相关专栏：AI 应用开发平台

---

前言： 

在之前的两篇文章里，我们已经初步搭建好了一个加入知识库检索，能根据问题，援引知识库里的网页检索，本地文档/图片检索的智能体。（如果不太了解知识库检索，推荐先前往上篇文章：

[Ai Agent] 本地知识库检索运用-CSDN博客 熟悉相关操作）

如果已了解，推荐直接导入我github的相关资源，开始下面的学习。

本文智能体实现功能包括：

回忆上下文逻辑，识别无关问题并提醒，实时录入用户问答数据，去掉无图片时的文本输出等。

一、识别当前智能体不足

先打开我们上篇文章末尾创建的智能体：

这个过程看起来没有问题，但细想之下，问题还是存在：

其一，有一个不容易发现的问题：就是，它能感知上下文吗？不能的。这点也请读者在日后使用时务必要注意：感知上下文并关联回答必须也要列入智能体构建的一环，不然它智商还是不太行：

其二，如果客户问了个完全无关的问题，这个问题还要想这样完整走一遍检索流程吗，很明显不，所以我们需要加个逻辑，判断是否有关，如果无关应走无检索的逻辑。

其三，哪怕我们为图片这个智能体写了非常多的限制语句，它还是无法在没有图片的情况下“闭嘴”，明显需要我们再为其思考一下架构 ↓

其四（实际上应算需求），我们还想将用户使用产生的数据（问题/回答）实时返回，就需要加入一些其他组件。

以上，我们试着分别把这些问题或者说功能分章节逐个思考解决掉。

二、处理上下文逻辑

如图，在开始和知识库检索的中间，我们新增一个问题优化-上下文判断的大模型。

把这个会话历史打开它才可以思考上下文。

提示词如下

# 角色
你是一个用户问题简洁理解专家，你的任务是结合对话上下文和用户的问题，快速且简洁地理解每次用户的问题，并对用户的问题进行精准、简要地表达。

# 工作流程
## 步骤一：结合上下文信息理解用户问题
- 快速结合上下文信息和用户当前的提问，精准理解用户在问什么问题。例如用户先问“泰坦尼克号是什么”，接着问“还有其他电影吗”，结合上下文理解第二个问题，明确用户是在询问“除泰坦尼克号外还有哪些电影推荐”。
## 步骤二：结合步骤一的理解对用户问题进行重新描述
- 依据步骤一的理解，用简洁语言对当前用户的问题进行重新表述，突出关键信息。 

这里注意一些小的细节，以后加入新节点时也务必先这样思考下：

多少节点需要变动？

问题优化-上下文判断 节点加入后，我们现在看图思考：

其中我们需要在2里把1的问题作为变量交给他，3和4传入参数也应由1变为2，而5和6同样传入的问题参数也需要由1变成2,最后的7则不需要变动，仍由5和6输出。

所以发现没有？一个节点的加入就需要思考全局变量的变动，但凡哪个细微处没有思考到就容易踩错。

如图，上下文逻辑加入完成。

三、去掉无关回复

这里要引入一个新节点：意图识别--其作用就是判断意图从而选分支

你可以近似将其看做if/else，但在ai大模型语境中不好确定的判断if，就用这个作为新if

大致架构如下：

意图识别先判定开始的内容是否有关豆瓣客服，如果有关走上面，如果无关走下面，下面的无关回复时节点再直接对接结束节点，直接输出。

这里再重点讲一下这个意图识别的易错点：

如上，意图识别里写好意图匹配后，就会开始匹配。上面的点就是对应匹配到的，下面的点则是匹配不到。

很多人肯定还有疑问：那我意图写成xx有关，直接上点连上面下点连下面不更直观吗？

确实，但要假设这么个问题：电影好不好看？ 这种问题就是模棱两可的，如果你写个有关才能走上面，大概率就会被直接扔掉。但如果像上面写无关的话，它也不属于无关，就会选择走上面。

