企业官网建设流程全解析

金融信贷这个行业，过去十年我见过太多团队在“智能化”上砸钱又砸不出水花。风控规则引擎堆到几千条，贷后催收还是靠人海战术；客服知识库建了又建，客户问一句“我这笔分期能不能提前还”还是得转人工。问题不在于缺数据，而在于缺一个能把数据、规则、话术、流程串起来的“业务大脑”。华为云智果 AgentArts 这套东西，本质上就是冲着这个缺口去的——它不是一个单纯的对话机器人，而是一个能挂载工具、能编排流程、能对接信贷核心系统的 AI 智能体开发平台。这篇文章我会把金融信贷场景下怎么用它从零搭出一个可用的智能体讲透，包括平台能力边界、信贷业务拆解、工具链配置、提示词工程、评测调优，以及我实际跑下来踩过的那些坑。不管你是信贷产品经理、风控开发，还是刚接触 AI 智能体的技术同学，应该都能从里面找到能直接抄作业的部分。

1. 先搞清楚 AgentArts 在信贷业务里到底能干什么

很多人第一次接触 AgentArts，容易把它当成“又一个低代码对话平台”。这个认知偏差会导致后面所有设计都跑偏。我先把它的定位说清楚：AgentArts 是华为云智果下面的一套 AI 智能体开发与运行框架，核心能力是让开发者把大模型的推理能力、外部工具的执行能力、业务知识的检索能力编排成一个可调度、可观测、可迭代的智能体应用。放到金融信贷场景，它解决的不是“能不能聊天”的问题，而是“能不能在合规前提下自主完成一段业务闭环”的问题。

1.1 信贷业务里哪些环节真的适合交给智能体

不是所有信贷环节都值得上智能体。我按“交互密度”和“决策复杂度”两个维度筛了一遍，真正适合的集中在四类场景。

第一类是贷前咨询与预审。客户在申请前会问大量问题：利率多少、需要什么材料、征信花了能不能过、提前还款有没有违约金。这些问题有标准答案，但分散在多个文档里，人工客服培训成本高。智能体可以挂载产品知识库和预审规则工具，做到即问即答并且给出个性化判断。

第二类是进件材料初审。客户上传身份证、银行流水、收入证明后，智能体可以调用 OCR 工具和规则校验工具，自动识别材料完整性、一致性和明显异常，把人工从重复劳动里解放出来。

第三类是贷中进度查询与异常解释。客户最常问“我的款到哪一步了”“为什么被拒了”。智能体对接信贷核心系统的查询接口后，可以实时拉取状态并用自然语言解释，减少大量重复工单。

第四类是贷后还款提醒与协商。这个场景敏感度高，智能体更适合做“提醒+意图识别+转人工”的组合，而不是直接承诺减免。

注意：涉及利率定价、额度审批、减免承诺这类强合规决策，智能体只能做信息传递和初步筛选，最终决策必须回到人工或既有风控系统，这条线不能越。

1.2 AgentArts 相比自己从零搭一套框架的优势在哪

我早期试过用开源框架自己拼一套智能体，光是工具调用协议、上下文管理、多轮状态保持就写了大量胶水代码，上线后排查一次线上问题要翻三四个日志系统。AgentArts 的价值在于它把这些基础设施都封装好了：工具注册有标准 schema，对话状态有托管，调用链路有追踪，评测有内置集。对于信贷这种对可观测性和合规审计要求极高的场景，这套内置能力省下的不只是开发时间，更是上线后的运维底气。

具体来说，它提供的核心能力包括：智能体编排（把多个工具和知识库按流程串起来）、工具接入（支持 API、函数、数据库查询等多种形式）、知识库检索（RAG 增强）、对话管理（多轮上下文、槽位填充）、以及评测与调优工具。这些能力组合起来，才能支撑一个真正能跑信贷业务的智能体，而不是一个只会背话术的玩具。

1.3 一个典型的信贷智能体长什么样

我拿“贷前咨询+预审”这个场景举例，一个完整的智能体应该具备这样的结构：入口是自然语言对话，背后挂三个工具——产品知识库检索工具、预审规则计算工具、客户身份核验工具。当客户问“我想借五万，分十二期，每月还多少”，智能体先识别意图是“产品咨询+还款试算”，然后调用知识库拿到当前产品利率，再调用试算工具算出月供，最后用自然语言返回结果并追问“是否需要我帮你发起预审”。整个过程涉及意图识别、工具编排、结果整合、多轮引导，这才是 AgentArts 真正发挥价值的地方。

