上期我聊了《自动化、AI工作流和AI智能体的区别》，关于企业的自动化手段，包括AI工作流，还有关于AI智能体的区别，今天我们继续来聊这个话题，其实上次线下分享完之后，不少群里的朋友留言问我：
“我听懂了，但还是不知道从哪开始动手。” “有没有一个能实打实用起来的案例？”
今天，我就带你从零开始，实战搭建一个最小可用的 AI 智能体，看它怎么帮我每天省下 1 个小时。
场景：售后客服
在电商的场景下，比如自媒体课程的咨询，经常会收到类似的售后问题：
“你这个课适合零基础吗？”
“视频课还是直播课？”
“课能退款吗？”
“学完之后能找工作吗？”
虽然都是好问题，但太！重！复！了！
有些甚至每天要回答 5~10 次，效率极低，还容易漏。
所以想想：这些问题逻辑简单，内容清晰，答案确定，完全可以让 AI 来帮我们处理啊。
工具选择
对于本次我们要搭建的智能客服，需要重点考量几个核心能力：强大的知识管理能力、灵活的对话逻辑处理、多渠道发布集成以及持续的迭代优化能力。
市面上其实有非常多优秀的 AI Agent 平台可供选择，例如 Coze、dify 和 n8n。但在实践中，它们各有侧重。
n8n最近声量很大，不少自媒体博主都不约而同的推荐，虽然它主要是作为流程自动化的平台，但是其开源可独立部署，非常好的社区生态，极高的编排自由度，使其跨系统的整合能力非常好。
我曾尝试使用像 n8n 这样的流程自动化平台来搭建智能客服。虽然它在处理复杂工作流上表现出色，但很快就发现它并不完全符合轻量智能客服的需求：
开发门槛较高：构建复杂的对话逻辑需要编写一些代码，更适合有开发背景的用户。
知识库缺失：n8n 没有内置的知识库功能，必须对接外部的 RAG (检索增强生成) 系统，对于非专业用户，增加了上手难度。
部署限制：需要私有化部署，平台付费后才能使用，对于初期尝试或小团队来说不友好。
当然，如果你本身就具有研发的能力，n8n肯定还是更合适的选择。
Dify 相比较搭建一些轻量的智能客服的场景下其实是更优的，它在关键节点上提供了更直接、更强大的支持：
深度定制与优化：智能客服的核心在于精准理解用户意图并提供个性化回复。Dify 提供了强大的 Prompt 工程、模型微调和 RAG (检索增强生成) 工作流，支持高度定制你的客服 Agent，输出更精准、更智能的回复。
知识管理与准确性：智能客服的智能化水平，很大程度上取决于其所拥有的知识。Dify 在知识库管理和数据标注方面表现更好，不仅可以人工处理知识库分片的结果，还内置支持召回的重排策略，进一步提升知识库召会准确率
可控性与灵活扩展：开源平台，Dify 也提供了私有化部署的选项，这对于企业用户尤其重要，可以更好地保护数据隐私和安全。
尽管 Coze 在快速原型开发和概念验证方面有其优势，n8n 在自动化流程方面表现卓越，但 Dify 在 AI Agent 的深度定制、知识管理以及灵活的部署能力上，具备它自己的优势。
不过其实三者在智能体搭建的一些步骤和核心概念上其实是一致的，dify和Coze的很多界面都非常类似，大家也不必特别纠结。
OK，接下里我们开始搭建流程。
搭建流程分享（5步搞定）
1. 构建知识库
知识库其实是作为核心大模型的外挂存在的，很多时候个人、企业甚至行业的专业和隐私数据都是不会在公网上公开的，所以大模型大概率没有相关的内容输入，因而需要一种能力可以在回答问题前，将相关的内部资料给到大模型进行学习和参考，让问题回答更完善，更贴近任务目标。
这里呢，我们可以将客服经常被问到的问题（及标准答案）整理成一份 FAQ 文档， 还包括课程介绍，优惠政策说明等等，打包到一起作为我们客服助手的核心知识，文档格式推荐为 Markdown / Word / PDF，建议根据内容类别分开文件存储，并且注意内容的格式尽可能统一且清晰，比如这种问答形式：
OK，下面我们来创建知识库。
在进入 Dify 界面后，顶部中间会有4个切换栏，点击知识库 -> 点击创建知识库
既然叫知识库，库内一定是存储内容的，创建知识库一共有三步：
选择数据源 → 文本分段与清洗 → 处理结束验证结果
先进行数据源的选择。
如下图所示，Dify 支持库支持本地文本，Notion笔记，线上的 url 网站内容读取三种方式，根据自己的需要来选择即可
比如我们这边选择本地文件，作为此次演示。事实上如果你的知识库内容未来需要持续的更新，选择 Notion 或者 web站点 更适合，当云端数据手动更新后，可以定期和手动重新进行知识库的数据处理，省去反复上传文件的烦恼。
