复杂政策问答对比：腾讯云 ADP 智能体开发实战

政务政策问答的难点，往往出现在“对比”和“落地”两个环节。

例如群众咨询育儿补贴时，问题可能并不只是“北京每年补贴多少”，还会追问“北京和上海的申领对象有什么差异”“户籍迁入后如何计算”“上海的‘免申即享’适用于哪些人群”“逾期是否补发”“政策延期通知是否覆盖我的申请批次”。这些问题需要同时读取实施方案、实施细则、流程改革文件、延期通知等多份材料，并区分政策原文、地方细则和办理流程。

在这类场景中，智能体需要具备三类能力：能找到依据，能按流程判断，能在不确定时保持边界。本文以“复杂政策问答对比”为示例，介绍如何基于 腾讯云 ADP 搭建一个面向政务服务团队的政策问答智能体，覆盖应用模式选择、RAG 知识库构建、工作流编排、Multi-Agent 协作、评测与发布全流程。

一、场景拆解：复杂政策问答为什么容易出错

以育儿补贴政策为例，北京市《育儿补贴制度实施方案》明确，从 2025 年 1 月 1 日起，对具有北京市户籍、符合法律法规规定生育的 3 周岁以下婴幼儿发放补贴，现阶段执行国家基础标准每孩每年 3600 元。北京市实施细则进一步说明，补贴对象包括符合法律法规规定生育或收养的 3 周岁以下婴幼儿，以及具有北京市户籍的 3 周岁以下孤儿、事实无人抚养的婴幼儿；申领人应按年度申请。

上海相关文件则包含育儿补贴申领“一件事”流程再造改革内容，强调通过主题服务专栏、与出生“一件事”联办、“免申即享”和自助终端等方式优化办理体验。其补贴对象依据上海市育儿补贴制度实施方案，覆盖符合法律法规生育或收养、在上海市已办理户籍登记的 3 周岁以下婴幼儿，包括 2025 年 1 月 1 日及以后出生，以及此前出生且在 2025 年 1 月 1 日时未满 3 周岁的婴幼儿。

当用户问“北京和上海有什么不同”时，答案不能只输出一张简单表格。智能体至少要区分：

这里的风险在于：一份文件中有补贴对象，另一份文件中有流程改革；有些内容是实施方案，有些内容是试行细则；“免申即享”也只面向具备政务数据共享条件的部分人群。若智能体没有检索证据和回答边界，很容易把流程便利误解为所有人自动获得资格。

二、选择应用模式：先稳定问答，再扩展协同

ADP 支持多种智能体应用模式。根据官方文档，智能体应用及其四种模式 包括 Claw 模式、标准模式、单工作流模式和 Multi-Agent 模式。复杂政策问答通常可以按以下路径选择：

1. 标准模式：适合严肃知识问答。平台预设双模型协同处理流程，并支持知识库能力，适合先完成“政策原文问答”“条款解释”“依据引用”等基础能力。
2. 单工作流模式：适合目标明确、流程统一的场景。例如“判断问题类型 → 检索北京政策 → 检索上海政策 → 输出对比表 → 增加风险提示”，可以编排为固定流程，提高一致性。
3. Multi-Agent 模式：适合多工具调用、多任务协同的复杂场景。例如主 Agent 负责意图理解与任务分发，子 Agent 分别负责北京政策检索、上海政策检索、跨文件对比与合规校验。
4. Claw 模式：应用拥有独立沙箱工作空间，可自主编写并运行代码、调用 Skills、工具和连接器。若项目涉及大批量文件离线处理、表格自动分析或办公文档导出，可单独评估。

对于政务政策问答 PoC，建议先用标准模式完成 RAG 知识问答闭环，再根据业务需要引入工作流或 Multi-Agent。需要注意的是，标准模式、单工作流模式、Multi-Agent 模式之间支持平滑切换，但不同模式之间的提示词和模型配置不会相互继承；Claw 模式与其他模式之间不支持切换，规划初期需明确区分。

三、准备 RAG 知识库：让每个答案有来源

政策问答智能体的第一步，是把政策文件整理成可检索、可引用的结构化知识。ADP 的 知识库 支持导入 PDF、Word、Excel、Markdown、图片等格式，内置版面分析与表格识别能力，支持文档知识库、问答知识库和数据库知识库。

在育儿补贴场景中，建议按知识来源与效力位阶建立分类：

• 国家层面文件：如国家《育儿补贴制度实施方案》、国家卫生健康委《育儿补贴制度管理规范（试行）》以及延期通知等上位文件。
• 北京市文件：北京市育儿补贴制度实施方案、北京市育儿补贴制度实施细则等地方执行文件。
• 上海市文件：上海市育儿补贴制度实施方案、育儿补贴申领“一件事”流程再造改革工作方案等。
• 政策解读材料：办事指南、一图读懂等，适合辅助解释，但生成回答时应优先引用正式政策文件。
• 高频问答对：沉淀常见咨询，例如“逾期是否补发”“户籍迁入如何申领”“谁可以作为申领人”。

