达问题补样稿和禁用规则;
- 复测对比:同一任务用新版跑一遍,对比前后。
五个最常见的坑
| 误区 | 真相 |
|---|---|
| 上来就写提示词 | 功能没定义清楚,指令越长越乱 |
| 想一个智能体包打天下 | 职责越杂,错误越难定位;先把一个场景做稳 |
| 提示词全是形容词 | “专业、高质量”替代不了步骤和判断标准 |
| 知识库只求多 | 重复、过期、互相矛盾的资料会让回答不可靠 |
| 拿演示效果当交付效果 | 一次漂亮回答不代表稳定;至少测正常、模糊、缺资料、越界四种输入 |
| 只改结果不改源头 | 每次手工润色是救火;反复出现的问题要写回提示词或知识库 |
最后:一页自查清单
- 我能用一句话说清它替我解决什么问题;
- 第一版只有 1 个主目标,输入、输出、验收标准、人工确认点都写清楚了;
- 知识库按”事实 + 方法”分好类,案例可核验、隐私已脱敏、冲突版本已清理;
- 提示词五个模块齐全,写的是动作和标准,不是形容词;
- 核心功能逐项测过,覆盖了正常、模糊、缺资料和越界四类输入;
- 已经定好下次集中复盘的时间,而不是每天随手乱改。
先别急着做”大而全”。把一件每天重复、价值明确的工作做稳,Agent 才真正开始替你省时间、沉淀经验——这也是我们在给客户做 AI Agent 落地时最常提醒的一句话。








暂无评论内容