公共服务AI落地：Agentic AI与提示工程实践

1. 公共服务AI落地的真实困境与破局思路

早上8点的社区养老服务中心，张阿姨举着手机冲进大厅的场景，相信不少一线工作人员都深有体会。这种AI服务"掉链子"的情况在公共服务领域屡见不鲜——要么答非所问，要么流程卡壳，要么政策滞后。这些不是技术能力问题，而是设计思路的偏差。

传统AI在公共服务领域表现不佳的核心原因在于：公共服务的本质是"流程+温度+合规"的复杂组合，而传统AI大多采用"单轮问答+静态知识库"的简单模式。这种模式无法应对公共服务中常见的多轮交互、政策更新、用户多样性等实际需求。

1.1 Agentic AI的差异化优势

Agentic AI（智能代理AI）为解决这些问题提供了新的可能性。与传统AI相比，它具有三大核心能力：

1. 自主决策能力：可以根据上下文判断下一步操作，而非机械执行预设流程
2. 工具调用能力：能够实时对接政策数据库和政务系统接口，确保信息准确性
3. 记忆与适应能力：可以记住用户历史交互，并根据用户特征调整服务方式

这些能力恰好对应了公共服务中的关键需求：

• 准确性（通过实时数据接口）
• 包容性（通过个性化适配）
• 安全性（通过权限管控）
• 可追溯性（通过完整对话记录）

提示：在设计公共服务AI时，首要考虑的不是技术先进性，而是场景贴合度。一个能准确解决单一问题的简单AI，往往比功能全面但表现不稳定的复杂AI更有实用价值。

2. 公共服务提示工程六大核心技巧

2.1 锚定"原子任务"：明确AI的能力边界

2.1.1 原子任务的设计原则

"原子任务"是指将复杂的公共服务流程拆解为最小可执行的独立单元。例如：

• "社保查询"可拆解为：验证身份→确认查询类型→展示结果
• "企业注册"可拆解为：核名→提交材料→缴费→领取执照

设计原子任务时需要考虑：

1. 任务粒度：不宜过大（难以完成）也不宜过小（过于碎片）
2. 完成标准：明确定义任务完成的判断条件
3. 异常处理：预设可能的中断点和恢复方式

2.1.2 提示设计示例

python复制# 原子任务提示模板
你是一个社保查询助手，专门处理"养老保险缴费记录查询"这一项任务。你的能力边界包括：
1. 验证用户身份（通过社保卡号+手机号）
2. 确认查询时间范围（最近1年/3年/5年）
3. 展示格式化结果

如果遇到以下情况，必须明确告知无法处理并建议转人工：
- 查询医保或失业保险记录
- 需要解释政策细节
- 用户提出投诉建议

这种设计确保了AI不会越界处理不擅长的任务，同时明确了转人工的标准。

2.2 政策校准机制：确保信息实时准确

2.2.1 双通道校验设计

公共服务AI最危险的情况就是提供过时或错误的政策信息。建议采用：

1. 静态知识库：存储基础政策文本
2. 动态接口：对接官方政策发布平台
3. 版本比对：每次回答前检查政策时效性

2.2.2 提示设计技巧

在提示中加入强制校验指令：

在回答任何政策相关问题前，必须执行以下步骤：

1. 检查知识库最后更新时间（要求≥2024-05-01）
2. 通过[政策API]验证关键数据（如缴费基数）
3. 在回答中注明政策依据（如"根据人社部发〔2024〕XX号文"）

2.3 意图分层处理：精准理解用户需求

2.3.1 三级意图识别模型

公共服务中的用户提问往往包含多个隐含需求，建议分层处理：

1. 表层意图：直接表达的需求（如"怎么补办社保卡"）
2. 深层意图：实际要解决的问题（如"急着看病但卡丢了"）
3. 情感意图：情绪状态（如焦虑、不满）

2.3.2 提示设计示例

python复制当用户提问时，按以下流程处理：
1. 识别表层意图：使用分类模型判断问题类型
2. 分析深层意图：通过追问确认真实需求
   - 示例：用户问"社保转移"，实际可能是"准备换城市工作"
3. 感知情感状态：调整回复语气
   - 检测到焦虑时，先安抚再解答