点击本地文件，上传文件后下一步，进入到文本分段与清洗，界面左侧是配置项，有测试文件处理结果
左侧配置项重要是通用配置，确定分段标识符（就是上一章我们提到的知识库的格式要统一且清晰），还有单片内容最大长度，以及滑窗算法的重叠部分大小。左侧配置项的详细内容我们后面会专门开知识库的篇章讲解，本期我们可以保持所有默认配置即可。
左侧可以在配置完成后预览数据处理结果，确认无误后点击保存并处理，见到如下界面说明知识库创建成功，内容数据都已完成清洗和分片了
相比较 Coze 的知识库，Dify 知识库不仅支持结果排序优化的测试，还可以自由人工优化数据分片的处理结果，如下图，我们可以手动删除掉第一个分段，让未来通过 RAG 服务召回更精准
好了， 到底我们的知识库搭建起来了，但事实上知识库和RAG是还是比较复杂的，未来我们会单独聊聊这部分的弯弯绕绕。
好，扯远了，那么我们说好的智能体呢？别着急，下一步就来
2. 创建智能体
返回工作室或重新进入 Dify 工作室后可以看左侧「创建应用」，这里我们只点击创建空白应用进入创建界面
应用类型选择 Chatfow，输入应用名称和描述后，点击创建完成
完成之后就会看到图中右侧的编排界面了
3. 设置智能体角色
找到画布中的 LLM 节点，这个节点就是负责配置大语言模型的节点，他是智能体的核心环节，最终问题回答的出口都是通过 LLM 综合处理后输出的。
对这个节点起名叫“课程助手”（可在配置库顶部的 LLM 处点击直接修改），方便后期在很多节点时方便查找，再在节点配置卡片上 SYSTEM 中设定人设：
“你是AI一小石的课程助手，可以帮你解答关于课程内容、购买须知、学习建议等问题。”
当然这是很简单的人设设定，但是你可以使用输入框上面的蓝色⭐️来优化提示词，点击蓝色⭐️后就会弹出提示词生成器界面，左侧配置知道，点击生成，就会通过 claude 帮助你进行提示词的优化，优化结果展示在右侧，可以根据自己的判断是否“应用”到刚才 LLM 的配置上
4. 设计对话流程
下面就是另一个核心的概念了，对话流
所谓的对话流程就是让你和这个智能体咨询时，智能体应该怎么做。举个最简单的例子
这就是一个非常简单的对话流程，大白话就是每次回答问题前先去知识库检索相关信息，再交给 LLM 去回复用户问题。因为有了知识库的内容，所以 AI 的回答会更精准。
但是这个对话流还是我们之前的讲解，AI目前的执行精确性其实是不足的，不仅在用户提出正确的问题后可能获得不符合要求回复外，对于用户的超纲提问，那么这个对话流的结果也处理的不够好。
比如当知识库检索不到匹配结果时：
另外，现实中我们在某些咨询场景下，对话处理的流程是有差异的，单单靠模型自己去处理无法满足诉求。比如遇到“退款”关键词，我希望客服遵照如下步骤一一确定回复：
第一步确认用户是否已购买
第二步提示“联系客服邮箱”
第三步告知审核时效
所以，我们才需要对话流，人工通过拖拽式流程设计器来串起上面的标准化处理逻辑，让智能体的回复更加可靠和准确，下面图是对话拆分后的测试，通过对话流拆解售前，售后和非标问题的兜底回复，回复准确率有感知上的提升，而且通过左侧的运行图也能看到，面对不同的问题，智能体能精准的进行用户意向的判定，非常不错。
5. 渠道接入
Dify 相比较 Coze 在后续的社交平台对接方案不足，但是社区的插件市场其实提供了非常多节点，其实也完全覆盖了国内外大部分的社交平台，但是 Dify 的接入主要是还是以 API 的形式，相比较而言， Coze 的发布更简单一些，但是自由度受限，目前支持对外的方式如下：
具体的渠道接入步骤我们后期会单独开一篇来聊，这里就暂时不赘述。
为什么我建议从“客服场景”入手？
如果你在运营课程 / 做服务 / 卖产品
如果你每天都在回答相同的问题，周而复始
如果你想试试 AI，但不知道从哪开始
那么 “智能客服”算是一个不错的起点：
而且这就是一个完整工作流的最小闭环，从 输入 ➝ 理解 ➝ 响应 ➝ 反馈 ➝ 优化，你品，你细品，是不是这么回事？
✨ 总结
当然，不是每个人都需要马上构建一个超级复杂的智能体
但每个人都可以从一个能帮你“省下时间、替你回应”的小智能助手开始，虽然今天我们介绍的是一个客服的智能体，但是你应该能发现，因为知识库的加入，你可以把你自己的日常积累创建知识库后搭建一个你自己的个人小助手。
如果你已经在动手了，那么恭喜你，你很快就会有第一个自己的“数字员工”了，当老板的感觉如何？
就像我最开始说的：
坚持，是我们能做的最强技能。
每天一小时，构建属于你的 AI 工具链。
粤ICP备14082021号
免费POC，
零成本试错
