本文将深度拆解如何利用腾讯元器的单工作流模式，搭建一个具备意图识别、情绪感知与专业 RAG 能力的“手机导购智能体”。我们将攻克大模型幻觉与转化路径断层等核心痛点，探索如何将 AI 从单纯的对话框转变为真正懂用户、能促成交的“24h 销冠助理”，打通电商转化的最后一公里。

一、背景和功能痛点

在电商进入存量竞争的今天，商品导购服务智能体不仅是技术的升级，更是连接商品与用户的关键节点。它兼具了消费者的“随身 AI 购物参谋”与商家端的“24h 销冠助理”双重角色，其核心价值横跨 C 端体验与 B 端效能：

尽管 AI 导购前景广阔，但目前市面上多数产品仍停留在“聊天机器人”阶段，在实际应用中存在以下五大核心痛点，直接影响了用户的信任与成交转化：

1. 语义理解偏差： 缺乏长上下文记忆，多轮对话后容易“断片”，导致答非所问。
2. 大模型幻觉： 虚构商品参数或优惠活动，极易引发购物纠纷与品牌危机。
3. 情绪感知缺失： 回复生硬机械，缺乏金牌导购的共情力与温度。
4. 转化路径断层： AI 仅负责“聊”，不负责“卖”，导致流量止步于对话。
5. 推荐内容空洞： 堆砌冰冷参数，无法触达用户的使用场景与真实痛点。

为了深入探索 AI 导购落地场景，我尝试以手机商品为例，搭建了一个「手机商品导购服务」智能体，搭建平台选择的是腾讯元器，原因是上手简单，拥有强大的生态与一键发布小程序的能力，方便分发给用户进行体验。

针对上述的痛点，制定了针对性的解决方案：

下面来展开讲解这个手机导购服务智能体的具体搭建步骤。

二、智能体的搭建

我选用的是单工作流模式，用户的每次对话都会直接调用工作流，进行回复。

工作流的设计

工作流搭建比较简单，主要采用了2个大模型节点+1个知识检索：

1. 手机导购助手大模型节点：主要负责意图识别和行为决策。用户需求不完整则直接引导用户进行需求澄清，完整则移交给导购专家。
2. 手机导购专家大模型节点：根据手机导购助手梳理的用户需求和知识库检索结果，编辑整理输出推荐话术。
3. 知识库检索：由手机导购助手大模型判断是否需要进行知识库检索，如果需要检索则生成检索关键词，进行知识库检索。

功能时序图如下：

工作流关键节点拆解

拆解以下关键步骤节点的运行逻辑：

手机导购助手大模型节点：

功能目标

意图识别、需求澄清、行为决策

功能职责

全局中控的角色，负责识别用户意图，决策下一步行为。

1. 负责用户接待：引导用户澄清购机需求（同时梳理需求关键点），拒绝回答无关问题。这里注意，要在有限对话轮次完成需求澄清，防止用户厌烦而流失，因此增加了情绪识别的功能。
2. 判断是否移交给专家：根据上下文对话，判断用户需求是否完整，若完整可以移交给手机导购专家。
3. 判断是否需要调用知识库：判断可以移交给导购专家后，还需要判断本轮用户对话是否需要调用知识库，并且根据和用户的对话记录，梳理知识库检索词。因为有时用户可能只是简单的追问或闲聊，并不需要重新调用知识库。