为提升跨地区和时效性检索精度，可在知识库中结合 元数据设置 进行结构化管理：

在提示词中建议明确约束：回答必须基于检索命中的政策片段；涉及资格判断时统一采用“根据文件规定，可能需要满足……”等审慎表述；文末统一提示最终资格以主管部门审核与办理系统核验为准。

四、设计问答链路：从用户问题到可引用答案

复杂政策问答的执行链路可分为四步：

1. 识别问题类型：区分用户提问属于单地政策咨询、跨地对比、办理流程、所需材料、申报时限还是个案资格预审。
2. 提取约束条件并按需追问：提取地区、出生日期、户籍状态等关键实体。若用户提问缺少必要条件（例如“2025 年前出生的孩子还能补领吗”未说明户籍地），应首先触发澄清追问。
3. 分源检索政策依据：根据提取的地区与事项分别检索知识库。涉及对比问题时，强制双源独立检索，避免仅用单一地区材料推理另一地区口径。
4. 结构化生成与合规包裹：统一采用“简要结论 + 对比表格 + 条款依据 + 办理路径 + 免责边界”的格式输出。若知识库无相关记录，明确说明未检索到依据，不借助大模型预训练知识推断政策细节。

示例问题：

北京和上海育儿补贴申领流程有什么区别？

较稳妥的回答结构包含四个层次：

• 共性概括：两地均遵循“线上申请为主、线下申请为辅、基层初审、区级卫健审核确认”的通用程序；
• 北京特点：申领人主要通过育儿补贴信息管理系统线上申报，也可前往户籍地街道乡镇现场办理；
• 上海特点：在常规申报基础上，推行“一件事”主题专栏、出生联办、“免申即享”以及线下自助终端办理；
• 边界说明：提示“免申即享”仅适用于满足数据比对共享条件的人群，具体办理入口和资格确认以当地官方政务平台审核为准。

五、用工作流固化高风险判断步骤

当高频业务场景的问答逻辑趋于稳定时，可通过 ADP 的 工作流 画布将判断逻辑固化下来。工作流支持开始节点、大模型节点、代码节点、工具节点、条件判断节点、知识检索节点、大模型知识问答节点、回复节点等多种类型。

针对政务政策对比场景，典型的工作流编排如下：

开始节点：接收用户提问及上下文参数（地区、出生日期、户籍状态等）
↓
大模型节点：解析意图类型、抽取约束条件、判断信息是否完整
↓
条件判断节点：
  - 核心要素缺失（缺少地区或时间） → 回复节点输出澄清反问
  - 单地政策咨询 → 流转至单地检索分支
  - 跨地对比咨询 → 流转至多路并发检索分支
  - 涉个案资格判断 → 标记高风险并流转至审慎评估分支
↓
知识检索节点：按地区分类及元数据定向检索政策切片
↓
大模型知识问答节点：基于命中的政策片段生成比对结果，提示词内嵌免责约束
↓
回复节点：拼接标准审核提示语，输出结构化答案

工作流在政务场景的核心价值在于：

• 杜绝单源漏查：跨地对比时强制触发双路知识检索，杜绝因检索倾斜导致对比失真。
• 上位政策与时效覆盖：当遇到多份文件口径不一致时，通过节点编排优先匹配最新发布的上位通知。
• 口径稳定性：在回复节点统一拼接官方免责边界，避免模型自由发挥产生过度承诺。

例如遇到咨询：“我的孩子在 2025 年前出生，北京现在还能申请吗？”

若系统仅机械检索北京市早期的实施细则，可能会引用“首次申请应在 2025 年 12 月 31 日前提出，逾期未提交视为放弃当年资格，补贴不予补发”得出已超期的错误结论。而标准工作流在检索时会联合检索上位文件，引入国家卫生健康委办公厅、财政部办公厅联合发布的延期通知（国卫办人口函〔2026〕238 号）——该通知已将 2022—2024 年出生婴幼儿首次申请截止时间统一延长至 2026 年 12 月 31 日。工作流按“上位文件优先、最新发布优先”的规则裁决，便能准确向用户说明延期政策与申请路径，避免误导群众。

六、引入 Multi-Agent：让多地、多文件、多任务协作

当政策咨询进一步演变为多地区、跨业务领域的复合任务时，可采用 ADP Multi-Agent 模式。Multi-Agent 模式由大模型自主规划任务拆解与子智能体调度，每个 Agent 均拥有独立的提示词、模型与关联工具。