2. 动手之前必须想清楚的信贷业务拆解逻辑

我见过太多团队一上来就打开平台开始拖拽，结果做到一半发现流程走不通，回头返工。信贷智能体的搭建，七分靠业务拆解，三分靠平台操作。这一章我把拆解方法讲清楚，你照着做能少走很多弯路。

2.1 从“客户旅程”倒推智能体需要覆盖的节点

不要从技术出发，要从客户实际走的路出发。一个信贷客户从产生需求到完成还款，大致经过：需求萌发、信息搜集、申请提交、审核等待、放款到账、按期还款、结清或逾期。每个节点客户会产生不同的疑问和动作，这些就是智能体的潜在介入点。

我通常会用一张表把节点、客户典型问题、可自动化程度、所需工具列出来，作为后续设计的依据。比如“审核等待”节点，客户典型问题是“进度到哪了”“为什么还没出结果”，可自动化程度高，所需工具是核心系统查询接口和状态解释话术库。这样拆完，智能体的功能边界就清晰了，不会出现“什么都想做结果什么都做不好”的情况。

2.2 哪些节点必须设置人工兜底

信贷业务有一条铁律：涉及资金和征信的决策，不能完全交给机器。所以拆解的时候要明确标出哪些节点必须人工兜底。我的经验是三类必须兜底：一是审批拒绝的解释与申诉，二是还款困难协商，三是任何涉及费用减免的请求。智能体在这些节点上的角色是“识别意图+安抚情绪+准确转接”，而不是自己给方案。

在 AgentArts 里实现兜底很简单，配置一个转人工工具，当意图识别命中特定标签或客户情绪值超过阈值时触发。但关键是兜底的话术要设计好，不能让客户觉得“被踢皮球”。我一般会让智能体先说“这个问题需要专人帮你处理，我马上为你转接，请稍等”，然后带上上下文一起转过去，人工坐席接手时能看到前面所有对话，体验才连贯。

2.3 把业务规则翻译成智能体能执行的工具

这是整个拆解里最考验功力的部分。信贷业务规则往往是“如果客户征信查询次数近三个月超过六次，且当前有未结清小额贷款超过两笔，则预审拒绝”这种形式。智能体本身不会执行这种规则，你需要把它封装成一个工具，输入是客户信息，输出是预审结果和原因。

在 AgentArts 里，工具可以是 API 调用，也可以是一段函数逻辑。我建议把复杂规则放在后端服务里，智能体只负责传参和解读结果。这样做的好处是规则变更时不用动智能体配置，后端改完直接生效。工具的输入输出 schema 要定义清楚，尤其是字段类型和必填项，否则大模型调用时容易传错参数。我踩过的坑是：工具描述写得太模糊，模型不知道该在什么时机调用，结果该调的时候不调，不该调的时候乱调。后面会专门讲怎么把工具描述写好。

3. 在 AgentArts 上搭建信贷智能体的完整实操链路

前面铺垫完了，这一章进入实操。我按“创建智能体→配置知识库→接入工具→编排流程→写提示词→调试”的顺序讲，每一步都给出我实际用的配置思路和参数。

3.1 创建智能体与基础人设配置

进入 AgentArts 控制台后，第一步是创建智能体。名称建议用业务语义命名，比如“信贷贷前咨询助手”，不要用“test001”这种，后面工具多了根本分不清。创建时要选模型，信贷场景我建议选推理能力强的版本，因为涉及多步工具调用和规则判断，模型太弱会出现“工具调了一半就停”的情况。

人设配置这块，很多人随便写两句就过了，其实这是影响对话质量的关键。我的人设模板一般包含四部分：角色定位、能力边界、语气风格、合规红线。角色定位写“你是某银行信贷业务的智能助手，负责贷前咨询和预审引导”；能力边界写“你只能回答信贷产品相关问题，不提供投资建议，不做审批承诺”；语气风格写“专业、简洁、有耐心，避免使用过于口语化的表达”；合规红线写“不得承诺审批结果，不得泄露其他客户信息，遇到不确定的问题必须转人工”。这四段写清楚，智能体的行为会稳定很多。