相关提示词片段如下：

# 角色

你是一个智能手机导购助理（前台接待）。你的核心任务是热情地接待用户，通过多轮对话厘清用户的购买需求，提取关键信息，最终将用户精准引导给后端的“手机导购专家”。

## 人物设定

– **人设**：温柔、甜美、乐观、爱笑的导购小姐姐。

– **共情能力**：富有耐心，能敏锐识别用户情绪。遇到用户生气、失望时，优先进行安抚和道歉，再处理业务。

– **语言风格**：口语化、亲切，避免机械的重复回复。禁止使用“作为AI语言模型”等说教式用语。

– **语言适配**：始终使用与用户当前输入相同的语言（中文/英文等）进行回复。

## 功能职责

1. **意图识别**：判断用户是想买手机、单纯闲聊，还是咨询无关问题。

2. **需求澄清**：通过引导式提问，补全购买手机的核心要素（预算、用途、品牌偏好）。

3. **情绪安抚**：识别负面情绪并优先回应情感。

4. **拒绝无关请求**：礼貌拒绝与手机导购无关的复杂任务（如写代码、查天气），引导回手机话题。

5. **信息转交**：一旦需求明确或用户要求推荐，提取结构化信息并触发转交。

大模型节点运行逻辑

输入内容

• 本轮对话内容：引用开始节点的”UserQuery”
• 对话历史：引用开始节点的”ChatHistory”

处理步骤

大模型对输入信息的处理，主要分为以下几个步骤：

1. 意图与情绪分析：分析用户当前情绪是闲聊问候、无关问题、负面情绪、购买意图
2. 需求完整性判断标准：罗列移交专家的标准。除了需求完整后移交，还可能出现用户强烈要求推荐、情绪不耐烦等特殊情况，也需要判断可以移交。
3. 引导提问策略：当确认不能移交专家，需要按提问策略进行提问，比如问题优先级、单次单问、提供选项等，降低用户的回答门槛。
4. 知识库调用判断：当确认可以移交给专家，还需要根据上下文的情景，去判断本轮对话是否需要调用知识库。比如明确参数查询、具体推荐、竞品对比，需要调用知识库；比如闲聊追问，不需要新数据的情况无需调用知识库。

具体执行流程细节如图所示：

输出内容

以JSON格式进行结构化输出，方便后续节点的调用。

## 输出格式要求 必须严格遵循JSON格式，不要包含Markdown代码块（如 “`json）

{

“reasoning”: ” 简短的思考过程。分析用户意图、情绪以及还缺什么信息。”,

“handoff”: “是否移交给手机导购专家。需要推荐时为 true，还在收集信息或闲聊时为 false”,

“need_search”: “是否需要搜索知识库。仅当 handoff 为 true 时生效”,

“search_query”: “专门用于知识库检索的关键词字符串”,

“extracted_info”: {“budget”: “预算范围”,”usage”: “主要用途/场景”,”brand”: “品牌偏好。”,”other”: “其他要求（内存、颜色等）”},

“reply_to_user”: “引导用户或闲聊的内容,或是移交给专家的过渡语”

}

代码节点

这一步需要将手机助手大模型节点生成的JSON格式文本内容解析为真正的JSON结构。对于非开发者用户，虽然我们不会写代码，但只要将需求背景描述清楚，就可以借助AI生成。以下是我发给DeepSeek的提问信息，大家可以参考：

然后把代码粘贴到代码编辑器中尝试运行测试，运行成功后会输出我们想要的JSON结构，点击解析到输出变量就自动填写好输出的JSON结构内容了。这里注意，变量名称和代码中的输入变量名称要保持一致，否则会运行出错。

知识库检索节点

1. 知识库的处理

• 内容信息整理：由于知识库检索结构，是按照内容分块进行召回的，因此要把同一手机型号的信息整理在一块，内容主要包含用户最关心的手机信息，如价格、适用人群、功能参数、选购策略等。为了让知识库能更准确地检索匹配到手机，还梳理了功能核心关键词。
• 排版格式整理：将信息结构化整理为markdown格式，手机型号作为二级标题，每个手机型号内容之间增加特殊格式分隔符”$$$”进行标记。单个手机型号内容片段如图：

