智谱清言智能体创建入门指南：从提示词到知识库实战
上个月帮一家做小家电的客户清理客服工单，我发现他们后台 80% 的提问其实是同一批问题在反复出现：保修多久、滤芯怎么换、第几天还能退。客服每天把这些话复制粘贴几十遍，人累，回复还不一致。我当时的第一反应不是招人，而是先试试智谱清言智能体创建这条路——把政策文档塞进去、把语气定死、把边界划清楚。两周跑下来，重复问题的首次响应时间从平均 4 分钟压到了 20 秒出头。
这篇文章就是那次折腾的完整复盘。我尽量把踩过的坑写清楚，因为坦白讲，官方文档讲的是"能做什么"，而真正让人卡住的是"为什么效果不对"。
核心结论：智谱清言智能体创建的本质，是把「人设提示词 + 知识库检索 + 工具调用」这三件事打包成一个可复用的助手。决定效果上限的通常不是模型参数，而是知识库切片质量和指令的边界感。
智谱清言智能体创建到底在创建什么？
先给一个明确定义，避免概念混淆。智谱清言智能体创建，是指在智谱清言（网页端、App 端，以及开放平台的 GLMs 入口）中，通过设定人设、编写系统指令、挂载知识库与工具插件，生成一个具备特定角色定位和能力边界的 Agent 智能体的过程。
它和你平时跟模型闲聊最大的区别，在于"约束"两个字。普通对话里，模型是一张白纸，你得每次重新交代背景；智能体里，背景被固化成了配置项。
| 配置方式 | 典型场景 | 效果上限 | 维护成本 | |---|---|---|---| | 仅提示词 | 文案改写、风格模仿、简单问答 | 中 | 低 | | 提示词 + 知识库（RAG） | 内部文档问答、售后政策、产品手册 | 高，但强依赖资料质量 | 中 | | 提示词 + 知识库 + 工具插件 | 查订单、发邮件、调外部 API | 最高 | 高 |
这张表是我自己的体感排序，不是官方结论。有意思的是，很多人一上来就想做第三行，结果连第一行都没调明白。
拆开看：智能体背后的四层技术原理
这部分稍微硬一点，但理解了它，你调优的时候就不会瞎试。简单说，一个能用的智能体，是靠提示词、检索、工具和记忆四层叠出来的。
提示词工程：System Prompt 其实是分层的
我的经验是，别把 system prompt 写成一大段散文。按四层写，出问题的概率会低很多：
- **角色层**：你是谁，服务谁，用什么语气
- **规则层**：什么能答，什么必须拒答，遇到不确定怎么办
- **格式层**：输出结构，比如先结论后依据，或者强制 JSON
- **兜底层**：检索不到资料时的标准话术
兜底层最容易被忽略，但它恰恰是幻觉的主要出口。没有兜底，模型就会开始编。
RAG 检索增强与向量数据库在干什么
RAG 检索增强的流程，可以粗略拆成五步：文档解析 → 切片 → 向量化并存入向量数据库 → 按语义召回 Top-K → 重排后拼接进上下文。
关键点在"切片"。我试过把一份 60 页的售后政策整篇丢进去，召回质量惨不忍睹；改成按小节标题切、每片 300 到 500 字、片与片之间留 15% 重叠之后，答案准确率肉眼可见地好转。这不是玄学，是语义边界的问题——一段话里混了三个主题，向量自然就模糊了。
工具调用：从"会说"到"会做"
工具调用（Function Calling）让智能体能真的去查订单、读数据库。智谱 AI 开放平台文档里对 function call 的格式有明确说明，模型返回的不是自然语言，而是一段结构化的函数名加参数，由你的后端去执行。这意味着权限控制必须放在你这边，不能让模型自由发挥。
记忆与上下文管理
多轮对话里，历史消息是会撑爆上下文的。我一般会在配置里限制轮数，把超出部分做摘要压缩。这个策略不优雅，但足够实用。
智谱清言智能体创建使用教程：我的一次完整搭建记录
这段是操作层，照着走大概半小时能出一个能用的版本。
- **定角色**：一句话写清服务对象和语气，比如"你是 XX 品牌的售后助手，只处理退换货与保修咨询，语气克制，不做时效承诺"。
- **写指令**：把上面说的四层结构补齐，规则层尽量用"必须/禁止"这种硬词。
- **传知识库**：上传售后政策、常见问题清单，注意先按章节拆好再传。
- **挂工具**：需要查订单就接 API，不需要就跳过，别为了炫技硬加。
- **设推荐问题**：放 4 到 6 个高频问题，用户点击率会明显高。
- **灰度测试**：先自己拿 30 个真实工单问一遍，把答错的案例记下来回头改指令。
