完整使用场景示例

本文档提供端到端的实战案例，展示如何使用 Sira AI 构建真实的 AI 应用。

案例 1：智能客服系统

业务需求

某电商公司需要一个智能客服系统：

7×24小时在线
自动回答常见问题（商品、订单、物流）
复杂问题转人工
支持图片识别（用户发送订单截图）
多渠道接入（企业微信、官网）

系统设计

架构

用户 → Application (企微/Web)
     → Orchestrator (Conditional 路由)
        ├→ 商品咨询 Agent
        ├→ 订单查询 Agent
        ├→ 物流查询 Agent
        └→ 通用客服 Agent (默认)

实施步骤

第 1 步：准备 AI 模型

yaml

模型配置:
  名称: gpt-4o-mini
  提供商: OpenAI
  API Key: sk-xxx
  模型类型: [LLM, VISION]  # 支持图片识别
  Temperature: 0.3  # 客服需要确定性强的回复

第 2 步：创建知识库

yaml

知识库 1: 商品信息
  文档:
    - 商品目录.pdf
    - 产品规格书.docx
    - 常见问题.md

知识库 2: 订单流程
  文档:
    - 下单流程.md
    - 退换货政策.pdf
    - 发票说明.docx

知识库 3: 物流信息
  文档:
    - 配送时效.md
    - 快递公司列表.xlsx

第 3 步：创建专业 Agents

Agent 1: 商品咨询专家

yaml

名称: product_consultant
显示名称: 商品咨询专家
模型: gpt-4o-mini
模型类型: [LLM, VISION]

系统提示词: |
  你是电商平台的商品咨询专家。

  【职责范围】
  - 解答商品功能、规格、价格问题
  - 提供选购建议
  - 对比不同商品
  - 识别用户发送的商品图片

  【回复规范】
  - 专业、准确、易懂
  - 重点突出商品优势
  - 适时推荐相关商品
  - 不做不实承诺

  【限制】
  - 不处理订单问题（引导咨询订单专家）
  - 不处理物流问题（引导咨询物流专家）
  - 价格以系统为准，不承诺额外优惠

知识库: [商品信息]
MCP 工具: []  # 商品咨询不需要外部工具

Agent 2: 订单查询专家

yaml

名称: order_specialist
显示名称: 订单查询专家
模型: gpt-4o-mini
模型类型: [LLM, VISION]  # 识别订单截图

系统提示词: |
  你是订单查询专家。

  【职责范围】
  - 查询订单状态
  - 处理订单修改
  - 解答订单问题
  - 识别订单截图获取订单号

  【使用工具】
  - order_query_tool: 查询订单信息

  【回复流程】
  1. 获取订单号（用户提供或从截图识别）
  2. 调用工具查询订单
  3. 解释订单状态
  4. 提供后续操作建议

  【限制】
  - 不处理商品咨询（引导咨询商品专家）
  - 敏感操作需验证用户身份

知识库: [订单流程]
MCP 工具: [order_query_tool]  # 需要配置订单查询工具

Agent 3: 物流查询专家

yaml

名称: logistics_specialist
显示名称: 物流查询专家
模型: gpt-4o-mini

系统提示词: |
  你是物流查询专家。

  【职责范围】
  - 查询物流信息
  - 预估配送时效
  - 处理物流异常
  - 解答配送问题

  【使用工具】
  - logistics_query_tool: 查询物流轨迹

  【回复规范】
  - 及时告知物流状态
  - 异常情况主动说明
  - 提供联系方式

知识库: [物流信息]
MCP 工具: [logistics_query_tool]

Agent 4: 通用客服

yaml

名称: general_service
显示名称: 通用客服
模型: gpt-4o-mini

系统提示词: |
  你是通用客服助手。

  【职责范围】
  - 处理未分类的问题
  - 基础咨询和问候
  - 引导用户到专业客服
  - 收集反馈建议

  【转接规则】
  - 商品问题 → 咨询商品专家
  - 订单问题 → 咨询订单专家
  - 物流问题 → 咨询物流专家
  - 复杂问题 → 转人工客服

知识库: []
MCP 工具: []

