AI产品经理一定要把Agent实战工作流跑通
最近和很多同行交流，发现很多 AI 产品经理依然停留在“写好 Prompt 就行了”的阶段。
坦白讲，在当前的 AI 落地阶段，如果产品经理只懂写提示词（Prompt），而不亲自跑通一次完整的 Agent 实战工作流，在真实的业务场景下会非常吃力。大模型底座能力再强，单次的 Prompt 交互也无法应对复杂的企业级业务流。要让 AI 真正释放生产力，必须走向工作流工程化（Workflow-as-Agent）。
本文将以一个典型的“抖音电商：基于扣子（Coze）的智能客服机器人”为案例，手把手带大家剖析如何通过“意图识别 + RAG 知识检索 + 代码处理 + 插件写入飞书多维表格”来搭建高可用的智能客服，帮助大家把 Agent 实战工作流彻底跑通。
传统智能客服 vs AI-Powered 智能客服
在动笔设计工作流之前，我们必须先理清：AI 客服相比传统客服，到底强在哪里？
很多企业以前都用过传统智能客服，但体验通常一言难尽。我们可以从以下两个核心维度来进行深度对比：
1. 用户使用体验对比
| 对比维度 | 传统智能客服 | AI-Powered 智能客服 |
|---|---|---|
| 交互体验 | 极度依赖预定义的规则和关键词匹配。一旦用户措辞稍微偏离，回复就显得极其生硬，经常答非所问。 | 利用高级自然语言处理（NLP）技术，能够理解用户的日常口语和真实意图，对话显得非常自然流畅。 |
| 回复准确性与效率 | 1. 只能提供固定的模板回复，无法灵活应对多样化、个性化的需求。 2. 局限于简单的单轮问答，无法进行需要上下文关联的多轮对话。 |
1. 深度支持多轮对话，能够处理复杂、深入的互动场景。 2. 能够精准理解上下文，结合企业私有知识库进行提炼与总结。 |
| 个性化服务 | 无法关联用户的历史记录和个人偏好，无法提供真正个性化的差异服务。 | 能够无缝根据历史对话和用户偏好，提供定制化的服务、解决方案及商品推荐。 |
2. 搭建与维护成本对比
| 对比维度 | 传统智能客服 | AI-Powered 智能客服 |
|---|---|---|
| 搭建成本 | 1. 通常需要借助第三方高成本平台，搭建和部署周期较长。 2. 维护规则库和关键词词典需要耗费大量的时间和人工成本。 |
1. 基于扣子（Coze）等现成的模版，可实现一键复制并进行低门槛的定制化改造。 2. 平台提供丰富的 Web SDK 和标准 API 接口，可快速与现有业务系统集成。 |
| 维护成本 | 必须由人工定期、手动更新问答对，经常导致知识更新不及时，产生回答滞后。 | 支持直接对接在线知识库，能够实现内容实时自动同步与总结，极大减轻了后续维护负担。 |
基于扣子 (Coze) 的智能客服工作流架构
理清了优势，我们再来看看如何通过工作流来解决智能客服的三个核心痛点：
1. 意图识别不准：无法精准分类用户到底是在进行售后咨询、闲聊还是投诉。
2. 知识检索不精：无法召回正确的企业私有知识库文档，容易引发幻觉。
3. 数据无法留存分析：无法高效统计回复效果，难以持续更新和沉淀 FAQ。
为此，我们设计了如下的工作流架构：
工作流核心控制逻辑：
1. 输入阶段：接收用户在智能体中提交的问题（Query）。
2. 意图识别分流：使用大模型（豆包-1.5-Pro-32k）作为路由。分析用户的输入是“产品使用相关问题”还是“非产品问题/闲聊”。
3. 产品问题分支（RAG 核心链路）： - Query 改写：结合历史对话重写 Query，消除歧义。 - 知识检索：在扣子的私有知识库中进行混合检索（语义 + 关键词），最大召回 1 条最相关的产品说明。 - LLM 总结回复：大模型结合检索出的参考知识，生成专业、亲和的回答。 - 数据格式化与归档：使用代码节点将“用户问题”和“机器人回复”处理成 JSON 对象，调用飞书多维表格插件写入后台，供管理员复盘。
4. 非产品问题分支：直接调用大模型，用通用的友好语气进行回复，不进行表格记录。
核心节点详解与配置实操
下面，我们深入到扣子（Coze）后台，看看每个核心节点应当如何配置。
1. 开始节点与意图识别节点
意图识别是整个工作流的“守门人”，它决定了请求的流向。
• 开始节点：工作流的起点。我们需要接收用户的提问，入参主要有 BOT_USER_INPUT（用户提问内容）和 CONVERSATION_NAME（会话标识）。
• 意图识别节点：
- 模型选择：选择性能优异且性价比高的 豆包-1.5-Pro-32k。
- 分类定义：定义两个主要类别 —— product_issue（产品使用相关，如 Bot 搭建、插件配置、API、支付退费等）和 other_issue（闲聊、问候或无关提问）。
- 系统提示词 (System Prompt)：
# Role
你是一个意图识别专家，负责将用户的输入准确分类。
