前言
在政务数字化转型中，智能体（Agent）工作流的复用往往面临环境割裂、协作原始和无法追溯的痛点。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；A 区做好的分拨助手，B 区只能对着截图重新搭建，效率低且易出错。
本文以 12345 热线智能分拨助手为样本，演示如何通过配置即资产的理念，实现工作流的'复制、粘贴、带走'。无需二次开发，只需导出模板文件，即可在任意政务环境中快速复活流程。
背景与需求
近年来，各地 12345 热线引入大模型建设智能分拨系统，但常陷入死循环：
- 环境割裂：开发环境与生产环境网络隔离，节点需手动重拖。
- 协作原始：跨区县复用依赖截图讲解，提示词容易抄错。
- 无法追溯：多版本优化后，难以回退到旧逻辑。
智能体配置应脱离具体机器和网络，成为一份可独立流通的'数字图纸'，响应'一地创新、多地复用'的趋势。
场景设定
某市 12345 热线日均近 2 万通电话，其中 70% 为投诉举报类。人工分拨平均耗时 45 秒，高峰期排队严重，且新员工准确率波动大。
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，确认后一键派单。该场景逻辑清晰，复用价值极高，适合作为标准化模板推广。
操作准备
| 角色 | 部署环境 |
|---|---|
| 市级开发员 | openJiuwen Studio（市局服务器） |
| 区县接收员 | openJiuwen Studio（区县服务器） |
双方环境可以不同，这正是导入导出要解决的问题。
搭建分拨工作流
登录平台，创建新工作流 Government_Hotline_Dispatch。
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。'
2. 大模型节点（意图识别与部门匹配）
这是工作流的核心，作为智能调度中心分析自然语言描述。
- 选择模型：deepseekR1
- 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变量作为用户输入传入。
3. 分流业务处理
接收 LLM 输出的科室列表，转为结构化数据。
def main(args):
import json
try:
data = json.loads(args.params['input'])
return {'result': data[]}
ValueError:
{: []}
