openJiuwen智能体平台部署搭建及政务通助手工作流智能体开发实战

概述

本文章旨在为政务信息化开发者提供一份详细的指南，介绍如何使用 openJiuwen 开源平台，快速搭建并部署一个具备智能业务识别与分流能力的政务AI智能体（Agent）。我们将以构建一个"政务通小助手"智能体为例，完整演示从环境准备、模型配置、工作流（Workflow）编排到智能体绑定与测试的全过程。openJiuwen 通过可视化的界面，极大地降低了复杂AI应用逻辑的开发门槛，是构建智慧政务助手、智能客服、多部门业务协同应答机器人的强大工具。

第一章：环境准备与平台部署

在开始构建智能体之前，我们需要确保下载最新的openJiuwen v0.1.3版本包，并推荐使用 docker 进行容器化部署，这能保证环境的一致性和便捷性。

1.1 获取资源

官方代码仓库 ：https://atomgit.com/openJiuwen。这里是项目的开源地址，开发者可以查阅源代码、提交Issue或参与贡献。
官方网站与文档 ：https://www.openjiuwen.com。获取最新的产品信息、详细的安装指南、配置文档和社区支持。

1.2 部署安装

本节概述部署步骤，详尽说明请参阅官网安装文档。

下载平台 ：访问 openJiuwen 下载页面，获取最新的部署包v0.1.3版本。

2 操作系统 ：本次部署使用的是openEuler系统，配置如下

3 安装依赖 ：确保宿主机已安装 Docker 和 Docker Compose。这是运行 openJiuwen 所有服务的唯一前提。

4、解压架构包 ：解压对应架构包

启动服务 ：解压部署包，进入 openJiuwen 项目根目录，执行启动命令。
bash 复制代码
```
./service.sh up
```
此脚本将自动拉取所有必要的Docker镜像（包括前端、后端、数据库等）并启动容器组。
访问验证 ：待所有服务启动成功后，在浏览器中访问 https://localhost:3000。首次访问可能会看到安全警告（因使用自签名证书），选择"继续前往"即可。看到登录界面，说明平台部署成功。

第二章：基础模型配置

openJiuwen 的核心能力依赖于大语言模型（LLM）和嵌入模型（Embedding）。在构建工作流前，必须先在平台中配置这些模型连接。

2.1 添加 LLM 模型

大型语言模型是智能体思考与对话的"大脑"。openJiuwen 支持对接多种开源和商业化模型API，特别适合需要理解复杂政策条款的政务场景。

操作路径：平台管理后台的"模型配置"模块。
关键配置 ：根据您选择的模型提供商（如华为、讯飞星火、文心一言、通义千问、GPT等），填写相应的 API Base URL、API Key 以及 Model Name。
目的：为后续工作流中的"业务识别节点"和"各部门专业应答节点"提供可用的模型实例。

2.2 添加 Embedding 模型

嵌入模型用于将文本转换为高维向量，是实现政策文件精准检索、相似问题匹配、知识库管理等功能的基础。

操作路径：与LLM配置位于同一区域。
关键配置：填写对应模型的接入信息。
目的：为后续集成各部门政策知识库、构建记忆库等需要向量化处理的节点提供支持。

第三章：构建"政务智能分流"工作流

工作流是openJiuwen的灵魂，它将多个AI处理节点通过逻辑连接起来，形成一个完整的处理管道。我们将构建一个能根据市民/企业咨询内容，自动识别业务归属并分发给不同业务科室（如耕保科、市政科等）进行智能应答的工作流。

3.1 创建与进入工作流

在"工作流"模块中，点击"添加工作流"，为其命名，例如 "Government_Service_Routing"。
进入该工作流的编辑画布，这是一个可视化的拖拽编排界面。
工作流编辑画布

3.2 设计工作流节点

一个高效的"政务智能分流"工作流通常包含以下逻辑层：

输入层（开始节点）：
- 节点：Start 节点。
- 作用：作为工作流的唯一入口，接收来自智能体的用户咨询（User Query）。例如："我想咨询一下宅基地确权需要哪些材料？"或"小区门口的树木倒了，向哪个部门反映？"。
- 配置：定义输入变量名，如 query。
业务识别与科室分类层（分类LLM节点）：
- 节点：Large Language Model (LLM) 节点。
- 作用：这是工作流的"智能调度中心"。它深度分析用户咨询的自然语言描述，精准识别其业务类型和可能涉及的科室，支持单科室或多科室关联识别。这是实现精准分流和协同应答的关键。
- 配置：
  - 选择已配置好的LLM模型。
  - 编写精炼的 系统提示词（System Prompt） ，例如："你是一个政务业务分类专家。请分析用户咨询，判断其主要涉及以下哪个或哪几个科室：1. 耕保科（负责耕地保护、宅基地、土地规划等），2. 市政科（负责道路、绿化、排水、路灯等公共设施），3. 市场监管科，4. 社会保障科，5. 其他科室。请输出格式为JSON: {"departments": ["科室A"， "科室B"]}。若无明确对应，则为["其他科室"]。"
  - 将开始节点的 query 变量作为用户输入（User Prompt）传入。
逻辑路由与并行处理层（循环与条件节点）：
- 节点组合 ：Iterator (循环) 节点 + 内部 IF/Else 或 Switch 节点。
- 作用：接收上一步LLM输出的科室列表（如 ["耕保科"， "市政科"]），通过循环节点遍历列表。针对每个科室，使用条件节点将其路由到对应的专业应答分支，实现并行或串行处理。
- 配置：
  - Iterator 节点：输入为分类LLM输出的 departments 数组。
  - 内部 Switch 节点：根据当前循环项（如"耕保科"）进行路由。
科室专业应答层（多个专用LLM与知识库节点）：
- 节点：多个并联的 Large Language Model (LLM) 节点，每个节点代表一个科室，并可选择挂载该科室的专属 知识库。
- 作用：在每个科室分支上，由专属的LLM节点扮演该科室政策专家的角色进行回复。知识库中预存了该科室的政策文件、办事指南、常见问题等，确保回复的专业性和准确性。
- 配置：
  - 耕保科节点：系统提示词设定为"你是国土资源局耕保科政策专家，负责解答耕地保护、宅基地审批、土地确权等相关问题。回答需严谨、准确，引用具体政策条文号（如果知识库中有）。"
  - 市政科节点：系统提示词设定为"你是市政管理科工作人员，负责解答道路维修、绿化养护、排水疏通、公共照明等市政设施相关问题。回答应具体、可操作。"
  - 其他科室节点：以此类推。
  - 知识库挂载 ：在LLM节点前或节点设置中，添加"知识库检索"节点，并选择对应科室的知识库。
应答整合与格式化输出层（结束节点）：
- 节点：End 节点。
- 作用：收集来自各个科室分支的回复，进行梳理和整合，形成结构清晰、语气统一的最终答复，返回给用户。

