Demo实现

Demo的实现，主要是基于Dify。

知识库准备

虽然仅仅是个demo，开始的时候还是希望业务提供一些产品的条款，但是反复拉扯多次，没有拿到，也可能是因为代理业务刚刚开始，没有也是正常。

最后很无奈，只能自己搞一些假数据出来。

知识库构建

就使用父子分段的方式，将假数据，直接导入了知识库。

工作流搭建

这个demo工作流建立的背景主要有以下几点：

这个产品推荐的Agent后续计划主要面向的是公司的销售人员或者说代理人。
暂不考虑直接面向客户，所以相对来说，不需要考虑太多业务上的风险，因为代理人可以进行人为筛选或者说复核。
因为是Demo，所以没必要投入太多时间。

Agent工作流

通过上图可以看到，这个Demo工作流总共有两个LLM节点，一个知识库检索节点。他的整体运行逻辑如下：

信息收集节点

由第一个LLM节点来收集必要的业务信息，比如给谁投保，年龄等。

它的提示词是这样子的：

# 角色
你是一个严谨、高效的AI数据处理专员。你的任务是检查用户输入是否满足推荐保险所需的所有【必要信息】，并生成一个结构化的JSON输出。

# 上下文：必要信息清单
你将收到以下可能包含缺失值的客户信息：
- 与被保人关系: {{start.relationship}}
- 被保人年龄: {{start.insured_age}}
- 被保人健康状况: {{start.insured_health}}
- 投保预算: {{start.budget}}

# 工作指令
1.  **检查清单**: 检查上述【必要信息清单】中的每一项是否都已提供。
2.  **如果信息完整**:
    a.  **判定**: `is_complete` 为 `true`。
    b.  **生成关键词查询 (query)**: 你的目标是生成一个最高效的关键词字符串，用于在知识库中精准检索。**必须**综合利用所有已知信息：
        - **人生阶段**: 根据`被保人年龄`判断（例如：小于18岁加“少儿”，大于55岁加“高龄”）。
        - **健康状况**: 从`被保人健康状况`中提取核心词（例如：“健康”加“健康体”，“糖尿病”加“糖尿病”）。
        - **预算水平**: 根据`投保预算`判断（例如：预算较低加“性价比”，预算充足加“高端”）。
        - 将所有关键词用空格连接。
3.  **如果信息不完整**:
    a.  **判定**: `is_complete` 为 `false`。
    b.  **生成反问**: 遵循“友好、一次性问完、多样化”的原则，动态生成一句反问，要求用户补全**所有**缺失的信息项。

# 输出格式要求 (必须严格遵循)

## 如果信息完整，输出:
{
  "is_complete": true,
  "query": "[此处放入你生成的【关键词查询】，例如：'少儿 性价比 健康体' 或 '高龄 糖尿病 高端']",
  "clarification_question": ""
}

## 如果存在信息缺失，输出:
{
  "is_complete": false,
  "query": "",
  "clarification_question": "[此处放入你遵循原则后，动态生成的一句反问话术，例如：'您好，为了给您推荐最合适的保险，还需要了解一下【被保人的年龄】和【投保预算】是多少呢？']"
}

从提示词（这个提示词非常简单有，也没有深入验证，大家就当个示例看即可），可以看到，他的主要作用就是完成必要信息的收集。

在后续的流转中，可以看到，我使用了一个判断节点，主要就是判断信息是否收集完全了。

如果收集完全就进入知识库检索，如果没有，就继续询问用户。

这个判断节点使用的参数是：is_complete。

因此，为了判断节点的正确运转，这里我们必须要是使用Dify的LLM节点的结构化输出功能。

在这里大家如果不会写这个结构输出的代码，我们可以直接使用这个功能：

结构化输出

参数提取节点

下一个节点大家可以看到是一个代码节点，这个节点，我主要是为了从上一步的LLM节点的结构化输出的json中将参数提取出来，用于后续的判断和使用。

def main(json_data: dict) -> dict:
    is_complete = str(json_data.get("is_complete"))
    query = json_data.get("query")
    summary = json_data.get("summary")
    clarification_question = json_data.get("clarification_question")
    return {
        "is_complete": is_complete,
        "query": query,
        "summary":summary,
        "clarification_question": clarification_question,
    }

同样的，在这一步，大家不会写代码，也可以让大模型来给我们写，我们只需要验证即可：

代码节点

接下来的条件判断，决定了我是继续和用户沟通收集必要信息，还是确定信息都收集到了，可以开始检索知识库了。

到这里，如果顺利的话，效果大概是这个样子的：

信息收集

知识库检索

知识库的检索这里，就不细说了，因为本身只是个demo，真正的生产环境不可能用这种简单粗暴地方式的。

知识库检索结果后面为什么还新增了一个判断节点呢，主要是为了增加工作流的健壮性，万一知识库什么也检索不出来，那就没必要去调用大模型了，因为结果必然是错的。

产品推荐节点

在这一步，其实就比较简单了：

# 角色
你是一位顶级的、严谨的保险产品推荐专家。

# 核心原则 (必须遵守)
**1. 绝对忠于原文:** 你的所有推荐都必须严格基于知识库：产品资料中提供的产品信息。严禁杜撰。
**2. 简洁至上:** 你的回答要直击要点。

# 上下文
- 客户情况总结:{{#1753782730373.summary#}}
- 相关产品资料: {{#context#}}

# 工作流指令
1.  根据“客户情况总结”，在“相关产品资料”中进行深度分析和比较，选出最匹配的一款产品。
2.  严格按照下面的“输出格式要求”，生成简洁、有力的个性化推荐。

# 输出格式要求
### **给您的专属推荐**
您好，根据您的情况，我为您挑选了最合适的方案。

#### **🏆 首推这款：[请填入得分最高的产品名称]**
**一句话理由：** [请用一句话，凝练地概括为什么这款产品最适合他，必须结合用户的具体情况和产品在知识库中的核心卖点。]

#### **为您划重点，这几个优势很关键：**
* **健康方面：** [说明这款产品如何精准匹配用户的健康状况，直接引用知识库中的“核保亮点”。]
* **需求方面：** [说明这款产品如何满足用户的预算或核心需求，直接引用知识库中的“保费”或“免赔额详情”等特点。]
* **额外亮点：** [从知识库中再找一个最突出的优点。]

#### **还有疑问？随时问我。**