用言犀智能体平台搭建并上线一个业务智能体

言犀智能体平台是京东推出的智能体开发平台，把大模型接入、知识库管理、工作流编排和发布部署放在同一个可视化环境里。它面向的是希望把客服、营销、咨询、流程自动化等业务交给智能体承接的团队——政务、金融、零售、教育、医疗健康这些行业都有对应的预置模板。平台宣称已接入数十个主流大模型，沉淀了 100 多个行业解决方案模板，京东内部已有超过 3300 个智能体在运行。这些数字会随版本变化，具体以官网当前信息为准。如果你要做的只是把一段业务流程变成能对话、能查资料、能按规则分支的智能体，而不是从零写一套对话系统，那么言犀智能体平台就是这类工作的落点。下面按实际操作顺序，把从注册到上线要走的每一步拆开讲。

准备工作

动手之前先把几件事确认清楚，能省掉后面反复返工的时间。

账号：需要先在言犀官网完成注册。注册时使用的企业信息、行业归属会影响到后续可选模板的范围，填的时候按真实情况来。
业务目标：先想清楚这个智能体要解决哪一类问题。是 7×24 小时的问答客服，还是外呼触达，还是内部流程自动化？目标不同，后面选的模板、接的模型、配的知识源都不一样。
知识素材：把要喂给智能体的资料整理出来，包括结构化的（表格、字段清单、产品参数）和非结构化的（文档、FAQ、政策条款、话术）。素材越干净，后面知识库的效果越好。
业务规则：哪些问题必须转人工、哪些回答有合规红线、哪些操作需要二次确认，这些规则要在配置阶段就写成明确的判断条件，而不是等测试时再补。
模型选择意向：平台支持接入言犀大模型、GPT 等数十种模型。不同模型在中文理解、长文本处理、响应速度上各有侧重，先大致定一个方向，测试阶段再对比调整。

平台主打零代码开发，通过可视化界面搭建，所以不需要编程基础。但如果你的业务逻辑里有复杂的条件分支，提前把流程图或判断树画出来，配置时会顺畅很多。

操作步骤

第一步：注册并进入平台

访问言犀官网完成注册，登录后进入言犀智能体平台。首次进入建议先浏览一遍平台提供的模板库和示例智能体，对整体结构有个印象，再开始建自己的。

第二步：从行业模板起步

平台预置了 100 多个行业解决方案模板，覆盖政务、金融、零售、教育等领域。新建智能体时不要从空白开始，先挑一个业务形态最接近的模板：

政务方向可以看智能政务助手、政策咨询机器人这类模板；
金融方向可以看智能理财顾问、贷款审批助手；
零售电商方向可以看 24 小时智能导购、售后客服；
教育培训方向可以看个性化学习助手、智能答疑系统；
医疗健康方向可以看智能问诊助手、健康管理顾问。

选中模板后，平台会带出一套预设的对话结构、意图分类和回复框架。这套框架是起点，不是终点——后面几步都是在这套骨架上替换成你自己的业务内容。

第三步：配置智能体基本信息与交互逻辑

在模板基础上，需要自定义三块内容：

名称与定位：给智能体起一个业务上能识别的名字，并写清它的角色描述。角色描述会直接影响模型的回答风格，写得越具体越好，比如「负责售后政策解答，只回答退换货、物流、保修相关问题，其余问题引导至人工」。
交互逻辑：定义多轮对话的走向。哪些意图需要追问、哪些可以直接给结论、哪些必须走完一组信息收集再回答。智能客服场景下，多轮对话和复杂业务处理是核心能力，这一块要配细。
业务规则：把转人工条件、敏感词处理、必须拒答的范围写成明确规则。规则要可判定，避免「尽量友好一些」这种无法执行的描述。

第四步：接入大模型与 AI 能力

根据业务需求选择底层模型。平台支持接入言犀大模型、GPT 等数十种主流模型，选择时考虑三个维度：

语言与行业匹配度：中文业务场景、行业术语密集的场景，优先选在中文语料上表现稳定的模型。
任务复杂度：简单问答用轻量模型即可；涉及长文档理解、多步推理的业务逻辑处理，需要能力更强的模型。
响应要求：面向终端用户的实时客服对响应速度敏感，内部工具类场景可以放宽。

除了对话模型，平台还整合了自然语言处理、智能语音、知识图谱等全链路 AI 能力。如果业务涉及语音外呼或语音交互，需要在模型之外再开启语音相关能力。

第五步：构建智能知识库

知识库决定智能体回答的准确性。平台的知识管理基于 Advance RAG 技术，支持配置结构化和非结构化数据源：

结构化数据：产品参数表、价格表、网点清单、政策条款编号等，按字段整理后导入，便于精确检索。
非结构化数据：操作手册、FAQ 文档、历史工单、话术库等，按主题拆分后导入，避免单篇过长导致检索粒度太粗。