3.2 知识库构建：把信贷产品文档变成可检索的知识

信贷智能体的知识库通常包含产品说明、费率表、申请条件、常见问题。AgentArts 的知识库支持上传文档后自动切片和向量化。这里有几个实操要点。

切片粒度很关键。我试过按固定字数切，结果一个完整的费率说明被切成两半，检索出来只有一半信息。后来改成按语义段落切，并且手动调整了切片边界，让每个切片包含一个完整的知识点。信贷文档里表格多，上传前最好把表格转成“字段：值”的文本形式，否则向量化效果很差。

检索策略上，我一般设置返回 top3 片段，并且开启重排序。信贷问题往往需要精确匹配，比如“提前还款违约金怎么算”，如果检索到的是“逾期违约金”就答非所问了。重排序能把最相关的片段排到前面，减少模型被干扰的概率。另外，知识库里要定期清理过期内容，我见过因为产品利率调整了但知识库没更新，智能体还在按旧利率回答，这是合规事故。

3.3 工具接入：让智能体真正能“办事”

工具是智能体从“会说”到“会做”的关键。信贷场景我通常接这几类工具：客户信息查询、还款试算、预审规则校验、进度查询、转人工。每个工具在 AgentArts 里都要配置名称、描述、入参、出参。

工具描述是重中之重。我举个例子，还款试算工具的描述我写成：“根据借款金额、期数、产品类型计算每月还款额和总利息。当客户询问月供、利息、还款计划时调用此工具。入参：amount（借款金额，数字，单位元）、periods（期数，整数）、product_code（产品编码，字符串）。出参：monthly_payment（月供）、total_interest（总利息）。”这样写，模型基本不会调错。

反例是我早期写的描述：“计算还款”。太模糊了，模型不知道什么时候该调，也不知道要传什么参数。后来我总结了一个原则：工具描述要回答三个问题——这个工具做什么、什么时候调用、参数怎么传。把这三个说清楚，工具调用准确率能提升一大截。

另外，工具的超时和异常处理要配好。信贷核心系统偶尔会响应慢，如果工具超时了，智能体不能一直卡着，要能返回“系统繁忙，请稍后再试”并记录日志。AgentArts 里可以配置超时时间和降级话术，这个别偷懒。

3.4 流程编排：把工具和对话串成业务闭环

AgentArts 的编排能力体现在你可以定义智能体的处理流程。信贷场景我一般用“意图识别→工具调用→结果整合→引导下一步”这个基本框架。

以预审场景为例，流程是这样的：客户表达借款意向后，智能体先调用客户信息查询工具确认是否已有档案，如果没有则引导补充信息；然后调用预审规则校验工具，拿到通过或拒绝的结果；如果通过，调用还款试算工具给出方案并引导提交申请；如果拒绝，返回拒绝原因并转人工。整个流程里，每一步的触发条件、工具调用顺序、异常分支都要在编排里定义清楚。

我踩过的一个坑是：没有定义“客户中途改变意图”的分支。比如客户在预审过程中突然问“你们有没有信用卡”，智能体如果还在预审流程里就会答非所问。后来我在编排里加了意图重识别节点，每轮对话都重新判断意图，如果偏离当前流程就切换。这个改动让对话自然度提升明显。

3.5 提示词工程：信贷场景的提示词怎么写才稳

提示词是智能体的“操作系统”。信贷场景的提示词我通常分四层写：系统提示词、工具调用提示、输出格式约束、合规校验。

系统提示词定义角色和边界，前面人设部分已经讲过。工具调用提示要明确告诉模型“你有这些工具可用，分别在什么场景下调用”。输出格式约束很重要，信贷回答要结构化，我一般要求模型按“结论+依据+下一步”的格式输出，比如“根据您的情况，预审初步通过（结论）。您的征信查询次数符合要求，收入证明完整（依据）。接下来可以点击链接提交正式申请（下一步）。”这样客户看着清晰，也方便后续审计。

合规校验层是信贷特有的。我会在提示词里加一段：“在输出任何涉及利率、费用、审批结果的内容前，检查是否与知识库一致；如不一致，以知识库为准并提示客户以最终合同为准。”这段提示能挡掉不少模型自由发挥带来的合规风险。

4. 调试、评测与上线后的持续调优

智能体搭完只是开始，真正决定它能不能用的，是调试和评测。这一章讲我实际用的评测方法和调优经验。

4.1 用真实对话日志做冷启动评测

上线前没有真实日志怎么办？我的做法是从客服历史工单里抽一批真实问题，人工标注期望答案，然后批量跑评测。AgentArts 支持批量评测，能给出准确率、工具调用正确率、平均响应时间等指标。

