重要指南！如何建立 GPTBots Agent

GPTBots 是一個 AI 應用程式（Agent，智能助手／智能代理）開發平台，讓您無需撰寫任何程式碼，即可輕鬆打造符合需求的 Agent。

GPTBots 操作簡單且容易上手。因此，對多數用戶來說，最大的挑戰在於——如何創建一個真正實用且符合需求的 Agent？

因此，正確的思考流程至關重要。

本篇將帶您逐步思考並建立專屬於您的 Agent。

思考流程

設計 Agent 的方式，基本上與設計產品相似。

我們建議您將 Agent 當作一個「人」來看待，這樣更能將現實問題投射到 Agent 上，讓它協助解決。

應用情境

首先，您需要明確應用情境，也就是希望這個 Agent 幫您解決哪些問題？

我們通常會用「5W1H」來描述一個情境：

Where（何地）、When（何時）、Who（何人）、Why（為何）、How（如何）、What（何事）。

例如：

在家（Where），線上購物時（When），買家（Who）希望透過撥打電話（How）諮詢線上商店的客服（What），因為他們不知道如何退貨（Why）。

這是一個典型的電子商務客服 Agent 的應用情境。

您可以參考這個範例，列出 Agent 可能遇到的多種情境，例如：

• 不知道如何退貨
• 不知道如何退款
• 不知道如何換貨
• 不知道如何申訴
• 如何使用產品
• 平台的其他聯絡方式
• ...

一般來說，不建議讓 Agent 處理過於廣泛的問題。Agent 的情境越聚焦、越垂直，解決問題的效率就越高。

就像人類一樣，Agent 也需要「專精於特定領域」。

上述例子中，所有情境都與「電子商務客服」相關，有助於明確建立電子商務客服代表的形象。

同時，建議不要讓這個 Agent 涉及與「電子商務客服」無關的情境，例如「貸款推薦」或「產品推薦」等。

定位

列出應用情境後，您就能明確為 Agent 設定定位。

以上述例子來說，這是一個「電子商務客服」Agent，能協助使用者解答平台相關問題，並處理退換貨等任務。

資源準備

定位確立後，接下來需要準備 Agent 會用到的資源，主要分為兩大類：知識與工具。

知識文件

所謂知識，就是 Agent 需要學習與理解的內容，通常以文件形式呈現。

就像人類在處理工作前也必須先學習相關知識，Agent 亦然。

Agent 會根據所擁有的知識來回應使用者提問。

例如：某電商平台的退換貨流程。如果這些知識沒有提供給 Agent，它就無法正確回應，甚至可能產生「幻覺」給出錯誤答案。

請根據 Agent 的應用情境與定位，準備相關知識文件。

例如，若希望 Agent 能回答電商平台的退換貨問題，就需準備該平台退換貨規則與流程的相關文件。

工具（API）

工具是 Agent 執行任務所需的必備「利器」。

對 Agent 而言，工具本質上就是「API」。只要將 API 作為工具提供給 Agent，Agent 就能在適當時機調用這些 API 完成指定任務。

例如：電商平台用戶希望退貨，Agent 開發者可將退貨 API 提供給 Agent。當用戶提出退貨需求時，Agent 就能自動調用該 API，協助用戶完成退貨流程。

請根據 Agent 的應用情境與定位，準備相關工具（API），如退貨 API、換貨 API、工單提交 API 等。

設計階段

理清思路並備妥資源後，即可進入 Agent 的正式設計階段。

角色定位提示：明確 Agent 身分

圖說：設定角色定位提示，讓 Agent 明確知道自己負責的任務與規則。

撰寫合理的角色定位提示（Identity Prompt）是打造優秀 Agent 的第一步。

在角色定位提示中，需定義 Agent 的角色、技能、任務、限制等，讓它清楚了解自身職責，發揮最大效能。

深入了解：如何撰寫有效且強大的角色定位提示

上下文配置：讓 Agent 在有限空間處理適當資訊

圖說：合理配置上下文資訊，有效提升 LLM 回應品質。

Agent 以大型語言模型（LLM）為基礎，而 LLM 的上下文長度決定了可處理的資訊量，是有限的。

就像不同的人閱讀理解能力不同，有些人能短時間讀大量文章並消化內容，有些人則只能閱讀少量。

LLM 的上下文長度就像人類短時間內能閱讀與理解的資訊量。

因此，應在有限的上下文中，提供最適合的資訊給 LLM，並盡量減少無關內容，才能讓 LLM 發揮最佳效果。

深入了解：如何合理配置 LLM 上下文

知識庫建置：教會 Agent 必備知識

圖說：將知識文件上傳至知識庫，讓 Agent 能根據內容回應用戶提問。

將準備好的知識文件上傳至知識庫，當用戶提問時，Agent 會先根據用戶查詢內容，在知識庫中搜尋語意相關的文件作為參考，並由 LLM 總結後回覆用戶。

但將知識文件上傳至 Agent 的知識庫，不一定是最佳知識利用方式，這與 RAG 框架及 LLM 任務處理方式相關。您可參考以下文章，設計最適合自身情境的方法：

深入了解：如何操作知識庫

工具整合：讓 Agent 執行任務

圖說：將 API 打包為工具，讓 Agent 能自動執行各項任務。

在工具模組中，您可將 API 打包為工具並加入 Agent，讓 Agent 能自動執行這些 API。

深入了解：如何創建工具

此外，GPTBots 也提供大量現成 OpenTools，您可依需求直接加入 Agent，無須自行開發。

流程設計：適合複雜邏輯的 Agent

圖說：透過流程設計，靈活配置複雜任務與條件判斷。

若需設計邏輯複雜、步驟繁多或需條件判斷的 Agent，「流程（Flow）」功能是極佳選擇。您可在畫布上拖曳組件，自由配置 Agent 工作流程。

深入了解：關於流程設計

記憶功能：讓 Agent 持續追蹤任務

圖說：啟用記憶功能，讓 Agent 能持續追蹤對話內容。

如同人與人之間的對話，需記住前面談過的內容，才能延續主題、維持對話。

Agent 的記憶功能亦是如此。

您可根據服務情境決定是否啟用記憶及其方式，例如：

• 若需多輪對話才能解決問題（如深入討論），建議啟用「長期記憶」。
• 若僅需幾輪對話即可解決問題（如線上諮詢），可僅啟用「短期記憶」。
• 若任務可一次完成（如撰寫電子郵件），則可不啟用記憶。

圖說：可將用戶屬性作為記憶，提升個人化服務體驗。

同時，也可將用戶屬性提供給 Agent 作為記憶，讓 Agent 更了解用戶，提供更貼心的個人化服務。

圖說：例如飯店房務 Agent，可自動辨識房號、姓名，減少重複提問。

舉例來說，飯店房務 Agent 與房客互動時，已可透過用戶屬性取得房客姓名、房號等資訊。當房客要求送餐時，Agent 無需再詢問姓名、房號，只需詢問所需服務內容即可，因為 Agent 已知送餐對象。

深入了解：關於記憶與用戶屬性

發佈與整合：Agent 的應用場域

您可根據實際需求評估，將 Agent 整合到用戶所在的平台或服務中，讓用戶隨時隨地都能使用。

深入了解：Agent 整合應用

實用範例

若閱讀完上述內容後，仍不確定如何設計 Agent，歡迎參考我們精選的範例。

圖說：多種 Agent 範本可供參考，協助您快速上手設計。

在建立 Agent 時，只需選擇任一範本，即可參考其參數設定，進一步理解與學習如何設計 Agent。這是快速學習與實作的最佳方式。

更多範例與教學：GPTBots 範例專區