在北京求职，面对月薪2万的offer，你会选择搜索复杂的个税计算器，还是直接问一句“北京月薪2万税后多少”？我们选择后者，让智能体在三秒内给出答案。

01 写在前面：直面薪资困惑，提供精准决策

求职时薪资结构一头雾水？换工作不会对比offer？跨城市社保公积金政策搞不懂？搜索到的信息过时又混乱，越搜越糊涂。

一句话算工资智能体就是为了解决这些问题而诞生的。无需理解复杂的政策法规，不用手动填表计算，用户只需像聊天一样说出需求。

如“北京月薪2万税后多少”，系统就能秒出税后工资、个税社保明细，让员工自助算薪、明智决策，让HR从此告别重复答疑。

02 痛点分析：薪酬计算中的现实困境

在实际求职和工作中，人们常常遇到各种与薪资相关的困扰，这些问题不仅耗费时间，还可能导致决策失误。

• 薪资理解的困惑：许多求职者和员工对薪资构成一头雾水，分不清税前工资与税后实际收入的区别，更不了解社保公积金如何扣除、个税如何计算。
• 信息获取的障碍：当人们需要查询不同城市的社保缴纳基数、公积金比例等政策时，往往发现搜索结果零散、混乱且信息严重过时。
• 多方案对比的困难：在换工作或跨城市求职时，需要对比不同offer的实际收入差异。手动计算不仅繁琐，而且容易出错，很难做出最优决策。
• HR的重复劳动：企业HR部门经常需要为员工解答薪资相关的重复性问题，这种低价值高频率的咨询工作占用了大量时间和精力。

03 方案设计：多智能体协作架构

基于上述痛点，我们设计了一句话算工资智能体系统，采用主智能体加多个专业智能体的Multi-Agent架构。

整体架构设计

系统由主Agent、计算Agent、政策查询Agent和对比Agent组成，各司其职，协同工作。这种架构能够高效处理不同场景下的复杂问题。

核心组件说明

04 实现过程：分步构建智能体

第一步：知识库搭建与数据处理

知识库是智能体的专业底座，确保政策咨询的准确性和时效性。

1. 首先，收集并整理全国各城市的社保缴纳基数范围、公积金缴存比例、个税政策等信息，全部处理为Markdown文档，并按城市进行分割存储。这样做的目的是便于维护和更新。
2. 然后在腾讯元器平台创建工资计算知识库，将处理好的文档上传。平台会自动解析文档，将内容切分成适合检索的片段，无需人工干预，大大提高了效率。
3. 知识库建立后，智能体在回答政策咨询类问题时，会优先从知识库中检索最新、最准确的信息，避免依赖模型可能过时的通用知识。

第二步：开发与配置工资计算插件

对于需要精确计算的场景，仅仅依靠大模型是不够的。为此，我们开发了独立的工资计算服务，并将其配置为腾讯元器平台上的插件。

创建插件时，需要填写基础信息，包括名称、描述等信息。

最重要的是配置API的详细参数，包括入参结构、返回值格式以及错误处理机制。

插件验证通过后，智能体在进行薪资计算时就能调用这个服务，确保计算结果的精准可靠。这样既发挥了AI的理解能力，又保证了核心数据的准确性。

第三步：创建主智能体并配置多Agent

在腾讯元器平台新建一句话算工资智能体，选择Multi-Agent模式，并设置智能体的名称、简介等基础信息。

主Agent的设置：选择性能合适的模型作为大脑，并设计清晰的提示词。

提示词的核心在于定义主Agent的任务流程：

1）进行用户意图识别

2）根据意图调用对应的专业Agent

• 需要计算单一方案工资 → 调用计算Agent
• 需要对比多方案/多城市 → 调用对比Agent
• 需要查询政策 → 调用政策查询Agent

配置各专业智能体：

• 计算Agent配置：负责单一方案的工资计算。其提示词要求模型首先从用户对话中提取符合工资计算插件要求的参数，然后调用插件进行计算，最后按照预定义的模板组织回复内容，清晰展示税前工资、各项扣除、税后收入等明细。
• 对比Agent配置：负责多方案对比。其核心逻辑是循环调用工资计算插件，得到多组结果后进行对比分析，生成包含差异对比表和选择建议的报告。
• 政策查询Agent配置：负责政策咨询。该Agent特别配置了知识库问答插件，能够从我们搭建的知识库中检索准确的政策信息，确保回答的权威性和时效性。

