在上面这个例子中，它识别出你对科技公司中如何确保残障人士可访问性感兴趣，就会将你的问题导引到负责一般知识性问题的智能体。
收集信息
然后就得做些基础工作。智能体会调用内部和，搜索具体的例子 领英数据 和研究案例，这些例子和研究案例突出了设计中的确保这种可访问性与科技公司商业价值的关联。这些就是产生最终回答的原始素材库。 编写回答：有了回答所需要的原始信息，智能体就开始编写回答了。它将数据过滤并综合成一个连贯、信息丰富的答案，为你提供明确回答。
为了避免生成太多的文字并使体验更具互动性，会调用内部来对回答进行修饰，比如加入文章链接或帖子中提到的人物的资料。 作为用户你可能会接着问“我如何将自己的职业转向这个领域？”，然后我们会重复上面这三个步骤，但这次会将你路由到职业和工作的智能体。只需点击几下，你就可以深入了解任何主题，获得可操作的见解或找到你下一个大好机会。
这一切在很大程度
上得益于大语言模型（）的出现，我们认为进一步分享我们在构建 总剧情中检举霸总们的各 这些功能时面临的挑战和幕后故事会很有趣。 . 整体设计 智能体产品案例深度思考和分享（全球顶级公司实践细节，做智能体必读） 图：简化的用户查询过程。 代表“知识共享智能体”，是数十个能够处理用户查询的智能体之一 大家可能已经注意到，我们的流程遵循了检索增强生成（），这是生成式系统中常见的设计模式。构建这个流程比我们预期的要容易得多。
在短短几天内
我们就搭建好了基本框架并使其运行起来： 路由()：判断问题是否在 bw 列表 处理范围内，是的话将其转发给哪个智能体。智能体的例子包括：岗位评估、理解公司、帖子要点提取等各种智能体。 检索()：这是一细信息的步骤（召回率导向的步骤），智能体决定调用哪些服务以及如何调用（例如， 、 等）。 生成()：这是一个精准度导向的步骤，它筛选检索到的各种数据，过滤它，并产生最终响应内容。 鉴于“路由”和“检索”的分类性质，微调它们相对顺畅：我们构建了开发测试集，并使用提示词工程和内部模型进行优化。然而，“生成”则是一个完全不同的故事。
