配置即资产：政务智能体工作流的跨环境复用
在政务数字化转型中，智能体（Agent）往往面临'在我这能跑，到你那就卡'的困境。开发人员在云上调试好的模型，因物理隔离到了生产环境必须手动重搭，不仅效率低，还容易出错。本文不教你怎么画流程图，而是聚焦于如何把画好的流程打包带走，并在任意政务环境中立刻复活它。
为什么'导入导出'是必答题？
当前 12345 热线智能化建设存在几个典型痛点：
- 环境割裂：开发环境与生产环境网络隔离，节点和逻辑关系无法直接迁移。
- 协作原始：A 区做好的分拨助手，B 区想复用只能靠截图讲解，重新搭建耗时且易错。
- 无法追溯：优化过十几版的工作流，想回退旧逻辑只能凭记忆。
智能体不能是'一次性定制'，必须能够跨部门、跨地域快速复制。通过工作流的导出导入能力，我们可以将智能体配置脱离具体的机器和网络，变成一份可以独立流通的'数字图纸'。
场景设定：12345 智能分拨助手
某市 12345 热线每天处理近 2 万通电话，其中约 70% 为投诉举报类。人工分拨平均耗时 45 秒，且新员工培训周期长，标准难统一。我们的目标是构建一个智能分拨助手，话务员输入市民描述，系统自动推荐责任部门及置信度。
这个场景逻辑清晰，复用价值极高——几乎每个地市都面临同样的分拨需求。一套调试好的模型，完全可以作为标准化模板推广。
从零搭建：可视化编排详解
1. 初始化工作流
登录平台创建新工作流 Government_Hotline_Dispatch。
2. 核心节点配置
开始节点
定义变量 query，类型为字符串，用于接收市民咨询内容。
大模型节点（意图识别）
这是工作流的'智能调度中心'。
- 模型选择：接入 deepseekR1 等主流模型。
- 系统提示词：需精炼明确，指导模型输出 JSON 格式。
你是一个政务业务分类专家。请分析用户咨询，判断其主要涉及以下哪个或哪几个科室：住建局、公安局、人社局、水务局、环保局、市场监督局。请输出格式为 JSON: {"departments": ["科室 A", "科室 B"]}。若无明确对应，则为 ["其他科室"]。
代码节点（数据清洗）
LLM 输出的 JSON 可能需要转换。这里使用 Python 脚本解析并提取部门列表。
def main(args):
import json
try:
data = json.loads(args.params['input'])
return {'result': data['departments']}
except ValueError:
return {'result': ['其他部门']}