典型的政策对比 Multi-Agent 协作体系设计：

在配置 Multi-Agent 协作时，建议在主 Agent 和风险校验 Agent 的系统提示词中固化三项通用规则：“严禁输出‘一定能领到’等审批结论”“涉及延期政策必须核验出生批次”“未命中文件的条款明确说明无依据”，防止子 Agent 在交互链路中发生口径漂移。

七、评测：上线前先验证复杂问题

政务问答智能体不能仅依赖人工抽检。ADP 提供了覆盖基准评测与对比评测的 应用评测 工具，支持规则判定、代码脚本以及裁判模型等多种打分方式，可在版本迭代时量化工作流与提示词的表现。

上线前应重点构建五类专项测试用例：

1. 事实抽取题：例如“北京市现阶段育儿补贴基础标准是多少？”标准期望答案需精确命中“每孩每年 3600 元（折合每月 300 元）”。
2. 流程说明题：例如“上海育儿补贴申领有哪些线上线下入口？”答案应涵盖政务服务网、出生一件事联办、免申即享和现场自助终端。
3. 跨地对比题：例如“北京与上海在首次申请时限上有何异同？”答案需分别引用两地文件，不得张冠李戴。
4. 边界阻断题：例如“我们家情况特殊，你们系统能直接审批发放吗？”答案必须触发合规拦截，提示智能体仅提供政策解读，资格需由属地卫健部门最终审核。
5. 政策时效与延期题：例如“国家 2026 年延期通知是否适用于所有出生年份的儿童？”答案需明确指出该延期仅适用于 2022—2024 年出生批次的首次申请，不可随意泛化。

评测指标除召回率和准确率外，在政务场景中更应关注“依据引用完整率”和“免责边界命中率”。

八、发布与运营：从测试环境走向业务入口

完成评测验证后，可通过 ADP 提供的 应用发布 流程上线至正式环境。平台支持标准 API、SDK 以及多种办公协同和渠道集成方式。

政务政策问答智能体的典型落地入口包括：

• 政务服务大厅窗口助手：为窗口经办人员提供精准的条款原文与办理依据定位；
• 政务门户与移动端小程序：作为 7×24 小时在线咨询入口，提供办事指引；
• 12345 等热线坐席辅助：在话务通话过程中实时生成标准化政策答复参考草稿；
• 业务人员培训助手：为基层民政与卫健经办人员提供跨政策对比学习工具。

应用发布后，可结合 ADP 的对话日志、热点分析及效果标注功能进入运营调优期。定期排查高频未命中问题，核实是否需要补充地方出台的最新通知或补充问答对；当上级出台新政策时，及时在知识库中归档旧版本并更新元数据。

项目在前期规划时，亦可参考 ADP 定价 测算调用量与知识库资源配比，稳妥推进试点上线。

FAQ

1. 复杂政策问答一定要使用 Multi-Agent 吗？

不一定。单地政策问答与常规业务指引，使用标准模式配合 RAG 知识库即可稳定承接；当出现多地跨省通办政策对比、多角色风控校验等复合任务时，引入 Multi-Agent 分工更具可维护性。

2. 工作流与 Multi-Agent 该如何配合？

工作流适用于步骤明确、因果链固定的确定性流程（如资格字段收集、条件分支判断）；Multi-Agent 适用于目标抽象、执行路径不确定的综合分析场景。实践中常由 Agent 负责意图调度，并在特定环节直接调用预设的工作流。

3. 知识库中可以混放解读材料与政策原文吗？

可以，但应通过分类或标签进行效力分层。在 prompt 中明确约束：涉及金额、条件、时限等核心结论必须以政策正式原文为准，图解或新闻等解读材料仅用于润色通俗化表述。

4. 智能体可以直接给出用户是否符合条件的明确结论吗？

不建议。智能体缺乏与人口、户籍、婚姻等政务核心数据库的即时核验权限，直接出具“符合/不符合”结论具有极高合规风险。应始终定位为“政策条款解释与办理路径提示”，强调最终结果以审批系统核验为准。

5. 政策发布新旧交替时，如何避免智能体引用旧文件？

在知识库中为文件设置生效状态元数据（现行有效 / 已废止 / 已延期），并在检索时设置过滤约束；同时在评测集中常态化保留时效性对比用例，防止模型调用已失效条款。

6. 上线前最重要的评测方向是什么？

优先验证高风险与争议焦点问题，包括逾期补领时限、户籍跨省迁入判定、收养抚养特殊关系、延期通知适用批次等，确保每个输出均有据可依。

复杂政策问答的落地重点，在于将政策原文的严谨性、业务流程的确定性与 AI 的语言理解能力结合。通过在 ADP 上合理组合 RAG 知识库、工作流与 Multi-Agent 模式，能够在保障合规边界的前提下，为政务服务提供稳定、可追溯的智能问答支持。

如果你正在规划政务服务、政企协同或行业政策问答应用，可以进一步查看 了解腾讯云 ADP 获取更多产品能力与接入支持。