按照我这个内容格式上传后，元器会自动切分知识库片段，测试下来召回的知识片段内容都是完整的。

2. 知识库的上传

在应用设置界面的知识模块，点击「添加」按钮

然后选择「去新建」知识库

跳转知识库页面，点击「新建知识库」-选择通用知识库，然后填写名称和描述，点击「确定」后，就可以看到创建好的知识库列表。

点击刚创建好的知识库，进入知识库文件页面，点击上方的「导入」按钮，按提示上传我们整理好的知识库文档。

然后我们再回到应用设置页面，点击「添加」按钮，选择我们刚刚创建好的知识库，点击「确定」后，完成知识库的添加。

3. 工作流中使用知识检索

使用场景：在手机导购助手大模型节点中，判断本轮对话会使用知识库时，会调用这个知识库节点。

• 输入变量：手机导购助手大模式节点生成的知识库搜索关键词（经代码节点解析后）
• 用户问题：引入搜索关键词变量
• 检索范围：默认全部知识，因为在应用设置中，我们仅选择了一个知识库（注意：这个知识库一定记得要在应用设置界面添加，否则检索无效。）

手机导购专家大模型节点

目标

引导用户完成购买决策，并提供明确的购买链接或下一步行动指引。

功能职责

1. 理解用户需求：接收手机导购助手梳理的用户需求，结合用户需求进行推荐。
2. 知识库事实性检查：检查用户需求和知识检查内容的匹配度，并严格根据知识检索结果回答，防止AI编造不存在的商品。
3. 按照回复策略给出推荐方案：采用“主推 + 备选 + 选购对比 + 场景结论”的模版公式，并且把“冷冰冰的参数”翻译成“有温度的场景故事”。
4. 完成下单转化引导：在推荐的最后自然植入下单链接，引导用户购买下单。

部分提示词片段如下

# 角色

你是一名专业且热情的“手机导购专家”。你不仅精通各类硬件参数，更擅长捕捉用户的生活细节。你的任务是利用检索到的专业数据（Knowledge）和需求（Extracted Info），为用户提供既专业又具人情味的选购建议，最终引导购买决策。

# 人物设定

– **人设**：一个懂技术、有温度的手机达人。像朋友一样倾听需求，像专家一样给出方案。

– **核心逻辑**：拒绝冷冰冰的参数堆砌，提倡“参数场景化”。将“5000mAh”转化为“重度使用一整天”，将“骁龙8 Gen3”转化为“玩大游戏不掉帧”。

– **客观性**：好坏直说，不盲目吹捧，用真诚赢得信任。

– **语言风格**：口语化、亲切。禁止使用“作为AI语言模型”等说教式用语。

– **语言适配**：始终使用与用户当前输入相同的语言（中文/英文等）进行回复。

– **事实一致性**：必须严格基于 `<Knowledge>` 回答。如果知识库没有相关信息，承认不知道，不要编造。

– **下单转化**：在引导购买环节，你可以生成模拟的购买链接文案比如，`[购买链接（示例）]`，展示你引导下单转化的能力。

大模型运行逻辑

输入内容

• 本轮对话内容：用户当前的提问，引用开始节点的”UserQuery”
• 对话历史：用户与智能体的历史对话记录（用于保持上下文连贯），引用开始节点的”ChatHistory”
• 知识库检索结果：从知识库检索到的手机相关知识内容，引用知识检索节点的”KnowledgeList”
• 购买需求总结：手机购买助手大模型节点提取的结构化需求（预算、用途、品牌等），引用代码节点的”extracted_info”（注：代码节点用于处理json文本转化为json结构数据）

处理流程

大模型节点内部会按照以下步骤进行处理：

1）需求复述与共情：在回答前，先用 1-2 句话复述用户核心需求，让用户感到被理解。

2）知识库完整性检查：检查「知识库检索结果」是否包含回答“用户当前提问”所需的关键信息（价格、参数、选购意见等）。

• 信息部分缺失/不匹配：会采用“坦诚告知 + 软性挽留”的回复策略，告知用户“库存中暂时没有匹配到你这项需求的产品，这边已经记录下来了，到货后会尽快通知”，并引导留资。（考虑这里可以拓展功能，接入数据库进行留资记录）
• 信息充足：执行下一步的回复策略。

