这是一个虚构但很典型的案例：安琪是一位为个人和家庭提供保险咨询的保险代理人，最近手头在忙“和 8 位客户进行保障需求沟通”，同时还要准备“筹备一场家庭保障讲座”。这次安琪需要整理一份给团队主管的保障方案说明，决定试试可视化智能体工作流搭建。

背景

对安琪来说，要向客户讲清楚复杂条款，写跟进消息、做需求分析，还要遵守严格的销售规范。偏偏这次还遇到一个变数：一位客户对条款理解有偏差，需要再次沟通。保障方案说明需要尽快交给团队主管，时间并不宽裕。

第一次尝试：问题出在哪

安琪一开始只写了一句话：

帮我写一份关于“年轻家庭的保障规划”的保障方案说明。

结果 AI 给出的内容四平八稳却用不上。复盘下来，主要有两个问题：

  • 一开始就搭建复杂的流程。
  • 上线后不监控。

改进后的提示词

安琪按照可视化智能体工作流的思路重写了提示词，核心是在平台中为每个步骤创建节点：模型、知识库、条件、工具：

【工作流设计】保险代理人的“保障方案说明初审助手”
节点 1 输入：用户上传的保障方案说明文本
节点 2 模型：提取关键信息（输出 JSON：主题、关键数字、截止日期、涉及方）
节点 3 知识库检索：根据主题检索内部规范
节点 4 模型：对照规范列出不符合项（输出：| 条款 | 问题 | 建议 |）
节点 5 条件：不符合项为 0 → 输出“初审通过”；否则 → 节点 6
节点 6 输出：问题清单 + 提示“需要团队主管复核”

结果（示意）

下面的效果为虚构演示，用来说明这类改进通常带来的变化：

示例（虚构）：一家培训机构用可视化工作流搭了一个课程咨询助手：先识别咨询类型，再从课程知识库检索信息生成回答，涉及退款的问题直接转人工。上线后，大部分常规咨询都能即时回复，顾问只处理转人工的部分。

拿到结果后，安琪没有直接转发，而是对照原始资料逐条核对，再补上 AI 不知道的背景。

复盘：这次用到的方法

  • 为每个模型节点写清楚提示词和输出格式。
  • 设置条件分支，比如置信度低时转人工。
  • 用测试数据逐个节点调试，检查中间结果。
  • 从三到五个节点的简单流程开始，跑通后再扩展。

之后安琪发现，同样的方法也适用于另一类场景：团队需要可视化地理解和维护 AI 流程。

复盘时安琪还想到一个问题：工作流能对外提供服务吗？答案是：部分平台支持发布为网页或接口，对外使用前要做好测试和安全设置。

给保险代理人的提醒

让 AI 把条款里的专业术语改写成通俗说法，再对照原条款核对。产品责任、免责条款和收益表述必须以合同条款为准，不能用 AI 生成的内容做任何承诺。另外，对话里不要出现客户身份信息、健康告知和保单信息。

一个额外的小技巧：评估每个模型节点是否必要，减少不必要的调用以控制成本。

如果你也是保险代理人

可以先从“参加产品培训”或“学习新产品条款”这样的小任务开始练习可视化智能体工作流，熟练之后再用到保障方案说明这类更正式的材料上。每次记录一下哪句提示词最管用，慢慢就有了自己的模板。

相关阅读