用 uuos 搭建 RAG 客服 Agent 的 5 步指南

2026-07-14·uuos 团队教程RAG

通用大模型做客服有个众所周知的毛病：不知道你的产品细节，还倾向于一本正经地编。解法也众所周知——RAG（检索增强生成）：先从你的知识库里检索相关内容，再让模型基于检索结果回答。

这篇指南用 uuos 把这条链路完整搭一遍。你需要一个 uuos 工作区（Free 计划即可）和一份产品文档。

第 1 步：准备知识库

把产品文档（FAQ、使用手册、售后政策）上传到工作区的知识库。文档会被切分并写入向量索引，供 RAG 节点检索。

切分粒度建议以「一个问题的完整答案」为单位——太碎会丢上下文，太长会稀释相关性。

从节点库拖出四个节点并连线：

start → rag·kb → llm·answer → end

RAG 节点：collection 指向刚建的知识库，query 绑定用户输入，top_k 先设 4。
LLM 节点：档位选 balanced，prompt 模板里同时引用用户问题和 RAG 检索结果，并要求「仅基于给定资料回答，资料中没有的信息明确说不知道」。

这一步是 RAG 质量的关键：把「不要编」写成显式约束，而不是指望模型自觉。

点击「运行」，在运行面板输入一个真实的客户问题。你会实时看到：

如果回答不好，先看检索结果再改 prompt——大多数「模型答错了」其实是「检索错了」。调 top_k、改文档切分，比换更贵的模型有效。

真实客服场景需要「答不上来就转人工」。在 LLM 节点后加一个 Condition 节点，判断回答是否包含「不知道」类标记：

llm·answer → condition·能回答? ── 是 → end
                     └────────── 否 → http·转人工工单

HTTP 节点直接对接你现有的工单系统。确定性规则用 Condition 表达，不要塞进 prompt。

调试满意后，把工作流发布为 REST / SSE 端点，用 M2M 凭证从你的网站后端调用；SSE 流式输出可以直接透传给前端，用户体验和在画布里运行完全一致。

上线后，用量页面会按工作空间聚合每天的运行次数、token 和成本——客服 Agent 到底省没省钱，看数字而不是感觉。