2.4 流程闭环设计：确保服务有始有终

2.4.1 五步闭环法则

公共服务流程最忌"断头路"，每个交互都应形成闭环：

1. 确认需求
2. 提供方案
3. 指导操作
4. 验证结果
5. 确认完成

2.4.2 提示设计技巧

在流程类任务提示中加入检查点：

在服务过程中必须定期确认：

• 用户是否理解当前步骤
• 是否遇到操作困难
• 是否需要暂停/继续

流程结束时必须：

• 总结已完成事项
• 说明后续步骤
• 提供反馈渠道

2.5 共情合规表达：平衡专业与温度

2.5.1 公共服务话术原则

不同于商业场景，公共服务话术需要：

• 专业性：用词准确规范
• 同理心：理解用户处境
• 中立性：避免主观判断

2.5.2 提示设计示例

python复制回答模板：
[共情表达] + [专业解答] + [行动指引]
示例：
"补办社保卡确实很着急（共情），您需要携带身份证到参保地社保局办理，支持异地代办（专业）。这是最近的办理点导航链接（行动）"

2.6 持续进化机制：建立反馈闭环

2.6.1 三环学习模型

让AI系统能够从实际使用中持续改进：

1. 用户反馈：直接评价与投诉
2. 坐席标注：人工服务的修正记录
3. 政策变更：法律法规更新

2.6.2 提示设计技巧

在系统层面设置学习机制：

每日自动执行：

1. 分析用户中断对话的点
2. 对比人工服务的处理方式
3. 识别政策变更影响范围
4. 生成提示优化建议

3. 实操案例：社保查询场景完整实现

3.1 场景拆解

以"养老保险缴费查询"为例，典型用户路径：

1. 进入服务
2. 身份验证
3. 选择查询范围
4. 查看结果
5. 提出疑问
6. 结束服务

3.2 提示工程实现

python复制# 主提示框架
你是一名社保专业客服助手，专门处理养老保险缴费查询。你必须：

1. 严格遵循原子任务边界
   - 仅处理缴费记录查询
   - 不解释政策（转人工）
   - 不处理其他险种

2. 执行强制校验
   - 验证用户身份
   - 检查数据时效性
   - 标注政策依据

3. 采用闭环话术
   - 每个步骤确认理解
   - 提供明确操作指引
   - 结束时总结并邀请反馈

4. 自适应表达
   - 对老年人：语音+大字版
   - 对企业HR：专业术语+批量查询
   - 对焦急用户：先安抚后解答

3.3 异常处理设计

常见异常情况及处理方案：

4. 避坑指南与经验总结

4.1 常见实施误区

1. 过度追求功能全面

   • 现象：试图一个AI解决所有问题
   • 结果：各方面表现平平
   • 建议：从高价值单点场景突破

2. 忽视政策时效性

   • 现象：知识库更新滞后
   • 结果：提供错误信息
   • 建议：建立自动更新机制

3. 缺乏用户分层

   • 现象：统一话术应对所有用户
   • 结果：体验割裂
   • 建议：设计3-5种用户画像

4.2 关键成功因素

1. 业务深度参与

   • 必须由业务人员定义原子任务
   • 技术团队不能自行假设需求

2. 渐进式扩展

   • 先做好一个场景再扩展
   • 每扩展一个场景重新评估提示

3. 持续监控优化

   • 建立核心指标看板
   • 定期review异常案例

在实际项目中，我们发现最有效的提示优化往往来自一线服务人员的建议。例如某社保局项目中，窗口工作人员指出"很多老年人会把'缴费基数'理解为'每月要交的钱'"，我们据此在提示中加入了"相当于您每月工资的XX%"的通俗解释，使理解准确率提升了40%。

另一个重要经验是：不要追求对话轮次的最小化。在商业场景中，我们通常希望尽快结束对话；但在公共服务中，适当的确认和重复反而能提高服务可靠性。我们曾测量过，增加关键步骤的确认环节，虽然使平均对话时长增加了15秒，但用户重复咨询率下降了28%。