政务智能体

我们将探讨的第一类智能体是决策智能体，它们使用智能体决策制定在复杂、多步骤的推理流程中导航并做出业务决策。与RAG或工具使用方法不同，这种架构首次将一定的控制逻辑交给LLMs，而不是预先设定所有步骤-但仍位于智能体自由度范围的较低端，因为智能体主要作为路由器导航一组预先确定的决策树。让我们以[Anterior](https://www.anterior.com/)(前称Co:Helm)为例。该健康计划自动化公司开发了一个临床决策引擎,用于自动化理赔提交审核。护士们如今凭借装满条件知识(就像世界上最无聊的"自选冒险")的付款人规则手册,人工完成这些审核。Anterior简化了这个过程。该公司首先将付款方规则转换为有向无环图(DAG),使用基于规则的脚本和语言模型。然后,他们的智能体遍历这个决策树,在每个节点利用LLMs来评估相关的临床文件是否符合特定的规则。对于较简单的节点,这可能涉及基本的检索增强型生成(RAG)步骤。但是,Anterior经常遇到需要子链的更复杂的任务,在这种情况下,智能体必须选择最佳方法,然后才能进入下一个节点。它会在每次决策时更新自己的状态(在内存中管理这些中间输出),并一直进行到最终确定。前者并非独一无二的采取这种方法。其他领域也在利用决策智能体,包括[Norm AI](https://norm.ai/)正在为监管合规打造AI智能体,以及[Parcha](https://www.parcha.com/)正在为KYC建立智能体。

本智能体主要通过一个工作流实现，采用单Agent（工作流模式）。[heading3]2工作流主要配置[content]工作流全景图：工作流主要节点说明：整个工作流按照市场分析报告内容划分，分成7个分支处理，每个分支调研并生成报告中的一部分。这样可以最大的发挥并行处理的效率。文本处理节点，将用户输入与报告某一部分的主题拼装，形成用于网络搜索的关键词句。必应搜索节点，根据指定的关键词句搜索相关网络内容。LinkerReader节点，从必应搜索到的网页链接中获取网页详细内容。此节点采用批处理方式，每批处理搜索结果中的一条链接。在LinkerReader节点前的代码节点，用于等待2-3秒，可以将众多LinkerReader节点的执行时间错开，避免拥塞。代码节点，将搜索到的网页链接信息进行过滤，只保留网页名称、摘要、url信息，以备后面大模型进行处理。大模型节点，根据多个网页中获取的内容按照指定的格式生成报告内容，并根据代码过滤后的搜索摘要信息列表将引用链接加到报告内容中。结束节点，将7部分大模型节点生成的内容拼接并流式输出。

创建一个智能体，输入人设等信息，放上刚才创建的2个工作流。配置完成后，就可以测试了~[heading1]千万不要直接发布！！！[content]工作流2中【所有视频片段拼接】节点使用的插件api_token填的是你的token，其他人调用这个工作流会直接消耗你的money，所以不能直接发布。你可以将api_token作为工作流2最开始的输入，用户自己购买后，输入api_token就可以使用，然后再发布。看到这里，说明你离做出来就差一步行动了，期待看到你的成果！我是五津：C端新闻、视频产品经理，2025 AI春晚节目统筹&共创者，我的微信是：wdwxhs0100，欢迎来聊~我的公众号是【宝藏智能体club】