第 4 步：创建 Orchestrator（Conditional 路由）

yaml

Orchestrator:
  名称: customer_service_routing
  显示名称: 智能客服路由
  类型: CONDITIONAL

路由规则:
  规则 1 - 商品咨询:
    名称: 商品咨询
    关键词: [
      "商品", "产品", "价格", "规格", "功能",
      "推荐", "选购", "对比", "参数", "性能"
    ]
    Agent: product_consultant
    优先级: 1

  规则 2 - 订单查询:
    名称: 订单查询
    关键词: [
      "订单", "下单", "支付", "退款", "取消",
      "订单号", "发票", "改地址"
    ]
    Agent: order_specialist
    优先级: 2

  规则 3 - 物流查询:
    名称: 物流查询
    关键词: [
      "物流", "快递", "配送", "发货", "到货",
      "派送", "签收", "运单号"
    ]
    Agent: logistics_specialist
    优先级: 3

  默认 Agent: general_service

第 5 步：创建 Applications

Application 1: 企业微信（内部客服）

yaml

平台: wework_aibot
名称: internal_customer_service
显示名称: 内部客服系统
Orchestrator: customer_service_routing

配置:
  Corp ID: ww123456
  Agent ID: 1000001
  Agent Secret: xxx
  Token: xxx
  Encoding AES Key: xxx

用途: 员工查询订单、物流

Application 2: 官网客服

yaml

平台: webclient
名称: website_customer_service
显示名称: 在线客服
Orchestrator: customer_service_routing

配置:
  自动生成Token: ✓

用途: 官网访客咨询

测试场景

场景 1：商品咨询

用户: "你们的iPhone 15 Pro有哪些颜色？"

系统路由: 匹配"商品"关键词 → product_consultant

Agent 响应:
  iPhone 15 Pro 提供以下颜色：
  1. 原色钛金属
  2. 白色钛金属
  3. 蓝色钛金属
  4. 黑色钛金属

  您偏好哪种颜色呢？我可以为您提供更多信息。

场景 2：订单查询（含图片）

用户: [发送订单截图] "帮我查下这个订单"

系统路由: 匹配"订单"关键词 → order_specialist

Agent 处理:
  1. 使用 Vision 识别截图中的订单号: "2024010112345"
  2. 调用 order_query_tool 查询
  3. 获取订单信息

Agent 响应:
  已查询到订单 2024010112345：
  - 状态：已发货
  - 商品：iPhone 15 Pro 256GB 蓝色钛金属
  - 预计送达：2024年1月5日
  - 快递单号：SF1234567890

  您的包裹正在派送中，预计明天送达。

场景 3：物流查询

用户: "快递怎么还没到？"

系统路由: 匹配"快递"关键词 → logistics_specialist

Agent 响应:
  请提供您的订单号或快递单号，我帮您查询物流信息。

用户: "订单号2024010112345"

Agent 处理:
  调用 logistics_query_tool 查询

Agent 响应:
  您的包裹物流信息如下：
  - 快递公司：顺丰速运
  - 运单号：SF1234567890
  - 当前状态：派送中
  - 最新动态：[2024-01-04 14:30] 快递员张师傅派送中，电话138xxxx1234

  预计今天送达，请保持电话畅通。

场景 4：未分类问题

用户: "你好"

系统路由: 无匹配 → general_service (默认)

Agent 响应:
  您好！我是智能客服助手，很高兴为您服务。

  我可以帮您：
  • 商品咨询：了解商品功能、价格、规格
  • 订单查询：查询订单状态、物流信息
  • 物流查询：查询配送进度

  请问有什么可以帮您的吗？

效果评估

上线效果

yaml

性能指标:
  - 响应速度: 平均 2.5 秒（从 5 分钟降至秒级）
  - 问题解决率: 82%（自动解决，无需人工）
  - 客户满意度: 4.6/5.0（提升 35%）
  - 人工客服量: 减少 80%