导入之后要做一轮检索验证：拿一批真实用户问题去问，看命中的知识片段是否准确。命中不准通常是素材本身有重复、过期或表述冲突，回到源文件清理比在平台里调参数更有效。

第六步：编排工作流

复杂业务不能只靠一轮问答完成，需要用可视化工具把流程串起来。工作流编排要处理的是业务流程和决策逻辑，典型结构包括：

识别用户意图，判断进入哪条分支；
按分支收集必要信息（订单号、证件类型、业务类型等）；
调用知识库检索或外部系统查询；
根据返回结果做条件判断，走不同回复路径；
满足转人工条件时，带着已收集的上下文交接给人工坐席。

编排时把每个节点的输入输出写清楚，尤其是条件判断节点，边界条件要覆盖到「信息缺失」「查询无结果」「用户中途改口」这几种情况。

第七步：测试与优化

上线前必须做完整测试。建议按下面的顺序推进：

单点测试：逐个意图验证，确认每个问题都能走到正确的分支。
多轮测试：模拟真实用户的多轮对话，包括中途补充信息、反问、打断、切换话题。
边界测试：问知识库里没有的内容、问超出业务范围的内容、用模糊表述提问，看智能体是否按预设规则拒答或转人工。
回归测试：每次调整配置或知识库后，把之前跑过的用例重跑一遍，防止改一处坏一处。

测试中发现的问题分两类处理：回答内容不准，回到知识库和提示词；流程走错，回到工作流编排。不要靠反复改模型来掩盖结构性问题。

第八步：部署上线

测试通过后一键发布到生产环境。发布前再确认一遍：转人工通道是否通畅、知识库是否为最新版本、业务规则是否覆盖了合规要求。上线后持续观察实际对话记录，把高频的失败案例收集起来，作为下一轮优化的输入。

一个完整示例

下面以零售电商的售后客服场景为例，走一遍从零到上线的完整流程。这个例子足够小，能在一轮配置内跑通，又覆盖了模板、模型、知识库、工作流、测试、发布全部环节。

目标：搭建一个售后客服智能体，能回答退换货政策、查询物流状态、在争议场景下转人工。

第一步，选模板。在模板库中选择零售电商方向的售后客服模板，平台带出预设的意图分类：退换货咨询、物流查询、商品问题、投诉建议、其他。

第二步，写角色描述。在智能体配置中填写：

你是某零售品牌的售后客服助手。
职责范围：退换货政策解答、物流状态查询、商品售后问题受理。
回答要求：先给结论，再给依据；涉及金额与时效时引用知识库原文，不自行推算。
转人工条件：用户明确要求人工、涉及赔付争议、连续两轮未能解决用户问题。

第三步，选模型。售后客服面向终端用户，问题以短文本为主，选择响应速度稳定的对话模型；如果后续要接入语音客服，再开启语音能力。

第四步，建知识库。导入三类素材：退换货政策文档（非结构化）、商品保修条款表（结构化）、历史高频工单问答（非结构化）。导入后用二十条真实用户问题做检索验证，把命中错误的条目回源修正。

第五步，编排工作流。主流程设计为：

识别意图；
退换货咨询 → 检索政策知识库 → 按商品类目给出对应条款；
物流查询 → 收集订单号 → 查询物流状态 → 返回结果；
投诉建议 → 判断是否涉及赔付 → 涉及则直接转人工，不涉及则记录并给出处理时限；
其他意图 → 引导至对应入口或转人工。

第六步，测试。准备三组用例：正常问法（「七天无理由怎么算」「我的订单到哪了」）、模糊问法（「这个能退吗」）、越界问法（「能不能赔我三倍」）。逐条跑通，确认越界问法按规则转人工而不是自行承诺。

第七步，发布。一键发布到生产环境，接入实际客服入口，观察首周的对话记录，把未解决的会话整理成优化清单。

注意事项

模板是起点不是成品：100 多个行业模板覆盖的是通用业务形态，直接上线往往答非所问。模板带出的意图分类和话术必须替换成自己业务的实际内容。
知识库质量决定回答质量：基于 RAG 的检索方式对素材的干净程度很敏感。重复、过期、互相矛盾的文档会直接导致回答错误，导入前先做一轮清理。
规则要可判定：转人工条件、拒答范围这类业务规则必须写成能明确判断的条件，模糊描述在运行时无法生效。
多轮对话要专门测：单轮问答跑通不代表多轮没问题，用户中途补充信息、改口、反问都是常见情况，测试用例要覆盖。
模型能力与成本需要权衡：平台接入数十种模型，能力强的模型在复杂业务逻辑上表现更好，但响应和成本也更高。按场景分级选择，不要所有节点都用同一个模型。
上线后要持续迭代：智能体的效果依赖真实对话数据的反馈，发布只是开始，需要定期回看会话记录并更新知识库与规则。
易变信息以官网为准：模型清单、模板数量、平台能力范围、计费方式都会随版本调整，本文提到的数字仅反映素材所载情况，实际以官网当前信息为准。