3.3 工作流测试与调试

openJiuwen 提供了强大的"试运行"功能，允许在发布前对工作流进行单元测试。

点击画布上的 "试运行" 按钮。
在输入框中键入测试咨询，例如："我家老宅翻新，涉及宅基地和门口道路占用，该怎么办？"
观察执行过程。您可以清晰地看到流程如何经过分类LLM（输出 {"departments": ["耕保科"， "市政科"]}），如何通过循环并行或串行触发两个科室的应答节点，并最终生成整合回复。
调试与优化：如果输出不符合预期（如科室识别错误、回复不专业），返回检查分类LLM节点的提示词、各科室知识库的完整性，以及应答LLM的系统角色设定，进行微调。

第四章：创建与绑定政务智能体

工作流是后台的"智能处理引擎"，而智能体（Agent）则是面向公众的"政务服务窗口"。我们需要创建一个智能体来暴露这个功能。

4.1 创建智能体

进入"智能体"模块，点击"创建智能体"。
填写基本信息：名称（如"政务通小助手"）、描述（例如："为您提供精准的业务咨询与智能分流服务"）、选择政务风格的头像等。

4.2 绑定工作流引擎

这是连接前端服务窗口与后台智能处理引擎的关键一步。

在智能体的编辑页面，找到"推理引擎"或"关联工作流"配置项。
从下拉列表中选择我们刚刚创建并测试通过的 "Government_Service_Routing" 工作流。
保存配置。这意味着所有发送给该智能体的公众咨询，都将被转发给这个工作流进行智能识别与分流处理。

4.3 端到端测试与最终优化

在智能体的聊天窗口进行最终集成测试。
- 初始测试：输入"我想办理农村建房规划许可证"，检查回复是否专业，是否来自耕保科，内容是否清晰。
- 多部门测试 ：我家老宅翻新，涉及宅基地和门口道路占用，该怎么办？"，检查回复是否同时包含了市政科,耕保科的解答，且整合得当。
问题诊断与修复：如果回复出现格式混乱、科室前缀残留或知识库未命中等问题，解决方案是：
- 返回工作流，检查 结束节点的输出模板，确保其能正确处理多部门输入并优雅格式化。
- 优化各科室 LLM节点的系统提示词 ，明确要求其以"本科室答复："或直接给出纯政策解答。
验证修复 ：再次在智能体界面进行多轮测试，确认回复精准、专业、格式统一，符合政务服务标准。

第五章：总结与拓展思考

通过以上步骤，我们成功利用 openJiuwen 平台构建并部署了一个具备智能业务识别、多部门协同应答能力的政务AI智能体。这个过程充分展示了低代码AI平台在提升政务服务效率和智能化水平方面的巨大潜力。

核心价值：openJiuwen 将复杂的AI管道与政务业务逻辑解耦，通过可视化编排，使业务专家和开发者能共同快速构建符合实际需求的智能应用，无需陷入复杂的代码开发。
工作流模式 ：本项目演示的 "智能识别 -> 并行路由 -> 专业应答 -> 结果整合" 是一种高度可复用的政务AI工作流模式，可轻松拓展到更多场景，如：
- "一网通办"智能导办：根据用户模糊描述，精准定位要办理的事项，并生成个性化材料清单和办理路径。
- 政策精准推送与解读：分析企业基本信息，自动匹配可享受的优惠政策，并由对应科室模型进行解读。
- 多渠道诉求智能分派：整合热线、网站、新媒体留言，统一识别后分派至12345平台或各委办局内部系统。
进阶优化方向 ：
1. 知识库深度集成：为每个科室节点集成更全面的政策法规库、案例库和办事流程库，利用RAG技术确保答复的时效性与准确性。
2. 流程自动化衔接：在应答节点后，接入**工具调用（Tool Calling）**节点，对于可在线办理的业务，直接生成预填表单或跳转链接，实现"问答即办事"。
3. 多轮对话与记忆：引入"对话记忆"节点，支持复杂业务的多轮咨询，能记住用户上下文（如之前提过的企业名称、地址），提供连贯服务。
4. 效能评估与优化：对分类模型的准确率、各科室知识库的命中率进行监控，持续迭代提示词和知识库内容，并可通过接入更快的分类模型来优化整体响应速度。