智能体不是"更聪明的聊天"，而是"能自己跑完一段流程"。本文用一个真实案例拆解智能体的四个组成要素，给出从零搭建的五步流程，并说明哪些场景适合做、哪些不适合。
很多人以为智能体就是"更会聊天的AI"，这个理解会让搭建走偏。
真正的区别在于有没有流程和工具：
判断标准很简单：如果这件事你每次都要跟AI来回五六轮才能完成，它就适合做成智能体。
① 提示词（人设与规则）——定义它是什么角色、按什么流程做、什么情况下停下来问人。
② 知识库——喂给它专属资料：产品手册、历史案例、公司制度、常见问题。有了知识库，它才不会用通用知识瞎答。
③ 工具/插件——联网搜索、读取网页、调用接口、生成图片、执行代码。工具决定了它能"做"什么而不只是"说"什么。
④ 工作流——把任务拆成节点，节点之间用条件连接。这是智能体和普通对话最本质的区别。
四个要素里，知识库的质量往往比模型能力更决定效果。一个配置了准确产品手册的普通模型，输出会优于一个什么资料都没有的强模型。
案例目标：搭建一个"客户常见问题自动应答助手"，能回答产品咨询，答不上来时转人工。
第一步：把人工流程写清楚
在动手前，先把真人客服怎么做这件事写下来：
这一步最重要，也最常被跳过。 流程不清晰，搭出来的智能体一定乱。
第二步：拆节点
把上面的流程变成工作流节点：
第三步：配置知识库
把产品手册按章节切分上传。三个实用建议：
第四步：写节点提示词
每个节点都要写清楚输入是什么、输出是什么：
你是产品咨询助手。以下是检索到的资料："""{{检索结果}}"""
用户问题是："""{{用户输入}}"""
请基于资料回答，要求：①只使用资料中的信息；②资料中没有的写"这个问题我需要转给专人确认"；③答案控制在150字内；④结尾附一句相关使用建议
输出格式：答案正文 + 换行 + 【依据】《资料名称·章节》
第五步：测试与迭代
准备20个真实问题（包括5个故意刁难的），跑一遍看结果。重点关注三种失败：
迭代三轮，通常就能达到可用状态。
适合：有固定流程、可以查到资料、需要重复执行、产出格式固定的任务。
例如：常见问题应答、会议纪要整理、日报汇总、竞品信息收集、合同条款初检、招聘简历初筛。
不适合：需要临场判断、涉及重大责任、流程本身还没定型的任务。
例如：最终录用决定、大额报价审批、对外法律文书、危机公关回应。
判断依据：错了会怎样？ 错了可以重来、有人工兜底的，适合；错了会造成实质损失的，不适合全自动，至少要在关键节点保留人工确认。
提醒一：先做小流程。 第一个智能体控制在3-5个节点，跑通再加复杂度。一上来就想做"全自动营销助手"，几乎必然失败。
提醒二：一定要有兜底节点。 识别不了、检索不到、生成异常的情况下做什么，必须提前定义。没有兜底的智能体在生产环境里会出洋相。
提醒三：留人工入口。 无论多智能，都要给用户一个"转人工"的出口。这不只是体验问题，也是责任边界问题。
完全可以。目前主流的智能体平台（如扣子/Coze、Dify、各家大模型平台的智能体功能）都提供可视化编排，通过拖拽节点和填写提示词就能搭建。真正的门槛不在代码，而在两件事：一是能不能把自己业务的流程讲清楚，二是能不能把提示词写得足够明确。这两件事恰恰是训练能解决的。
视场景而定。如果是通用任务（翻译、润色、格式转换）不需要。但凡涉及公司专属信息（产品、制度、历史案例、客户情况），必须接知识库，否则模型只能用通用知识回答，等于没有价值。实践中的经验是：知识库的整理工作量通常占整个搭建工作量的六成以上，这部分是省不掉的。
按顺序排查三个地方。第一看知识库：检索有没有命中正确片段（可以让它输出检索到的原文，人工判断）；第二看提示词：约束是否足够具体，特别是"资料没有时怎么办"；第三看流程：是否需要拆得更细，一个节点承担太多任务往往是准确率低的根源。多数情况下问题出在第一步。