配置即资产：智能体工作流的导出与导入
如果你正在参与政务数字化转型、12345 热线智能化升级，或者只是刚刚接触 AI 应用的业务人员，这篇文章会带你掌握一项让智能体工作流像 Word 文件一样'复制、粘贴、带走'的核心技能。
为什么'导入导出'是必答题？
近年来，各地 12345 热线纷纷引入大模型建设智能系统。然而，很多项目陷入了这样的死循环：环境割裂导致开发好的模型到了生产环境必须手动重拖节点；协作原始，A 区做好的模型 B 区只能对着截图重新搭；无法追溯，优化过十几版的工作想回退只能凭记忆。
贴合数字政府'一地创新、多地复用'的新趋势，智能体不能是'一次性定制开发'，必须能够跨部门、跨层级快速复制推广。智能体配置脱离了具体的机器、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。
完整操作：从'零代码拖拽'到'一键复用'
本章节将完全聚焦于这一个真实场景，把每一个操作细节掰开揉碎。
场景设定：为什么要做一个'智能分拨助手'？
某市 12345 热线每天接到近 2 万通电话，其中约 30% 是咨询类，70% 是投诉举报类。话务员需要根据市民描述，在 30 秒内判断应由城管、住建、水务等 20 多个部门中的哪一个负责处理。
人工分拨存在速度慢、准确率波动、标准不统一三个问题。建设目标是用大模型搭建一个'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，确认后一键派单。
准备工作
双方环境可以不同——这就是导入导出要解决的问题。市级开发员在市局服务器部署，区县接收员在区县服务器部署。
第一步：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（市民提问）
- 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（意图识别与部门匹配） 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，精准识别其业务类型和可能涉及的科室，支持单科室或多科室关联识别。
- 编写精炼的系统提示词（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
- 作用：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的数据传到下一个节点，进行分类。
- 代码如下：
def main(args):
import json
try:
data = json.loads(args.params['input'])
return {'result': data['departments']}
except ValueError:
return {'result': []}