成本节约:
  - 客服人员: 从 20 人减至 5 人
  - 年度成本: 节约约 150 万元
  - ROI: 6 个月回本

案例 2：技术文档助手

业务需求

某软件公司需要技术文档助手：

回答技术问题
提供代码示例
查询最新文档
支持多个技术栈（React、Node.js、Docker）

系统设计

架构

用户 → Web Client
     → Orchestrator (Collaboration 顺序协作)
        ├→ 文档检索 Agent (查询内部文档)
        ├→ 代码生成 Agent (生成示例代码)
        └→ 技术专家 Agent (综合解答)

实施步骤

第 1 步：创建知识库

yaml

知识库: technical_docs
  文档:
    - React 开发指南.md
    - Node.js 最佳实践.pdf
    - Docker 部署手册.docx
    - API 参考文档.md
    - 故障排查指南.md

第 2 步：创建 Agents

Agent 1: 文档检索专家

yaml

名称: doc_retriever
显示名称: 文档检索专家
模型: gpt-4o-mini

系统提示词: |
  你是文档检索专家，负责查找相关技术文档。

  【职责】
  从知识库中检索最相关的文档内容
  提取关键信息和代码片段
  标注信息来源

  【输出格式】
  【文档来源】
  - 文档A: 相关内容...
  - 文档B: 相关内容...

知识库: [technical_docs]
MCP 工具: [Context7]  # 查询最新官方文档

Agent 2: 代码生成专家

yaml

名称: code_generator
显示名称: 代码生成专家
模型: gpt-4o  # 代码生成用更强的模型

系统提示词: |
  你是代码生成专家。

  【职责】
  - 生成高质量代码示例
  - 代码符合最佳实践
  - 添加必要的注释
  - 提供使用说明

  【代码规范】
  - 使用TypeScript/ES6+
  - 遵循ESLint规则
  - 包含错误处理
  - 提供完整可运行的示例

MCP 工具: [Context7]  # 参考官方示例

Agent 3: 技术专家

yaml

名称: tech_expert
显示名称: 技术专家
模型: gpt-4o

系统提示词: |
  你是资深技术专家，负责综合解答技术问题。

  【职责】
  - 整合文档检索和代码生成的结果
  - 提供深入的技术分析
  - 给出最佳实践建议
  - 清晰组织回复结构

  【回复结构】
  1. 问题理解
  2. 技术方案
  3. 代码示例（引用代码生成专家的结果）
  4. 最佳实践
  5. 相关资源（引用文档检索专家的来源）

MCP 工具: [Context7, WebSearch]

第 3 步：创建 Orchestrator

yaml

Orchestrator:
  名称: tech_docs_collaboration
  类型: COLLABORATION

配置:
  Agents:
    - doc_retriever
    - code_generator
    - tech_expert
  协作策略: SEQUENTIAL  # 顺序执行
  启用汇总: false  # 由 tech_expert 自己整合

第 4 步：创建 Application

yaml

平台: webclient
名称: tech_docs_assistant
显示名称: 技术文档助手
Orchestrator: tech_docs_collaboration

使用示例

问题：如何在 React 中使用 useEffect？

用户: "如何在 React 中使用 useEffect 监听状态变化？"

Step 1 - doc_retriever 执行:
  检索知识库 + 调用 Context7
  输出:
    【文档来源】
    - React 开发指南: useEffect 用于副作用处理...
    - Context7: React 19 最新文档 useEffect 说明...

