Agent 最佳实践：从流程到决策
开始前，建议先阅读：
你将
-
快速上手，搭建强大的商用 Agent
-
学习两个由浅入深的实战案例（含可复制的提示词骨架、工具配置要点与核对清单）。
-
掌握提示词编写、工具与权限配置的方法。
-
学会在成本与性能之间做权衡。
一、核心概念
-
对话机器人：基于大语言模型的智能助手。可理解自然语言并即时调用工具完成查询、统计等任务，让你以对话驱动业务。
-
AI Agent 节点：执行时可基于上下文自动分析与判断，并调用工具完成操作，使流程具备自主推理与行动能力。
-
工具：让 Agent 执行任务的接口；可查询/新增/更新/汇总工作表，或调用 PBP、外部 API、发送通知/邮件等。
-
结构化输出：将模型答案组织成 JSON 或固定格式，便于下游节点直接引用。
二、2 个实战案例
案例 A：CRM 线索助手（入门·对话机器人）
通过该案例，了解对话机器人的基础用法，以及 AI Agent 节点的工具调用与用户鉴权。
-
目标: 销售可通过聊天完成“查客户、补录线索、更新跟进”。系统自动写回工作表，并受用户权限约束。
-
预期效果示例:
搭建步骤
第一步. 创建对话机器人 → 填写描述 → 系统自动生成的「对话触发 + AI Agent」工作流。
第二步. 配置AI Agent 节点配置
-
模型：选择“自动选择模型”
-
提示词
你是“CRM 线索助手”，服务于销售团队。你的职责是通过自然语言交互，帮助用户在CRM系统中查询、补录或更新客户线索。 -
工具
-
查询记录 / 新增记录 / 更新记录 / 汇总（手动设置工作表范围：客户、线索）
-
开启 「按用户 权限」
-
对 新增/更新工具 勾选 「调用前需要用户确认」
-
-
其他配置
- 按默认配置即可
要点说明
-
勾选「按用户权限」：AI Agent只能访问对话人有权限的数据。
-
新增/更新 类工具建议勾选「调用前需要用户确认」，避免Agent误操作。
-
开启“使用系统预设的回复风格”，获得稳定的回复质量。
-
常见风险：
-
未设工作表范围时，可能误触其他表。
-
未启用权限控制，存在越权风险。
-
案例 B：客诉预警与处置（中阶）
以“客户投诉分级”为场景，演示 AI Agent 节点的应用方式。该思路可用于需要智能判断、自动总结或决策的任意流程。
-
目标： 自动识别投诉严重程度，判断责任人，执行不同的后续动作（通知、PBP 流程、归档等）
-
预期效果：
搭建步骤
第一步 创建新工作流
触发条件选择：当投诉记录新增时触发
第二步 添加第一个 AI Agent 节点 —— “投诉理解与分级”
职责：
1.理解投诉内容；
2.查询历史投诉；
3.根据规则输出投诉严重程度与建议处理方式。
-
模型 : 选择 DeepSeek-V3。该场景重在阅读理解与分类，无需复杂推理，性价比较高。
-
提示词
建议明确角色（分析专员）与判断标准（文本、次数、金额），以提升输出稳定性。
-
工具配置
-
输出: 使用结构化输出，使用结构化输出（JSON 字段定义），以便后续节点直接引用字段，无需二次解析。
第三步 添加第二个 AI 生成文本节点 —— “投诉处理人分析”
职责： 根据投诉类型、责任部门或产品线，自动判断应由谁处理。
可将任务拆分到不同 AIGC 节点：复杂度较低的步骤使用高性价比模型（如 mini、nano 系列），在稳定性的同时降低成本
-
提示词示例：
第四步 添加条件分支，投诉分流
-
设置条件：
-
若
severity = 轻微→ 路径 A -
若
severity = 一般→ 路径 B -
若
severity = 严重→ 路径 C
-
第五步 分别配置分支动作
-
分支 A(轻微)： 更新记录
-
分支 B（一般）: 立即通知负责人并更新状态。
-
分支 C（严重）： 立即通知管理层并启动紧急流程（PBP）。
到这里，流程似乎已经圆满：
投诉内容被识别、严重程度被判断、不同分支触发不同动作——逻辑清晰、执行可靠。
但聪明的你可能意识到了一个问题：我们仍然在使用传统的流程思维。
每一个判断、每一个动作，都是我们在告诉系统“该怎么走”。而真正的Agent，不是被告知怎么做，而是自己知道该做什么。
其实，一个 AI Agent 就能完成全部逻辑
AI Agent 不只是理解文本的节点，它拥有完整的判断能力和工具调用能力。