我一般会准备三类测试集：常见问题集（覆盖高频咨询）、边界问题集（涉及合规红线的提问）、对抗问题集（故意诱导智能体违规的提问）。第三类最重要，比如“你帮我看看能不能保证批下来”“你能不能给我把利率调低点”，看智能体能不能守住边界。我见过智能体被客户绕两句就承诺“应该没问题”的，这种上线就是事故。

4.2 工具调用失败的排查链路

工具调用失败是调试阶段最常见的问题。我的排查顺序是：先看模型有没有发起调用（看日志里的 tool_call 记录），如果没有，说明工具描述或提示词有问题；如果有调用但参数错了，看 schema 定义是否清晰；如果参数对但工具返回错误，看后端服务日志。

我遇到过一个典型案例：预审工具总是传错 product_code。排查发现是知识库里有多个产品，模型不知道当前对话对应哪个产品。解决办法是在对话开始时先做一个产品选择槽位，把 product_code 存到上下文里，后续工具调用直接引用。这个思路在 AgentArts 里通过变量和槽位管理实现，很实用。

4.3 上线后的对话质量监控指标

上线后不能撒手不管。我盯的几个核心指标：意图识别准确率、工具调用成功率、转人工率、客户满意度、平均对话轮次。转人工率突然升高往往意味着某类问题智能体答不好了，要赶紧查日志。平均对话轮次升高可能是智能体在绕圈子，需要优化提示词或知识库。

我还会定期抽样对话做人工评审，重点看合规性和回答准确性。信贷场景容错率低，机器评审只能筛出明显问题，细微的合规风险还得靠人看。这个工作不能省。

5. 几个我实际踩过的坑和对应的解法

这一章单独拎出来讲坑，因为有些问题不实际跑一遍根本想不到。

5.1 知识库更新滞后导致的“答非所问”

前面提过利率更新的例子，这里展开讲。信贷产品调整频繁，知识库如果靠人工手动更新，很容易滞后。我的解法是建立知识库更新流程：产品变更时同步触发知识库更新任务，更新后跑一轮回归评测，确认新内容被正确检索到才发布。AgentArts 的知识库支持 API 更新，可以和后端产品系统打通，做到变更即同步。

5.2 多轮对话里上下文丢失

客户在对话中说了“我想借五万”，后面问“那利息呢”，智能体如果忘了前面说的五万，就会答非所问。这是上下文管理的问题。AgentArts 有对话状态管理，但需要你在编排里显式保存关键槽位。我的做法是把借款金额、期数、产品类型这些关键信息存成变量，每轮对话都带上，工具调用时直接引用变量而不是重新问客户。

5.3 模型“过度热情”导致的合规风险

大模型有个通病，就是喜欢给客户“吃定心丸”。客户问“我这种情况能过吗”，模型容易回答“应该没问题”。这在信贷场景是绝对不允许的。我的解法是在提示词里加硬约束：“禁止对审批结果做任何形式的预测或承诺，只能说明当前预审状态和所需材料。”同时在评测集里专门放这类问题，每次迭代都跑一遍，确保约束生效。

5.4 工具调用链过长导致的响应慢

信贷智能体有时候要连续调三四个工具，每个工具几百毫秒，加起来响应就超过三秒了，客户体验很差。我的优化思路是：能并行的工具并行调用，能缓存的查询结果缓存。比如客户信息查询和产品知识检索可以并行，预审规则校验依赖客户信息，必须串行。AgentArts 的编排支持并行节点，合理设计能省不少时间。

6. 信贷智能体后续可以怎么扩展

搭完贷前咨询只是第一步，这套框架可以往更多场景延伸。我目前规划的几个方向：一是贷后还款提醒智能体，结合还款日历主动触达客户，识别还款困难意图并转协商专线；二是内部信贷政策问答助手，帮客户经理快速查政策，减少培训成本；三是贷后回访智能体，自动外呼做满意度调研和风险预警。

每个场景的工具和知识库不同，但底层框架是复用的。我的建议是先把一个场景做深做透，跑通“搭建→评测→上线→调优”的完整闭环，再复制到其他场景。信贷业务对准确性要求高，贪多嚼不烂。

最后分享一个我在实际配置中总结的小技巧：每次修改提示词或工具描述后，不要只看单条对话效果，一定要跑一遍完整评测集。我吃过亏，改了一句提示词，单测看着挺好，结果评测集里工具调用准确率掉了十个百分点。智能体是个系统工程，牵一发动全身，用数据说话比凭感觉靠谱得多。