Step 2 - code_generator 执行:
  基于文档生成代码
  输出:
    ```tsx
    import { useEffect, useState } from 'react';

    function UserProfile({ userId }: { userId: string }) {
      const [user, setUser] = useState(null);
      const [loading, setLoading] = useState(true);

      useEffect(() => {
        // 监听 userId 变化
        let cancelled = false;

        async function fetchUser() {
          setLoading(true);
          try {
            const response = await fetch(`/api/users/${userId}`);
            const data = await response.json();

            if (!cancelled) {
              setUser(data);
            }
          } catch (error) {
            console.error('Failed to fetch user:', error);
          } finally {
            if (!cancelled) {
              setLoading(false);
            }
          }
        }

        fetchUser();

        // 清理函数，防止内存泄漏
        return () => {
          cancelled = true;
        };
      }, [userId]); // 依赖数组：userId 变化时重新执行

      if (loading) return <div>Loading...</div>;
      return <div>{user?.name}</div>;
    }
    ```

Step 3 - tech_expert 整合:
  综合文档和代码，给出完整回复

最终回复:
  # useEffect 监听状态变化

  ## 问题理解
  您想了解如何使用 useEffect 监听 React 状态变化并执行副作用。

  ## 技术方案
  useEffect 是 React Hooks 中用于处理副作用的 API，通过依赖数组控制执行时机。

  ## 代码示例
  [引用 code_generator 生成的代码]

  ## 关键要点
  1. **依赖数组**: `[userId]` 表示当 userId 变化时重新执行
  2. **清理函数**: return 的函数在组件卸载或effect重新执行前调用
  3. **防止内存泄漏**: 使用 cancelled 标志避免在组件已卸载时更新状态

  ## 最佳实践
  - 避免在 effect 中直接修改依赖的状态（可能导致无限循环）
  - 始终提供依赖数组，避免不必要的执行
  - 异步操作要处理组件卸载的情况

  ## 相关资源
  - [React 开发指南 - useEffect 章节]
  - [React 19 官方文档 - Hooks API](https://react.dev/reference/react/useEffect)

案例 3：数据分析助手

业务需求

销售团队需要数据分析助手：

查询销售数据
生成分析报告
制作可视化图表
提供业务建议

系统设计

架构

用户 → 企业微信 AI Bot
     → Orchestrator (Supervisor 模式)
        ├→ Supervisor (任务分解和调度)
        ├→ 数据分析 Worker
        ├→ 报告撰写 Worker
        └→ 图表制作 Worker

实施步骤

第 1 步：开发自定义 MCP 工具

工具 1：数据库查询工具

python

# mcp_tools/database_query.py

from fastmcp import FastMCP
import mysql.connector

mcp = FastMCP("Database Query Tool")

@mcp.tool()
async def query_sales_data(
    start_date: str,
    end_date: str,
    group_by: str = "day"
) -> str:
    """查询销售数据

    Args:
        start_date: 开始日期 YYYY-MM-DD
        end_date: 结束日期 YYYY-MM-DD
        group_by: 分组维度 (day/week/month)

    Returns:
        JSON 格式的销售数据
    """
    conn = mysql.connector.connect(...)
    cursor = conn.cursor(dictionary=True)

    if group_by == "day":
        sql = """
        SELECT DATE(order_date) as date,
               SUM(amount) as total_sales,
               COUNT(*) as order_count
        FROM orders
        WHERE order_date BETWEEN %s AND %s
        GROUP BY DATE(order_date)
        ORDER BY date
        """
    # ... 其他分组逻辑

    cursor.execute(sql, (start_date, end_date))
    results = cursor.fetchall()

    return json.dumps(results, ensure_ascii=False)

注册到 Sira AI 后命名为 sales_query_tool。

第 2 步：创建 Agents

Supervisor Agent

yaml

名称: data_analysis_supervisor
模型: gpt-4o  # Supervisor 需要强模型

系统提示词: |
  你是数据分析任务的协调者。

  【可用专家】
  - data_analyst: 数据分析专家，使用 sales_query_tool 查询数据
  - report_writer: 报告撰写专家，撰写分析报告
  - chart_maker: 图表制作专家，生成可视化图表

  【任务分解流程】
  1. 理解用户需求
  2. 拆分为子任务
  3. 依次委派给专家
  4. 汇总结果

  【委派示例】
  用户: "分析本月销售数据"
  步骤:
    1. 委派 data_analyst 查询并分析数据
    2. 委派 report_writer 撰写报告
    3. 委派 chart_maker 制作图表
    4. 汇总完整分析

