Lato Bikes 的人工智能之旅：构建智能体 Mendix

乔·罗伯逊
2025 年 11 月 12 日
分钟阅读

关键要点

Lato Bikes 二手车 Mendix 实现退货分类自动化，将非结构化客户数据转化为可操作的洞察。
从单个事件驱动代理的小规模入手，帮助团队证明了价值并改进了他们的方法。
清晰明了的指示和周到的工具设计确保了代理行为的准确性和可靠性。
通过 Mendix Lato 通过代理构建器和投资组合管理跟踪绩效，并自信地扩展了其 AI 战略。

对于 Lato 自行车来说，创新和效率始终是其发展的方向。像许多…… Mendix 客户，Lato 使用 Mendix 他们通过项目组合管理来跟踪各项举措。这种战略概览使他们能够识别出具有创新和提升效率潜力的领域，并跟踪这些领域从部署到持续运营的整个过程。在最近的一次项目组合审查中，领导团队发现客户服务流程中存在一个瓶颈：退货请求的初步分流。

每条请求都以非结构化文本的形式通过网页表单提交，需要客服代表手动阅读、分类并确定后续步骤。这个过程重复、耗时，有时还会延误问题的解决。

运用 MendixLato着手设计他们的第一个人工智能代理：A 退货申请助手 它可以分析收到的请求，总结关键细节，并自动制定维修计划。

（更多背景信息请见下文）什么和 为什么 关于人工智能代理的构建，请参阅下文的配套文章。）

明确可衡量的结果

在项目开发开始之前，拉托就明确了项目成功的定义。他们的目标很明确：

减少人工分诊时间 40%。
对退货请求进行分类的准确率达到95%。
将理赔处理时间从 14 天缩短至 3 天。

这些关键绩效指标直接在……中进行跟踪。 Mendix 项目组合管理，确保项目与切实可行的业务成果保持一致。

选择合适的扳机

由于退货请求是零星出现的，因此团队选择了一个事件驱动代理，每当在退货请求门户中提交新请求时，该代理就会激活。

该门户网站已与客户订单管理和产品库存等关键系统集成，使其成为代理的理想入口点。由于代理并非完全自主运行，用户与代理的交互将通过门户网站进行。用户任务代理生成的数据，为系统管理员提供开箱即用的可观测性。

Lato 通过将自动化技术嵌入到员工已经工作的环节中，最大限度地减少了干扰，并加快了采用速度。

选择模型

Lato 选择使用 Claude 3.5 来驱动该代理。这带来了以下好处：

强大的工具使用能力
平衡性能与成本
简化采购和监控

虽然有更高级的模型可用，但 Claude 3.5 完全满足了 Lato 的核心需求——工具使用、摘要和决策支持。此外，通过利用 Mendix的 Cloud Gen AI 资源包Lato 简化了整个流程。资源包：

简化了该型号的采购流程。
为他们的开发团队提供了一种简单易用的低代码集成途径。
内置使用情况监控功能，让用户从一开始就能清楚地了解自己的数据消耗和成本。
受 Lato 现有的数据处理协议约束 Mendix.

关于微调和自定义的说明： 虽然基础逻辑学习模型（LLM）功能强大，但针对特定组织领域数据（例如，Lato 的产品描述、常见保修问题）对模型进行微调，可以显著提高其准确性和针对特定任务的相关性。这是一种高级技术，应在初始模型稳定且对其性能差距有清晰了解后再考虑。它需要专门的数据准备和计算资源。

撰写提示语

一旦确定了底层模型，下一步的关键步骤是：即时工程：在代理的提示中构建数据和指令，以引发所需的行为。

代理通常使用两种主要类型的提示： 系统提示 和 用户提示系统提示是一组开发者提供的指令，用于定义代理的角色、总体目标、约束条件以及行为方式。系统提示包含核心指令，为整个交互过程奠定基础。

对于 Lato 的退货请求代理来说， 系统提示 例如：

角色：你是一家电动自行车制造商的客户服务代表（CSR）的人工智能助手。你的工作是将客户的维修问题整理成清晰、可执行的计划，供客户服务代表参考。

核心任务：您的任务是接收客户的问题描述，确定维修所需的关键细节，从 Lato 的各个系统中查找有用信息，并将这些信息提供给客户服务代表 (CSR)。在制定维修方案时，您应考虑客户的订单历史记录、零件价值和维修成本。

最终输出：您的回复必须是结构化的摘要，格式如下。

维修请求摘要
客户：[客户全名及公司名称]
部件：[名称和序列号（如有）]
问题：[问题的详细描述]
后续步骤：[制定清晰、简明的企业社会责任行动计划]