在提示词中定义规则后，Agent 可以自动判断严重程度，并直接调用工具执行操作——
无需显式分支、无需多个节点。
AI Agent 节点的意义，不在于“替代”传统流程，而在于让流程从机械执行，进化为智能决策。
在传统流程中，逻辑通常是线性的：
我们用条件分支去判断，用多个节点去执行。系统只是遵循预设路径行动。
而当 AI Agent 节点 加入其中，一切都变得不同：
它能理解业务语境、根据规则自主判断，并直接调用工具完成任务。流程的“思考”不再依赖人工设计，而是由 Agent 自行完成。
三、模型选择指南
在为 AI Agent 节点选择模型时，需要平衡三个关键考虑因素：功能、速度和成本。
本指南帮助您根据具体需求做出明智的决定。
第一步：是否需要图片识别？
如果任务包含截图、票据、表格图片等输入，请优先考虑支持图片识别的模型。
| 是否处理图片 | 代表模型 |
|---|---|
| 是 | GPT-5、GPT-5-mini、GPT-5-nano、GPT-4.1、GPT-4.1 mini、GPT-4o、GPT-4o-mini、o3、o4-mini |
| 否 | DeepSeek-V3、Qwen Turbo、Qwen Plus、Qwen Max |
若不确定是否会涉及图片上传，建议使用支持图片处理的模型，兼顾文本与图像处理。
第二步：根据任务复杂度选择模型
确认图片识别需求后，可根据任务的复杂程度和业务目标，在以下三类模型中做出选择：
| 任务复杂度 | 推荐模型 | 场景举例 | 特点 |
|---|---|---|---|
| 🟢 一般任务 | GPT-5-nano / Qwen Turbo | 问答、短句改写、FAQ 回复 | 成本最低，响应最快，适合轻量交互或大批量调用。 |
| 🟡 中等复杂任务 | GPT-5-mini | 查询汇总、报表统计、数据写回、结构化输出 | 性价比高，逻辑稳定，适用于大部份场景。 |
| 🔵 高复杂任务 | GPT-5、o3 | 智能判断、流程分流、复杂决策 | 推理模型，适合关键节点或高价值任务。 |
经验法则：
一般情况 → 选 GPT-5-mini；
对准确率或逻辑一致性要求极高 → 选 GPT-5；
成本敏感或原型阶段 → 先用 Qwen Turbo / GPT-5-nano 验证。
第三步：何时需要升级模型？
在运行中出现以下情况，可考虑更换或升级模型：
- 回复内容不稳定、判断错误率上升；
- JSON 或结构化输出格式频繁出错；
- 响应延迟明显或超出节点设定超时时间；
- 当前节点的结果影响流程关键路径。
四、提示词撰写指引
提示词（Prompt）决定了 Agent 的理解方式与输出质量。无唯一标准，可参考：
-
角色明确：说明 Agent 的身份和职责范围，例如“你是客户线索助手，只处理与客户/线索相关的任务”。
-
任务具体：列出可执行的动作（查询、汇总、更新、生成报告等），用自然语言描述即可。
-
边界清晰：告诉模型“不处理什么”，防止误解或越权。
-
输出格式要求：告知希望返回的形式，如 Markdown、表格或 JSON。
-
语气与风格：若面向终端用户（对话机器人），应保证语气自然友好；在流程中执行（AI 节点）时应简洁稳重。
-
测试与微调：多次运行后，根据日志反馈逐步修改提 示词，不必追求一次完美。
经验：越具体的提示词越稳定，越模糊的提示词越容易“跑题”。简洁清晰往往比冗长复杂更有效。
五、工具与权限配置要点
-
工作表范围：强烈建议手动指定目标表，避免误触其它表。
-
查询范围（查询/汇总类）：用筛选明确时间、部门、负责人等边界。
-
按用户权限（对话流特有）：默认开启；若关闭将忽略对话者权限（一般不建议）。
-
调用前需要用户确认：
-
Agent 在执行重要操作前会征求你的同意。该功能仅在对话流中提供。
-
适用工具：新增记录、更新记录、发送站内通知、发送邮件、调用封装业务流程、调用已集成API。
-
六、成本与性能优化
-
任务拆分： 将任务划分为多个子任务，在不同的AIGC节点中处理，以提高流程的稳定性，同时还能节省费用（简单任务选用高性价比模型，如mini、nano系列）。
-
仅传必要上下文： 收紧记录工具的工作表范围。待选工具集越小，结果 更稳，token 消耗更低。
-
记忆轮次： 按需配置，避免无效上下文累积。
-
结构先行： 要求输出 JSON，减少二次解析与重复调用。
這篇文件對你有幫助嗎？