AI 客服为何常常“听不懂人话”？问题不在技术不够先进，而在于上下文工程的设计是否到位。本文将手把手带你拆解 AI Agent 的核心机制，从上下文窗口到指令结构，一步步构建一个真正“能听懂、会思考”的智能客服。

上一篇文章制作了一个AI翻译应用，感觉还蛮有意思的，对扣子工作流和低代码有了简单地了解。最近想知道扣子对话流形式的内容是怎么配置出来的，于是乎去学习了一下，实操了一把——制作「水果店智能客服」。

效果

向智能客服问问题，它就会回答，可以点击看效果。

使用工具

扣子对话流智能体

步骤

• 第一步：创建对话流智能体
• 第二步：配置智能体
• 第三步：调试第一步：创建对话流智能体

进入我们的扣子空间，点击创建，使用「智能体」创建。

第一步：创建对话流智能体

完成智能体创建后，我们将智能体改为「对话流模式」。

我们点击添加「对话流」。

给对话流取名后，点击确认，我们就可以进入对话流智能体了。

第二步：配置智能体

首先我们添加一个知识库检索节点，用来在用户端输入问题后，在该节点进行问题检索回复。

我们在知识库检索节点上添加知识库，这里我使用表格格式，上传本地文档定义检索的知识库内容范围。

此处我的知识库内容使用deepseek输出的，如果你是为实际业务服务的，可以使用企业自己的知识文档。后续真正使用中，我们向客服提问得到答案，就以此为准。

这是deepseek输出的水果店客服问答表

上述点击「创建并导入」，就会进入到如下第一步了，我们将excel传上去，然后按照每一步的要求，就可以最终把知识库建好。

• 第一步：上传excel
• 第二步：解析excel，配置表结构
• 第三步：预览数据的正确性
• 第四步：处理数据，最终使其可用

然后我们将「开始」节点与「知识库检索」节点进行连接，为知识库检索节点配置上「输入」，「输入」拿的是「开始」节点的「USER_INPUT」；目标知识库选取刚才导入的「水果店客服问答」表。

添加一个「大模型 」节点，连接「知识库检索」节点与「大模型 」节点，然后配置「输入」的值是「知识库检索」节点的output，并写上「系统提示词」，写系统提示词是为了处理「知识库检索」节点的output，进行更加语义化的处理，比如输出内容要温柔、体贴等。

最后将「大模型 」节点与「结束」节点连接，然后配置「输出变量」为「大模型 」节点的output，并配置回答内容与流式输出。

第三步：调试（如有需要可以发布）

好啦，我们可以开始试运行啦，看看效果如何。

我们可以发现，如果输入的内容在知识库内，那么智能客服可以正常回答；如果是在知识库外的，比如我输入了「足球」，智能客服会让我详细地描述下问题。

这个案例也是，我问了打折的问题 ，超出了知识库的范围，它就需要我描述得更加清晰点。

但2这个部分，是属于知识库的范围，因此智能客服进行了反馈。

复盘

这次照着网上老师的分享，完成了对话流智能体，总体来说还算简单的。需要注意的是，我们要上传知识库，为了AI的回答在正确的范围内。

在使用对话流的过程中，我对扣子的对话流和工作流产生了好奇，想知道它们什么区别：// 对话流：关注“怎么聊”

核心是管理与用户的对话过程。 它决定了AI如何与用户进行一轮又一轮的交流，重点关注对话的节奏、逻辑和用户体验。

主要特点

1. 对话驱动：以“一问一答”为基础单位。
2. 管理状态：会记录用户说了什么，AI回复了什么，从而管理多轮对话的上下文。
3. 条件分支：根据用户不同的回答，引导对话走向不同的分支（就像选择题）。
4. 主动提问：可以通过“开始节点”主动向用户提问，开启一个结构化流程。

简单来说，对话流解决的是： 如何通过对话，一步步从用户那里拿到所需信息，并给出恰当回应。

工作流：关注“怎么做”

核心是执行一系列具体的任务。 它像一个自动化流水线，当被触发后，会按照预定步骤执行一系列操作，重点关注动作的执行、数据的处理和结果的产出。

主要特点

1. 动作驱动：以“执行一个具体任务”为基础单位。
2. 线性与并行：步骤可以一个接一个串行，也可以多个同时并行。
3. 数据处理：擅长调用API、计算、判断、循环、操作数据库等。
4. 无需频繁交互：一个工作流启动后，可以“埋头苦干”，直到产出结果，中间可能不需要和用户多次对话。

简单来说，工作流解决的是： 当我知道目标后，如何自动化、程序化地完成一系列复杂任务。