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。
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：
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。
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。
工作流搭建比较简单，主要采用了2个大模型节点+1个知识检索：
功能时序图如下：
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。
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
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：
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”
}
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。
1. 知识库的处理
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。
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
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
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）。
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。
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：
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：
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：
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”：
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。
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。
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。
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。
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。
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：
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：
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～
本文由 @陈一一 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。