随着 LLM（大型语言模型）的兴起，很多企业都在寻求通过 LLM 来解决业务问题，实现降本增效。然而当面对相对复杂的业务问题（如：背景信息很多、问题分类多、条件判断复杂、涉及多个模块等）时，以目前 LLM 的发展水平，单靠简单的 LLM 对话式交互很难有效解决此类问题，因为 LLM 也有自身的能力限制，如幻听、上下文等。
为了解决此类问题，极光研发的GPTBots平台独创了“ 比利时 whatsapp 数据 Flow”机器人搭建模型，该模型能够将复杂的业务问题通过“Flow”简化并抽象成多个“节点”和“流程”，并通过工作流可视化编程快速搭建机器人，让多个专用的LLM并行/串行工作，各司其职，然后立即应用到实际的业务问题场景中。
本文将以构建一个简单的“售后服务机器人”为目标，为大家讲述“Flow”的实际应用过程。
识别问题并定义目标
设计机器人和设计产品是一样的，首先要明确机器人要解决什么问题，机器人的目标是什么。
在这个例子中，我们需要解决售后服务问题。原有的售后服务可能包括（但不限于）：
大量的咨询需要大量的人力投入；
咨询的内容非常广泛，对客服人员的知识要求较高；
...
如果有专门处理售后问询的机器人，可以帮助企业提高售后服务效率，同时降低售后服务成本（人力、时间、管理资源等）。
业务梳理
明确了问题和目标之后，我们需要根据实际的业务场景来规划机器人的工作流程。
在这个例子中，我们可以设计这样一个简单的售后问题处理工作流程：
当客户提出与支持服务相关的问题时，机器人会根据“支持服务”文档的知识为客户解答；
当客户询问退货时，机器人会根据“退货”文档的知识回答客户；
当客户需要查询快递轨迹时，机器人会调用预先定义的快递查询插件，并将结果返回给客户；
当客户提出退款请求时，由于该业务涉及资金流，比较敏感，我们选择让机器人调用预定义的退款处理插件来为客户执行退款并返回结果；
当客户的问题不属于上述任何类型时，我们为客户设置一个默认的回复信息，例如让客户通过某种联系方式联系人工客服。
当然，现实企业售后服务中的场景远不止这五种，企业开发人员可以根据实际情况设计机器人。
知识分类
定义好业务流程之后，我们需要为机器人准备售后知识数据，因为既然是售后机器人，这个机器人就必须熟悉公司所有的售后服务知识，才能根据这些知识合理地响应客户的问题。
准备机器人知识最重要的思考就是“分类”。
在售后服务场景中，售后服务人员会遇到很多不同的问题，比如我可以退货吗？在哪里看退货进度？可以换货吗？怎么换？退款要多久才能回到我的账户？快递员送到哪里了？等等。
如上图所示，我们可以将业务梳理结果中的问答场景进行分类，即支持服务和退货场景中常见的需要问答的场景，并按照这些分类来组织知识文档。例如“支持服务”和“退货”。
清晰的知识分类有助于机器人学习和理解知识，在面对客户问询时提供更准确的答案。