# Classification Rules
1\. 属于“产品使用咨询 (product_issue)”的情形：
- 用户提到“扣子 (Coze)”、“Bot”、“智能体”、“工作流”、“知识库”、“插件”、“多维表格”、“API”、“SDK”等相关技术组件的使用问题。
- 涉及“怎么付费”、“如何退费”等费用问题。
2\. 属于“其他问题 (other_issue)”的情形：
- 日常寒暄（如“你好”、“在吗”）。
- 与产品技术、账号计费完全无关的提问。
# Output
请仅以 JSON 格式输出：
{
"classificationId": 1 (如果是 product_issue) 或 0 (如果是 other_issue),
"reason": "简短的分类理由"
}
2. Query 改写与知识库检索节点
当进入 product_issue 分支后，如果用户是进行多轮对话，直接拿当前的短语去向量检索，极易出现偏差。因此，我们必须先进行 Query 改写。
• 大模型节点 0（Query 改写）：
- 角色：用户问题理解专家。
- 输入：input（当前用户提问）, chatHistory（多轮历史对话）。
- 提示词逻辑：结合上下文，将如“它怎么收费”改写为“扣子智能体怎么收费”，将代词和隐含上下文还原为完整、独立的检索词。
• 知识库检索节点：
- 选定范围：绑定事先上传的官方产品文档、FAQ、以及 FAQ 增补库。
- 检索策略：开启混合检索（语义向量检索 + BM25 关键词检索），这样既能包容用户的口语化描述，又能强匹配特定的技术专有名词。
- 数量限制：最大召回数量设置为 1，避免冗余信息干扰模型。
3. LLM 总结回复与数据记录（代码 + 插件）
在获取了召回的知识后，我们用第二个 LLM 节点对信息进行总结并回答用户。
• 大模型节点 1（产品客服总结）：
- 模型：豆包-1.5-Pro-32k。
- 输入：input（用户原提问）, resp（知识库召回的文本片段）。
- 逻辑：如果 resp 召回为空，则礼貌告知用户无法查询到相关文档；如果召回成功，则提炼文档步骤，以结构化的分步骤（1, 2, 3）格式友好回复。
• 代码节点（数据格式化）： 在回复用户后，为了将数据归档，我们需要编写一段 Python 代码将数据打包：
async def main(args: Args) -> Output:
params = args.params
user_query = params.get("user_query", "")
bot_reply = params.get("bot_reply", "")
# 按照飞书多维表格（Bitable）新增记录接口要求的格式进行封装
record = {
"fields": {
"用户问题": user_query,
"客服回复": bot_reply
}
}
# 输出给后续的飞书插件节点
return {"records": [record]}
• 插件节点（飞书多维表格写入）：
选择扣子集成的飞书多维表格插件，配置对应的 app_token、table_id，并将代码节点输出的 records 数据映射填入。
配套实战：飞书自建应用与多维表格配置
为了让智能客服的“数据写入”功能生效，我们需要在飞书侧完成以下两步准备工作：
第一步：创建并配置飞书自建应用
1. 登录平台：访问飞书开放平台开发者后台。
2. 创建自建应用：点击 “创建企业自建应用”，填写应用名称（如“扣子客服小助手数据写入”），上传图标并保存。
3. 配置权限：在应用后台的“开发配置 - 权限管理”中，搜索并勾选以下多维表格相关的权限：
- 新增多维表格记录
- 查看、评论、编辑和管理多维表格
4. 发布应用：进入“版本管理与发布”，创建应用版本，提交并完成发布。
5. 获取凭证：在“凭证与基础信息”中，复制你的 App ID 和 App Secret，用于在扣子插件节点中进行鉴权。
第二步：复制多维表格模板
为了快速跑通，可以点击飞书文档中的“小助手用户问题记录多维表格模板”进行快速在线复制。
确保表格的列名（如用户问题、客服回复）与代码节点和插件节点的映射配置完全一致。
落地建议
对于 AI 产品经理而言，亲手把这个工作流跑通，能带来三个维度的认知升级：
1. 理解边界：大模型并不完美，在面临专业知识和业务规则时，必须依靠检索增强（RAG）和意图路由进行兜底。
2. 拥抱数据：通过飞书表格记录下所有失败分类和未召回的问题，是后续持续优化知识库、微调 Prompt 唯一的黄金数据源。
3. 技术对话能力：跑通之后，你就会明白为什么开发人员常说“API 超时了”、“向量库召回不准”，从而在设计产品方案时更加贴合实际。
现在，就去你的扣子后台，建一个 workflow 跑通它吧！
长按二维码关注 “边学边练”
