自定义智能体怎么配？从一句需求到稳定执行

自定义智能体和普通的 AI 对话，差别不在模型，在稳定性和可复用性。

对话是一次性的：这次说清楚了，下次还得重说；你调出的好效果，同事复现不了。智能体是固化的：每次按同一套规则执行、输出同一种格式、可以交给别人直接用。

判断一件事该不该做成智能体，标准很简单：这个任务你一个月做几次？ 三次以上就值得。

一、智能体配置的五个要素

前四条是基础，第五条最容易被跳过，也最影响实际可用度——真实数据里总有格式不对、内容缺失、超出预期的情况。

二、判断标准怎么写

这是智能体和普通提示词最大的区别所在。对话时你可以边看边调，智能体必须提前把判断规则写死。

以"客户反馈分类智能体"为例：

❌ 模糊标准
把用户反馈分成几类

✅ 明确标准
按以下规则分类，同时符合多条时按优先级取第一条：
1. 提到"无法""打不开""报错" → 故障类
2. 提到"希望""建议""能不能加" → 需求类
3. 提到"太慢""找不到""不知道怎么" → 体验类
4. 明确表达情绪但无具体问题 → 情绪类
5. 以上都不符合 → 未分类（保留原文）

注意最后两条：第 4 条处理了模糊情况，第 5 条给了兜底。没有兜底，模型会强行把不符合的内容塞进某一类，污染整批结果。

写判断标准的方法：拿 20 条真实数据自己手工分一遍，把你的判断依据写下来——那就是标准。凭空想出来的规则通常覆盖不了实际情况。

三、输出格式必须写死

如果这个智能体的结果要被人看，格式统一能省下整理时间；如果要被下一个环节消费，格式必须稳定，否则整条链路会断。

【输出格式】
每条反馈输出一行，用 | 分隔：
原文摘要（20字内） | 类型 | 严重度（高/中/低） | 建议动作

不要添加表头、编号或说明文字。

三条实操要点：

• 字段固定，不要让模型自己决定输出哪些信息
• 明确禁止额外内容——开场白、总结、"希望有帮助"这类
• 说明分隔方式——换行、竖线、JSON，看下游怎么用

四、边界处理：真实数据总有意外

配置时想不到、上线后天天遇到的几类情况：

输入为空或过短。 写清楚："如果输入少于 10 个字，输出'内容不足，无法判断'，不要猜测。"

输入格式不符合预期。 "如果收到的不是文本而是链接或代码，原样返回并标注'格式异常'。"

内容超出处理范围。 "如果内容涉及法律或医疗判断，标注'需人工处理'，不给结论。"

批量处理时部分失败。 "逐条处理，某条失败不影响其余，失败的标注原因。"

这几条加上之后，智能体的实际可用度会有质的差别——因为它不再在遇到意外时胡乱输出。

五、从一次性对话升级成智能体

多数智能体不该从零配置，而应该从一次成功的对话里长出来。流程：

第一步：先用对话把任务跑通一次。 反复调整直到输出满意。

第二步：回看这次对话，把有效的部分提炼出来。 你在哪些地方补充了背景？纠正了哪些误解？追加了什么要求？——这些就是智能体配置里该写的内容。

第三步：写成五要素结构，跑三条新数据验证。

第四步：拿失败的那几条继续补规则。 通常两三轮能稳定。

这个路径比"直接写一个完美配置"现实得多，因为你在对话中犯过的错，正是配置里必须堵住的洞。

六、智能体中心：不必每个都自己配

搭建时可以直接从智能体中心选用现成的能力组件，把分析、总结、生成等节点快速接入。

推荐的推进方式：

1. 先用现成组件把整条链路跑通
2. 看哪几个节点的输出不理想
3. 只把这几个替换成自定义智能体

这比从零配置每个节点快得多，也更容易发现真正需要定制的是哪一环。

七、什么任务适合做成智能体

三条判断标准，同时满足才值得：

标准一：重复发生。 一个月三次以上。一次性的任务直接对话更快。

标准二：判断规则相对固定。 如果每次的判断标准都不同，写不出稳定的规则，那就不该固化。

标准三：输入输出可以描述清楚。 说不清楚接什么、出什么，配置出来的智能体也不会稳定。

典型适合的任务：

• 客户反馈分类与优先级判断
• 简历初筛（按固定维度打分）
• 内容合规检查（按明确的红线清单）
• 周期性报告的初稿生成
• 多份文档的要点提炼与对比

典型不适合的：战略判断、创意发散、需要大量隐性知识的决策。这类任务人的判断才是价值所在，固化了反而丢掉核心。

八、效果不理想时的四个优化方向

按这个顺序排查，比笼统地"再调调提示词"高效：

方向一：判断标准是否够具体。 出现"分类结果我不认同"，通常是规则里有模糊表述。回到那 20 条手工样本，看是哪一条规则没覆盖。

方向二：输入数据质量。 喂进去的内容是否完整、有没有噪音。有时候该加的是一个前置的清洗节点，而不是改这个智能体。

方向三：输出格式约束。 下游接不住，通常是格式没写死或者没禁止额外内容。

方向四：任务是否该拆。 一个智能体同时做分类、打分、写建议，三件事的质量会互相拖累。拆成三个节点串起来通常更稳。

方向四涉及多节点编排，做法可以看AI 工作流怎么搭。

九、智能体和工作流的关系

一句话概括：智能体是节点，工作流是把节点串起来的链路。

• 单个任务，配一个智能体就够
• 多个环节需要自动接力，用工作流把智能体串起来
• 工作流里的每个节点，可以是现成组件也可以是自定义智能体

建议的推进顺序：先把单个智能体配稳定，再考虑串成工作流。链路上有一个节点不稳定，整条链的输出就不可信——而排查一条五节点的链路，比排查一个节点难得多。

常见问题

自定义智能体需要写代码吗？

不需要。用自然语言描述角色、判断标准、输出格式和边界处理即可，通过画布连接输入数据和输出位置。

什么任务值得做成智能体？

同时满足三条：一个月做三次以上、判断规则相对固定、输入输出能描述清楚。缺一条就不值得固化。

判断标准怎么写才具体？

拿 20 条真实数据自己手工处理一遍，把判断依据写下来。凭空想的规则通常覆盖不了实际情况，还要记得加兜底规则。

为什么输出格式必须写死？

给人看时统一格式能省整理时间；接进工作流时，格式不稳定会导致下游节点无法消费，整条链路断掉。

和 AI 工作流有什么区别？

智能体是单个处理节点，工作流是把多个节点串成自动接力的链路。建议先把单个智能体配稳定再串工作流。

结语

自定义智能体的价值在于稳定和可复用——同一套规则、同一种格式、别人拿去也能用。

五个要素里，判断标准和边界处理最决定实际可用度。别从零配置，从一次成功的对话里提炼；别追求一步到位，跑三条数据补三条规则，两三轮就能稳定。