MCP 工具: []  # Supervisor 不直接调用工具

Worker 1: 数据分析专家

yaml

名称: data_analyst
模型: gpt-3.5-turbo  # Worker 可用便宜模型

系统提示词: |
  你是数据分析专家。

  【职责】
  使用 sales_query_tool 查询数据并进行分析

  【分析流程】
  1. 调用工具查询数据
  2. 计算关键指标（总销售额、增长率、TOP产品等）
  3. 识别数据趋势和异常
  4. 输出结构化分析结果

MCP 工具: [sales_query_tool]

Worker 2: 报告撰写专家

yaml

名称: report_writer
模型: gpt-3.5-turbo

系统提示词: |
  你是商业报告撰写专家。

  【职责】
  基于数据分析结果撰写专业报告

  【报告结构】
  # 销售数据分析报告

  ## 数据概览
  - 时间范围
  - 总销售额
  - 订单数量

  ## 关键发现
  - 增长趋势
  - 热门产品
  - 异常情况

  ## 业务建议
  - 基于数据的actionable建议

MCP 工具: []

Worker 3: 图表制作专家

yaml

名称: chart_maker
模型: gpt-3.5-turbo

系统提示词: |
  你是数据可视化专家。

  【职责】
  基于数据创建可视化图表建议

  【图表类型】
  - 折线图：展示趋势
  - 柱状图：对比数据
  - 饼图：展示占比
  - 热力图：展示分布

  【输出格式】
  图表类型：折线图
  数据：[...]
  配置：{...}

MCP 工具: []  # 实际图表生成可以集成图表库

第 3 步：创建 Orchestrator

yaml

Orchestrator:
  名称: data_analysis_system
  类型: SUPERVISOR

配置:
  Supervisor: data_analysis_supervisor
  Workers:
    - data_analyst
    - report_writer
    - chart_maker
  启用汇总: true

第 4 步：创建 Application

yaml

平台: wework_aibot
名称: sales_analysis_bot
Orchestrator: data_analysis_system

配置:
  Corp ID: ww123456
  Agent ID: 1000003
  ...

使用示例

用户: "分析本月销售数据并生成报告"

Supervisor 分析:
  这个任务需要三个步骤：数据分析、报告撰写、图表建议

Step 1: 委派 data_analyst
  任务: "查询并分析2024年1月销售数据"

  data_analyst 执行:
    调用 sales_query_tool(start_date="2024-01-01", end_date="2024-01-31")
    返回:
      总销售额: 500万
      环比增长: 15%
      TOP产品: iPhone 15 Pro (120万), MacBook Pro (80万)
      订单数: 3,245笔

Step 2: 委派 report_writer
  任务: "基于以下数据撰写报告: [data_analyst的结果]"

  report_writer 执行:
    生成报告:
      # 2024年1月销售数据分析报告

      ## 数据概览
      - 时间范围: 2024年1月1日 - 1月31日
      - 总销售额: 500万元
      - 订单数量: 3,245笔
      - 环比增长: 15%

      ## 关键发现
      1. 销售强劲增长
         1月销售额较上月增长15%，表现优异

      2. 爆款产品
         - iPhone 15 Pro: 120万（24%）
         - MacBook Pro: 80万（16%）

      3. 订单增长
         订单数环比增长12%，客单价略有提升

      ## 业务建议
      1. 加大iPhone和MacBook库存
      2. 推出配件套餐提升客单价
      3. 分析增长原因，复制成功经验

Step 3: 委派 chart_maker
  任务: "为销售数据创建可视化建议"

  chart_maker 执行:
    建议图表:
      1. 折线图：每日销售额趋势
      2. 饼图：TOP10产品占比
      3. 柱状图：周销售对比