所以关键在于：你想让那些模棱两可的问题往哪个方向走。

接下来同样，更改对应地方的输入的变量节点与值，这点做法之前的二、已经讲过怎么做，此处不再赘述。测试下：

成功。

四、去掉无图片时的文本输出

想要去掉类似上图这种底下的图片，我们需要重新从整个agent架构分析下：

首先明确结束输出的图片展示{{output}}无法更改，我们要保证最后有输出必须要加上它。

那么，我们能着手的地方就是图片展示与结束中间。

但是，大模型是必定会输出东西的，无论你给它加多少限定词它一定会输出内容。所以，这里我们的想法就是为其添加一个代码判断，如果有图片不操作，如果无图片则把输出内容改为空。

# 在这里，您可以通过 'args'  获取节点中的输入变量，并通过 'ret' 输出结果
# 'args' 已经被正确地注入到环境中
# 下面是一个示例，首先获取节点的全部输入参数params，其次获取其中参数名为'input'的值：
# params = args.params; 
# 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：
# ret: Output =  { "name": '小明', "hobbies": ["看书", "旅游"] };

async def main(args: Args) -> Output:
    params = args.params
    # 构建输出对象
    val = params.get('input','')
    if '![img]' in val:
        pass
    else:
        val = ''
    ret: Output = {
        "key0": val
    }
    return ret

这里简略讲下怎么写coze里的代码：

先改成py格式；

固定丢给你的params = args.params就是传入的参数，直接从里面提取你想要的值即可，比如我这里就是想提取上面图片识别大模型里传入的input。

后面的ret: Output = {...} 这一段也不要动，只动里面的... 即可，返回的ret必须是字典格式，同时键会对应你输出的变量名与值（变量在外面还要再设置一下，比如我上面的key0）

这样就完成了，依次连完线并把对应变量对接，测试一下：

如图，可以看到走了图片演示的大模型，但不再输出这个大模型的输出，功能实现。

五、同步录入用户使用数据

现在我们希望能加个功能，让用户与智能客服的问答实时录入相关文件，这就需要加一些插件。

还是老规矩，看看架构：

既然我们是要录入数据，那就应该在整个智能体的最终阶段将数据返回。

这里选择飞书表格作为录入方式，

（授权一路跟着操作就行，这里不再演示了）

这里需要先获取下app_token（表格的url链接）

访问：飞书多维表格，创建一下账号，新建一个多维表格，再按分享，复制链接，获取app_token如图：

然后把这个链接丢给智能体里的app_token即可。

同时再将表格标题变成这样：

看一眼coze里的其他字段：

不太直观，我们这样看：

直观了，把对应fields改成我们应变成的形式：这就是我们应该输入的。

但很明显，现在的传入参数不是这种，需要加点料改改格式，选择代码节点放进来：

这里注意：

在进代码写作前，务必要先把这些外部的输入输出全部写好再进去，不然你在写代码时还想操作外面的，是导不进来而且会报错的。

代码如下：

# 在这里，您可以通过 'args'  获取节点中的输入变量，并通过 'ret' 输出结果
# 'args' 已经被正确地注入到环境中
# 下面是一个示例，首先获取节点的全部输入参数params，其次获取其中参数名为'input'的值：
# params = args.params; 
# 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：
# ret: Output =  { "name": '小明', "hobbies": ["看书", "旅游"] };

async def main(args: Args) -> Output:
    params = args.params
    # 构建输出对象
    question = params["question"]
    answer = params["answer"]
    picture = params["picture"]
    irrelevant = params["irrelevant"]

    ret: Output = {
        'record_msg':[{"fields":{
            '用户问题':question,
            '最后回复-大模型':answer,
            '图片回复-大模型':picture,
            '无关回复-大模型':irrelevant
        }}]
    }
    return ret

最后运行看效果如何：

录入没问题，工作完成。

六、小结

至此，我们完整完成了一个豆瓣智能客服的智能体构建，它涵盖了知识库检索、上下文判断、无关逻辑分析、问答数据实时录入等功能，同时还涉及了一些低代码以及整体架构思路的设计。

虽然这个智能体可能还比较糙，离真正的商业化还比较远，但这已经是入门了一大步。有了本文的基础再开始做其他方向的智能体会简易上很多。

这里强烈建议把这篇文章看完并扎实复盘实操一遍，感受一下低代码创建的魅力所在。