设置转交关系：

转交关系的设置很重要，此设置保证了智能体大脑是Agent，每一次的决策都是由主Agent进行意图识别后，然后转交到具体的Agent进行处理。

05 场景测试：从查询到对比的全流程

场景一：计算指定配置下的工资

求职者在找工作时，可以直接输入“北京月薪2万税后多少”，或者提供更详细的信息如“上海月薪3万，有年终奖5万，专项附加扣除每月2000，算一下税后”。

系统会快速调用计算Agent，几秒内返回结构清晰的明细表，包括年度税后总收入、扣除明细和个人所得税等，让求职者一目了然。

场景二：计算并对比多个配置

当用户需要比较不同offer或不同城市的薪资差异时，可以输入“对比一下北京月薪2万和上海月薪2万2的税后收入”。

系统会调用对比Agent，并行计算两个方案的详细数据，生成年度对比数据表，直观展示社保、公积金、个税和最终税后收入的差异，帮助用户做出更明智的决策。

场景三：查询社保公积金政策

当用户对政策有疑问时，例如询问“深圳的公积金缴存比例是多少”或“北京的社保最低缴费基数”，系统会调用政策查询Agent，从知识库中检索最新、最准确的信息，直接给出答案，省去了用户自行搜索的麻烦。

06 技术总结与价值分析

知识库的核心价值

知识库特别适合存放如政策法规、操作流程、FAQ等需要准确性和时效性的结构化知识。

Multi-Agent架构的优势

• 分工明确：每个Agent专注于单一类型任务，如计算、查询或对比，通过主Agent的调度，形成高效的协作链条。
• 易于调试和维护：当某个功能需要优化时，可以针对特定的Agent进行修改，而不影响其他功能模块。这种解耦的设计大大降低了系统维护的复杂度。
• 扩展性强：当需要增加新的功能时，如增加福利计算模块，只需要创建新的专业Agent，并在主Agent的调度逻辑中加入相应判断即可。

插件的精准计算保障

通过开发独立的工资计算插件，实现了精准计算与AI理解的完美结合。模型负责理解用户意图、提取参数，插件负责进行复杂的数学计算，两者各取所长，确保了最终结果的可靠性。

实现效果评估

从搭建到发布，整个项目耗时约3-5天，主要时间花费在数据收集整理和插件开发上。腾讯元器平台的操作门槛较低，不需要编写复杂代码，通过配置和拖拽即可完成大部分工作。

实际测试表明，该智能体能够准确回答各类薪资相关问题，计算精度高，响应速度快，极大地简化了薪资计算的复杂度，真正实现了“一句话算工资”的设计初衷。

07 写在最后：让薪酬决策更智能透明

这次基于腾讯元器平台开发一句话算工资智能体的实践，展示了AI技术在企业日常场景中的实用价值。通过知识库、插件和Multi-Agent架构的有机结合，我们成功打造了一个既专业又易用的薪酬决策助手。

核心优势在于其零门槛的交互方式和实时精准的计算能力。无论是求职者、在职员工还是企业HR，都能从中获得实实在在的帮助——求职者可以快速评估offer，员工可以自主查询薪资构成，HR则可以从重复性咨询中解放出来。

随着政策的调整和数据的积累，这个智能体还可以不断优化和扩展，比如增加更多城市的政策覆盖、支持更复杂的薪资结构计算等。希望这次的实践能为更多类似场景的智能体开发提供参考。

每一次精准计算背后，是政策数据的结构化处理与智能体之间的无缝协作。当技术真正理解并服务于人的需求时，复杂的世界便开始变得简单。

点击即可体验：https://yuanqi.tencent.com/webim/#/chat/ucByGv?appid=2003339907087335808&experience=true&target=_blank