3）场景化回复策略：列举几个常见的回复场景，给到大模型进行参考，详细策略内容见下图。

4）自然转化引导：在回复结尾，用一句话将互动提问与购买链接自然结合，引导用户下单转化。

输出内容

以markdown格式进行输出，排版整洁好看，方便用户阅读。

# 输出要求

– 使用 Markdown 排版，重点信息加粗。

– 增加适当的分隔符和emoji标签，排版整洁，方便用户阅读。

– 语气：亲切感柔和、专业、有帮助。

三、遇到的问题和搭建痛点

1. 大模型的任务范围确定

在搭建初期，我曾陷入任务边界模糊的困境：既希望模型负责意图识别与决策，又希望可以深度追问与精准推荐。我尝试过多种实现方式，但都遇到了一些问题：

• 单一模型执行： 任务过载导致模型注意力分散，输出极不稳定，回复质量难以达标。
• 多个模型执行：强行将意图识别与需求澄清拆分为独立节点，虽提升了追问质量，却因割裂了关联任务，导致上下文连贯性变差。

经过多轮迭代，最后采用了目前我认为效果最好的方案：由一个大模型负责前台接待，由另一个大模型负责后端服务。

同时对于大模型的任务范围确定有了更深刻的理解：

• 如果任务产物涉及多步骤推理、严格的逻辑闭环或复杂的知识处理，就必须单独调用一个大模型去执行。比如我的手机导购专家大模型节点，里面包含了对知识检索结果的完整性识别，不同情况下的回答策略执行，就只能专门使用一个大模型节点去实现任务。
• 如果多个任务之间是有关联性的，存在强顺序依赖或上下文共享需求，尽管需要输出多个结果产物，可以考虑合并在一个大模型中去执行。就比如手机导购助理大模型节点，包括意图识别、需求梳理、需求澄清、行为决策，但是任务之间是有先后顺序关系的，可以合并在一个模型中执行。这能确保逻辑链条的自然平滑，让下一步引导更贴合用户意图。

2. 多模型架构下的对话连续性优化

由于将“需求引导”与“手机推荐”拆分为独立模型，虽然提升了执行稳定性，却带来了人设语调不一和对话断层的挑战。

为实现后端多节点、前端用户无感知的平滑切换，我总结了以下有效路径：

• 全局人设映射：保持统一的人设与语言风格。通过在 Prompt 中同步性格预设，确保系统从“导购助理”切换到“技术专家”时，语调依然连贯，避免从“贴心导购”瞬间变为“冷酷说明书”。
• 全量语境注入：调用“专家”节点时，不仅传递提炼后的需求标签，更要同步原始对话历史。同时，在 Prompt 中明确当前所处的对话阶段，使专家模型的回复能精准承接助理的引导话术。

架构演进思考：从“多节点并行”到“主从协同”

由于该场景比较简单，通过提示词人设的统一基本可以实现对话的连续性，但对于更复杂的业务场景，我认为最优解是实现统一入口的“主从架构”：

• 职能下放：将“导购专家”重构为一个具备深度推理能力的 Skill Tool。
• 统一出口：所有专家产出的专业内容，均由“导购助理”进行二次封装与语调修饰。
• 核心价值：这种做法彻底解决了风格撕裂问题，使“专家”节点可以专注于纯粹的逻辑计算，而将“用户体验”的闭环交由“助理”统一管控。

四、场景扩展与延伸：从“手机导购”到“通用导购助手”

基于目前的手机导购架构，我们可以通过自定义内容与功能升级，将其快速迁移至更多业务领域，构建出更懂用户、转化率更高的通用导购体系。

1. 知识库层：从“静态资料”到“动态实时”

• 内容自定义： 根据实际业务需求，录入商品参数、导购知识及配套图片素材。
• 功能升级（实时感知）： 通过 API 链接业务库存系统。当用户询问“是否有货”或“最新降价”时，专家节点能调用实时数据，给出即时、真实的回复。
• 盲区自动记录： 自动收集用户提问中未命中的知识点并存入数据库，辅助业务人员精准补充知识库或调整库存备货。

2. 大模型交互层：从“被动回复”到“策略销售”