Supervisor 汇总:
  整合完整的分析报告，包含数据、文字和图表建议

效果

yaml

使用前:
  - 数据分析: 需要2小时（手动查询、Excel分析）
  - 报告撰写: 需要1小时
  - 总耗时: 3小时

使用后:
  - 完整分析: 30秒
  - 提升效率: 360倍
  - 准确性: 无人为错误

案例 4：多模态图片分析

业务需求

设计团队需要图片分析助手：

分析设计稿
提供改进建议
从多个角度评价（设计、用户体验、技术实现）

系统设计

用户 → Web Client
     → Orchestrator (Collaboration 并行)
        ├→ 设计专家 (视觉设计分析)
        ├→ UX专家 (用户体验分析)
        └→ 技术专家 (实现难度分析)

实施步骤

创建 Agents（都需要 VISION）

Agent 1: 设计专家

yaml

名称: design_expert
模型: gpt-4o
模型类型: [LLM, VISION]  # 必须支持图片

系统提示词: |
  你是资深视觉设计专家。

  【分析维度】
  - 配色方案
  - 排版布局
  - 字体选择
  - 视觉层次
  - 品牌一致性

  【输出格式】
  【设计分析】
  优点：...
  改进建议：...
  评分：X/10

Agent 2: UX专家

yaml

名称: ux_expert
模型: gpt-4o
模型类型: [LLM, VISION]

系统提示词: |
  你是用户体验专家。

  【分析维度】
  - 信息架构
  - 交互流程
  - 可用性
  - 无障碍访问
  - 用户友好性

  【输出格式】
  【UX分析】
  用户路径：...
  痛点：...
  建议：...
  评分：X/10

Agent 3: 技术专家

yaml

名称: tech_expert
模型: gpt-4o
模型类型: [LLM, VISION]

系统提示词: |
  你是前端技术专家。

  【分析维度】
  - 实现难度
  - 技术选型
  - 性能考虑
  - 响应式设计
  - 兼容性

  【输出格式】
  【技术分析】
  实现方案：...
  技术难点：...
  工期估算：...
  评分：X/10

创建 Orchestrator

yaml

Orchestrator:
  名称: design_review
  类型: COLLABORATION

配置:
  Agents: [design_expert, ux_expert, tech_expert]
  协作策略: PARALLEL  # 并行，独立评审
  启用汇总: true

使用示例

用户: [上传设计稿] "请评价这个移动App首页设计"

三位专家并行分析（同时执行）:

design_expert:
  【设计分析】
  优点:
  - 配色清新，符合品牌定位
  - 卡片式布局现代感强
  - 留白适当，视觉舒适

  改进建议:
  - 主CTA按钮可以更突出
  - 部分文字对比度偏低
  - 图标风格统一性待提升

  评分: 8/10

ux_expert:
  【UX分析】
  用户路径:
  首页 → 分类浏览 → 商品详情 → 加购 → 结算
  路径清晰，符合用户习惯

  痛点:
  - 搜索框位置不够明显
  - 分类入口层级过深
  - 缺少快速访问历史记录

  建议:
  - 搜索框置顶
  - 增加常用分类快捷入口
  - 添加"最近浏览"模块

  评分: 7/10

tech_expert:
  【技术分析】
  实现方案:
  - React Native / Flutter
  - 瀑布流布局 (可复用组件)
  - 图片懒加载

  技术难点:
  - 瀑布流性能优化
  - 多种卡片样式的统一管理
  - 深色模式适配

  工期估算: 15人日

  评分: 技术难度适中，可实现

系统汇总:
  综合三位专家的意见：

  【综合评价】
  这是一个整体质量较高的设计方案，视觉设计优秀，用户体验良好，
  技术实现难度适中。

  【设计维度】8/10
  配色和布局优秀，细节需优化

  【UX维度】7/10
  基本流程合理，部分交互需改进

  【技术维度】可行
  15人日工期，技术风险可控

  【优先改进项】
  1. 搜索框置顶（P0）
  2. 主CTA按钮加强（P0）
  3. 增加常用分类入口（P1）
  4. 统一图标风格（P1）

总结

架构选择指南

场景类型	推荐架构	案例
多场景路由	Conditional	智能客服（按问题类型路由）
多角度分析	Collaboration	技术文档助手、设计评审
复杂任务分解	Supervisor	数据分析助手
固定流程	Workflow	审批流程、数据处理
简单问答	Single	天气助手、FAQ

