前言
在政务数字化转型中，智能体（Agent）工作流的跨环境部署往往是个痛点。开发人员在云上调试好的分拨模型，因为政务外网与互联网物理隔离，到了生产环境必须手动重新拖拽节点，漏掉一个条件分支就得排查半天。协作时，A 区做好的分拨助手，B 区想复用只能对着截图重搭，不仅慢还容易抄错提示词。
本文以 12345 热线分拨助手为样本，演示如何通过平台的导入导出功能，把配置好的工作流打包带走，并在任意政务环境中立刻复活。不需要写一行代码，业务人员也能成为模板贡献者。
背景与场景
为什么需要导入导出？
当前 12345 热线智能化面临三个真实问题：
- 环境割裂：开发环境与生产环境网络隔离，迁移成本高。
- 协作原始：经验无法沉淀，重复造轮子。
- 无法追溯：优化过十几版的工作流，回退困难。
国家数据局强调'避免重复建设，推动应用组件复用'。智能体配置应脱离具体的机器、网络、账号，成为一份可以独立流通的'数字图纸'。有了这份图纸，任何一个政务节点都可以快速装配出功能相同的 AI 办事员。
场景设定
某市 12345 热线每天近 2 万通电话，其中 70% 是投诉举报类。话务员需在 30 秒内判断责任部门（如城管、住建、水务等）。人工分拨存在速度慢、准确率波动、标准不统一的问题。
建设目标是用大模型搭建'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。
完整操作：从零代码到一键复用
本章节将聚焦于这一个真实场景，把每一个操作细节掰开揉碎。
1. 搭建分拨工作流
登录平台，创建一个新的工作流 Government_Hotline_Dispatch。
节点 1：开始节点
- 变量名：
query - 数据类型：字符串
- 示例输入：'你好，房产证在哪里办理。'
节点 2：大模型节点（意图识别） 这是整个工作流的核心。配置如下：
- 选择模型：deepseekR1
- 作用：深度分析用户咨询的自然语言描述，精准识别业务类型和涉及科室。
- 系统提示词（System Prompt）：
"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：1. 住建局，2. 公安局，3. 人社局 4. 水务局，5. 环保局 6 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\"]。" 将开始节点的 query 变量作为用户输入（User Prompt）传入。 输入： {{query}} 输出： output
节点 3：分流业务处理 接收上一步 LLM 输出的科室列表，通过代码将数据转成结构化数据。
def main(args: Args):
import json
try:
data = json.loads(args.params['input'])
return {'result': data['departments']}
except ValueError:
return {'result': ['其他部门']}