如果你想绕过界面、直接用 API 做批量测试，这段代码可以直接跑：
依赖：pip install zhipuai
API Key 在智谱AI开放平台控制台获取
from zhipuai import ZhipuAI
client = ZhipuAI(api_key="你的APIKey")
resp = client.chat.completions.create( model="glm-4-plus", messages=[
system 消息就是智能体的人设与规则，提示词工程的主战场
{"role": "system", "content": ( "你是某品牌的售后助手，只回答退换货与保修问题。" "资料不足时必须回复'这个问题我需要转人工确认'，禁止自行推测。" )}, {"role": "user", "content": "洗地机买回来第7天坏了，还能退吗？"} ], temperature=0.3, # 售后场景求稳，压低随机性 top_p=0.7, )
print(resp.choices[0].message.content)
`temperature` 这项我调了很久。创意类智能体可以放到 0.8 以上，客服、法务、财务这类场景，0.2 到 0.4 是我的舒适区。
给新手的智谱清言智能体创建入门指南：少走三条弯路
先泼点冷水：智谱清言智能体创建并不难，难的是把它调好。下面三条是我真金白银换来的。
第一条，知识库不是越大越好。 我一开始把公司所有文档都传了，结果智能体开始用市场部的宣传语回答售后问题。资料要挑，要精，要跟场景对齐。
第二条，别指望一次调好指令。 我的习惯是先写一版，然后拿真实提问去撞它，撞出问题就回去改。三轮之后基本稳。
第三条，砍掉多余能力。 一个售后智能体不需要会写诗，也不需要会翻译。能力越多，越容易跑偏。
说句实话，这套东西的天花板取决于你对自己业务的理解程度，而不是取决于你用了哪个模型。我见过配置很朴素但效果极好的智能体，也见过堆了一堆插件却没一个用对的。
工具与资源推荐
- **智谱清言网页端与 App**：适合快速验证想法，配置界面直观，适合新手起步
- **智谱AI 开放平台（bigmodel.cn）**：文档齐全，适合需要 API 集成和批量测试的开发者
- **GLMs 智能体分享入口**：可以看看别人怎么做人设，抄结构不抄内容
- **提示词模板库**：可参考 [VergeX 的提示词工程实践笔记](https://www.vergex.cn/ai/prompt-engineering)，里面整理了几套可直接套用的分层模板
- **技术原理补充**：想搞懂召回为什么会失败，建议读一遍 [RAG 检索增强机制拆解](https://www.vergex.cn/ai/rag-retrieval)，比看零散帖子效率高
总结与学习路径
智谱清言智能体创建这件事，拆开看只有三块：把角色说清楚、把资料喂对、把边界划死。模型能力是常量，这三块是变量。
我的建议学习路径是：先用纯提示词做一个周报生成器，熟悉指令结构；再做一个带知识库的内部问答，理解切片和召回；最后才尝试接工具做自动化。跳步的人，最后往往要回头补课。
如果你只打算记住一句话，那就是：智能体的效果不取决于它多聪明，而取决于你多清楚自己要它做什么。
关键要点速览
- 智谱清言智能体创建 = 人设提示词 + 知识库 RAG + 工具调用，三件套按需叠加
- 知识库切片建议按小节拆，单片段 300–500 字，留 15% 重叠
- 客服、法务类场景建议 temperature 控制在 0.2–0.4
- 必须写"兜底层"指令，否则模型会用幻觉填补资料空白
- 上线前用 30 条真实提问做灰度测试，比任何理论都管用
相关推荐
- **阅读相关专题**：想系统了解 Agent 智能体的技术全景，可浏览 VergeX 的智能体专题合集，覆盖规划、记忆、工具调用等模块
- **查看工具推荐**：更多 AI 开发工具与平台对比，见 [VergeX AI 工具导航](https://nav.vergex.cn)
- **订阅更新**：VergeX 每周更新 AI 技术拆解与实测笔记，可通过站内邮件订阅或关注公众号获取推送
如果你已经动手搭过一个智能体，欢迎把遇到的最诡异 bug 分享出来——我至今还记得那个坚持把"退货"理解成"退还货物给快递员"的版本。