成本优化技巧

模型分层：Supervisor 用强模型，Worker 用便宜模型
工具选择：只配置必要的 MCP 工具
缓存策略：相同问题返回缓存
提示词优化：减少不必要的输出长度

常见陷阱

过度配置工具：Agent配置10个工具但只用2个
提示词不明确：Agent 不知道什么时候调用工具
架构过复杂：简单任务用了 Supervisor
忽略测试：没有充分测试就上线

下一步

学完所有教程后，您可以：

🚀 开始构建自己的 AI 应用
📖 阅读 API 文档了解更多细节
🛠️ 开发自定义 MCP 工具扩展能力
💬 加入社区交流经验

💡 提示：

从简单场景开始，逐步尝试复杂编排
充分测试后再上线生产环境
持续优化提示词和配置
关注成本和性能平衡

完整使用场景示例 ​

案例 1：智能客服系统 ​

业务需求 ​

系统设计 ​

架构 ​

实施步骤 ​

第 1 步：准备 AI 模型 ​

第 2 步：创建知识库 ​

第 3 步：创建专业 Agents ​

第 4 步：创建 Orchestrator（Conditional 路由） ​

第 5 步：创建 Applications ​

测试场景 ​

场景 1：商品咨询 ​

场景 2：订单查询（含图片） ​

场景 3：物流查询 ​

场景 4：未分类问题 ​

效果评估 ​

上线效果 ​

案例 2：技术文档助手 ​

业务需求 ​

系统设计 ​

架构 ​

实施步骤 ​

第 1 步：创建知识库 ​

第 2 步：创建 Agents ​

第 3 步：创建 Orchestrator ​

第 4 步：创建 Application ​

使用示例 ​

问题：如何在 React 中使用 useEffect？ ​

案例 3：数据分析助手 ​

业务需求 ​

系统设计 ​

架构 ​

实施步骤 ​

第 1 步：开发自定义 MCP 工具 ​

第 2 步：创建 Agents ​

第 3 步：创建 Orchestrator ​

第 4 步：创建 Application ​

使用示例 ​

效果 ​

案例 4：多模态图片分析 ​

业务需求 ​

系统设计 ​

实施步骤 ​

创建 Agents（都需要 VISION） ​

创建 Orchestrator ​

使用示例 ​

总结 ​

架构选择指南 ​

成本优化技巧 ​

常见陷阱 ​

下一步 ​

完整使用场景示例

案例 1：智能客服系统

业务需求

系统设计

架构

实施步骤

第 1 步：准备 AI 模型

第 2 步：创建知识库

第 3 步：创建专业 Agents

第 4 步：创建 Orchestrator（Conditional 路由）

第 5 步：创建 Applications

测试场景

场景 1：商品咨询

场景 2：订单查询（含图片）

场景 3：物流查询

场景 4：未分类问题

效果评估

上线效果

案例 2：技术文档助手

业务需求

系统设计

架构

实施步骤

第 1 步：创建知识库

第 2 步：创建 Agents

第 3 步：创建 Orchestrator

第 4 步：创建 Application

使用示例

问题：如何在 React 中使用 useEffect？

案例 3：数据分析助手

业务需求

系统设计

架构

实施步骤

第 1 步：开发自定义 MCP 工具

第 2 步：创建 Agents

第 3 步：创建 Orchestrator

第 4 步：创建 Application

使用示例

效果

案例 4：多模态图片分析

业务需求

系统设计

实施步骤

创建 Agents（都需要 VISION）

创建 Orchestrator

使用示例

总结

架构选择指南

成本优化技巧

常见陷阱

下一步