客服场景中，Expert Agent 应如何按业务维度拆分，并通过 Prompt 输入、输出约束和预设 Workflow 降低幻觉与泛化损失？

60 秒回答模板

客服场景拆 Expert Agent 的核心不是把一个大 Prompt 拆成多个小 Prompt，而是把业务责任、可用知识、工具权限和输出契约一起拆清楚。这样每个 Expert 只处理自己擅长的子域，同时由路由层和质检层控制跨域问题、证据不足和高风险动作。 按业务责任拆分：可以按售前咨询、订单状态、售后政策、投诉安抚、工单生成、坐席辅助等维度划分，而不是按模型能力随意命名。每个 Expert 要有明确可处理意图、不可处理边界和转交规则。 Prompt 输入要结构化：输入不应只有用户原话，还应包含意图、槽位、历史摘要、可引用知识、工具结果、用户风险标签和当前流程状态。结构化输入能减少模型自行猜测业务事实。 输出要有契约：Expert 输出应包括答案、证据引用、置信度、是否需要追问、是否转人工、是否创建工单和可执行动作。用固定 schema 能让下游校验、审计和回放。 Workflow 兜住高风险：退款、投诉、身份核验、权限写操作等场景不能只靠生成式回答，应通过预设流程、规则校验、工具权限和人工确认来约束执行路径。 泛化损失要被管理：拆得太细会导致跨场景问题没人负责，拆得太粗又会引入幻觉。需要路由召回多个候选 Expert、支持协同转交，并用灰度数据持续调边界。 最后要把方案落到可验证的指标、失败兜底和迭代闭环上。面试里不要只讲概念名词，要说明边界、取舍、数据来源、线上观测和出问题后的回滚或人工介入。