共计 1365 个字符，预计需要花费 4 分钟才能阅读完成。

1. 智能体与传统聊天机器人的区别

智能体与传统聊天机器人的核心差异在于主动决策能力和上下文感知。传统机器人依赖预设问答对，而智能体通过意图识别、状态管理和 API 集成实现多轮复杂交互。例如天气查询场景中，智能体可主动询问未明确参数（如城市、日期），并自动补全上下文缺失信息。

2. 开发实战：天气预报智能体

2.1 创建项目

1. 登录 Cherry Studio 控制台
2. 点击「新建智能体」按钮
3. 选择「空白模板」并命名（如 WeatherBot）

2.2 定义意图与训练数据

# 意图定义示例
intents:
  - ask_weather:
      examples:
        - "今天天气怎么样"
        - "{city}下周会下雨吗"
        - "查 {date} 的天气"

# 实体标注规范
entities:
  city:
    type: string
    values: [北京, 上海]
  date:
    type: date
    format: YYYY-MM-DD

2.3 状态机设计

stateDiagram
    [*] --> Greeting
    Greeting --> GetCity: 用户询问天气
    GetCity --> GetDate: 提供城市
    GetDate --> CallAPI: 提供日期
    CallAPI --> ShowResult: 返回数据
    ShowResult --> [*]

2.4 API 集成

# Webhook 示例（Python Flask）@app.route('/weather', methods=['POST'])
def weather():
    try:
        req = request.json
        city = req['entities']['city']
        date = req['entities'].get('date', datetime.today().strftime('%Y-%m-%d'))

        # 调用天气 API
        resp = requests.get(f"https://api.weather.com/v1?city={city}&date={date}",
            headers={"Authorization": os.getenv('API_KEY')}
        )
        resp.raise_for_status()

        return {"text": f"{date} {city}天气: {resp.json()['forecast']}",
            "context": req['context']  # 保持对话上下文
        }
    except Exception as e:
        return {"error": str(e), "status": 500}

3. 避坑指南

3.1 意图识别优化

• 每个意图至少提供 20 条训练语句
• 使用同义词扩展实体值（如 ” 魔都 ” 对应 ” 上海 ”）
• 定期查看 NLU 分析报告修正误判案例

3.2 上下文管理

• 关键参数设置 required_flags 强制校验
• 超时对话自动保存临时上下文到数据库
• 使用 context.get(‘last_intent’)实现话题跳转

3.3 性能优化

• 异步处理耗时 API 请求
• 对话日志启用分级存储（近期数据存 Redis）
• 设置 QPS 限制防止第三方 API 过载

4. 进阶思考

1. 如何实现用户说 ” 和昨天一样 ” 时自动复用历史查询参数？
2. 当天气 API 不可用时，有哪些优雅的降级方案？
3. 多轮对话中如何设计中断机制（如 ” 换一个城市查询 ”）？

通过本教程，您已掌握智能体开发的核心流程。建议从简单场景入手逐步增加复杂度，实践中可参考官方提供的 银行客服 和电商导购 案例代码。