• 销售策略封装： 将金牌销售的语言风格和引导思路封装进提示词。通过对不同风格（如：技术专家风、亲和邻家风）进行 A/B 测试，筛选出转化率最高的回复策略。
• 用户画像联动： 通过 API 接入用户行为画像（如历史浏览、购买频次），使模型能从多个维度（价格敏感度、品牌偏好等）进行个性化推荐。

3. 信息存储层：从“一次性对话”到“全周期服务”

• 用户偏好沉淀： 在对话中自动提取并记录用户的核心需求（如：预算范围、核心用途、外观偏好），在用户下次咨询时实现无缝衔接。
• 线索自动留存： 智能识别并提取对话中的意向信息（如：联系方式、地理位置、预约时间），自动同步至后台，方便销售人员进行后续的高效跟进。

五、应用效果展示

需求澄清

每次提问一个简单问题并给与回复参考，多次引导澄清用户的购买需求。

情绪识别

通过用户的对话语气，识别用户不耐烦的情绪，即使用户需求不完整也会执行推荐任务。

手机推荐

1. 知识库检索有结果

会按照回答策略进行回复：总-分-总，给出备选方案并对比分析（带给用户使用画面感），最后转化引导。

2. 知识库检索结果不满足用户需求

会诚实告知用户库存中没有，引导用户尝试其他需求方案，同时引导用户留资。

推荐追问

智能体会根据用户的关心细节，进行进一步的对比分析，给出总结性意见，并引导用户前往购买链接查看。

六、结语与展望

在参与腾讯元器智能体创作大赛，实现搭建手机导购智能体后，我有几点最深刻的实测感受：

• 腾讯元器的“低门槛”与“高上限”： 以往搭建这种多角色协同、挂载私有知识库的系统，至少需要一个小型研发团队。但在元器上，通过工作流可视化编排，我一个人在几小时内就完成了从逻辑设计到一键分发小程序的闭环，后续都是提示词的迭代调优。智能体的搭建可以帮助我们快速迭代实现想法。
• RAG（检索增强生成）是导购的灵魂： 知识库的内容整理是RAG技术实现的关键，只有召回内容结构完整，信息充足的知识片段，才能推荐真正符合用户需求的商品。
• AI导购服务的价值巨大：深刻感受到让AI复制顶级销售思维和策略来服务用户，过程是多么的高效顺畅，一个懂用户、会共情，会带给用户临场感的AI导购，能够轻松协助用户做出选购决策、完成转化。无论对于商家还是消费者，其未来价值和功能潜力都极为广阔。
• 多节点协同架构设计巧妙： 我最满意的是“助理+专家”的双模型架构。助理负责嘘寒问暖、摸清底细，专家负责一锤定音。这种设计刚好跟线下门店的接待逻辑有异曲同工之妙，人类的成熟分工或许可以借鉴在AI架构设计中。

行业趋势展望

随着 2026 年大模型技术的进一步普及，我们正在见证导购场景从“被动咨询”向“代理式选购”的跨越：

• 从“搜”到“选”： 未来的导购助手将拥有更高的自主权，能够通过 API 实时监控价格波动与库存，甚至根据用户授权自主完成比价与下单。
• 虚实融合的感官体验： 结合多模态技术，AI 导购将不再局限于文字，它能通过实时生成的视频或 AR 演示，带你 360 度“云上手”最新款产品。
• 情绪价值成为核心竞争力： 谁的模型更能理解消费者的潜台词，谁就能在存量竞争时代赢得用户的长期信任。

智能体体验与交流

如果你也想拥有一个 24 小时在线、不休息、不带情绪、且精通业务的销冠助理，不妨现在就去腾讯元器动手尝试。

欢迎打开下方链接，对话体验我搭建的「手机导购服务」智能体：

https://yuanqi.tencent.com/webim/#/chat/VTwDXL?appid=2001601879974770304&experience=true

如果你在搭建过程中有任何问题，对 AI + 导购场景有任何想法意见，欢迎在评论区留言～