用户提示是指用户或系统直接输入的信息，它会触发代理的操作。这个初始用户提示会启动代理的任务。

对于 Lato 的退货请求代理来说，初始 用户提示 例如：

From: {{Email Address of requester}}
InputContent: {{Request content}}

构建代理工具包

强大的代理需要工具。这些工具是专门的功能，例如微流。 Mendix 应用程序是智能体可以调用来执行特定操作的。智能体拥有一个可用工具列表，每个工具都有清晰的名称和描述。给定一个任务，智能体的工作就是协调使用这些工具来实现预期结果。

Lato 最初只有一项基本功能：通过基于客户电子邮件地址的 REST 调用来检索客户数据。 Mendix Agent Builder，他们：

1. 构建了一个微流来检索数据。

2. 将其添加为工具，并赋予其清晰的名称和描述。

3. 使用内置测试用例测试了调用。

最初，Lato退货申请代理只收集必要的数据，并将任何后续操作都留给客户服务代表。

这种分阶段的方法解决了问题的特定部分，而无需采用完整的智能体系统，从而避免了系统的复杂性。

随着用户对代理的依赖性增强，新的挑战也随之出现。

不断迭代改进

智能体开发是一个迭代过程，而不是一蹴而就的。至关重要的是，首先要建立一个基准模型，根据预先设定的关键绩效指标对其进行评估，然后在各种场景下对智能体进行严格测试。

用户开始使用该代理后发现，它经常无法找到所需的零件。代理的搜索功能受到以下因素的阻碍：传入请求中的拼写错误，以及产品库存和客户订单管理系统中的数据质量问题。

为了解决这个问题，我们引入了一种新工具，允许代理商通过序列号查找零件。这为基于名称的搜索失败时提供了一种可靠的零件查找替代方案。

然后，团队利用了测试能力代理共享他们根据特定的测试用例审查了这些更改，从而评估了改进效果。更强大的代理程序作为新版本部署并接受监控，以确保其持续成功运行并发现进一步的潜在改进。

但智能体遵循“未明确说明的内容将被假定”的原则。这意味着，提示或工具定义中的歧义将由智能体固有的知识来填补，这可能导致不可预测且不理想的结果。因此，明确智能体的目标、约束条件和操作顺序至关重要。

Lato退货申请代理能够有效地收集信息，但为了进一步提升自动化水平，Lato希望它能够自动生成电子邮件，供客服代表一键审核和发送。为此，我们引入了一个新工具，用于自动生成电子邮件并启动工作流程。

他们更新了系统提示，使其包含以下内容：

如果需要回复客户，请撰写电子邮件。

这很容易出错；有时代理人不会调用该工具，而是直接在代理人回复中起草电子邮件，而且该工具在决定何时需要起草电子邮件方面也不一致。

因此，拉托对他们的提示语进行了改进：

对于未知客户：请使用 EmailDraft_Create 函数。邮件主题应为“关于您最近的咨询”，邮件正文应包含明确的行动号召：“请致电 0800 444 5555 联系我们，以便我们进一步协助您。”

对于已知客户但零件不明的情况：请使用 EmailDraft_Create 函数。邮件主题应为“您的咨询需要一些信息”，邮件正文应提示用户提供更多详细信息，例如零件编号或照片。一个不错的示例短语是：

“我们已收到您的请求。为了帮助我们找到正确的零件，请您提供零件编号或照片。”

对于拥有已识别部件的已知客户：请勿撰写电子邮件。仅按其他指示提供方案。

提示信息的明确性大大提高了代理的可靠性。新的提示信息清晰地指明了需要调用的工具以及触发这些工具的场景，确保代理能够按预期运行。

让人类参与其中

任何具有重大后果的决策都应该始终由人参与。虽然智能体擅长自动化执行日常任务，但它们缺乏处理高风险决策所需的直觉和伦理判断力。

Lato 设计的系统要求所有客户沟通和维修操作都需要人工批准。

这个 电子邮件草稿 工具会准备响应，但不会发送响应。
这个 RepairBookIn_Initiate 该工具触发一个工作流程，该流程会将用户路由到客户服务代表 (CSR) 进行验证。

这项人工审核是防止代价高昂或不可逆转的后果的关键保障措施……

……并确保自动化在重大决策中永远不会取代人类的判断。

管理上下文并进行智能扩展

智能体的上下文窗口是其短期记忆，容量有限。信息过多会导致智能体不堪重负，难以专注于最重要的细节。因此，有效的上下文管理至关重要。

为了防止代理程序被无关数据淹没，Lato实施了上下文管理策略：

最小工具回收： 这些工具旨在仅检索特定数据（而非整个数据集）。在本例中，Lato 确保工具仅接受零件名称或序列号作为输入，以确保响应内容精准。
在上下文之外持久化所需数据： Lato发现他们需要对收到的消息进行准确的报告。他们只有代理的推理过程，而且这些推理过程是非结构化的。他们添加了 内存存储 永久保存代理人的评估结果。