中文资讯掘金 AI Tue, 08 Sep 2026 正文 ok 394 words

AgentKit 实战：搭建一个有记忆、懂业务、会执行的智能客服

英文标题：AgentKit 实战｜搭建一个有记忆、懂业务、会执行的智能客服

本文以智能售后客服为例，演示如何基于火山引擎 AgentKit，集成 VikingDB 知识库、Mem0 长期记忆和模拟 CRM 工具，构建具备知识检索、用户记忆与业务执行能力的 AI Agent。文章覆盖本地环境与云端资源准备、AgentKit CLI 安装、知识库和记忆库创建、CRM 工具接入，以及 Runtime 云端部署流程。该方案旨在解决 Agent 从 Demo 走向生产时的持久化记忆、知识管理、工具调用、权限隔离和运行可观测性等问题。对开发者而言，它提供了一套将 Agent 接入企业业务系统并部署运行的端到端参考实现。

打开原文相关 6 · 机会 1

3.2 KB

589 B

19.1 KB

18.3 KB

13.3 KB

36.7 KB

19.1 KB

62.2 KB

28.3 KB

20.3 KB

中文

当前，许多企业已经具备快速构建 Agent Demo 的能力，但真正的挑战在于，如何让 Agent 真正进入生产环境，并稳定服务真实用户。

从 Demo 走向生产环境，需要解决记忆持久化、知识索引与版本管理、工具调用的权限控制与容错，以及运行状态监控和问题追溯等问题。作为火山引擎推出的企业级 AI Agent 基础设施平台，AgentKit 提供 Agent 开发、运行与治理的端到端能力：通过安全隔离的 Sandbox、统一身份与权限、运行治理及企业系统集成，让 Agent 在安全、可控、可观测的环境中持续运行，并真正融入企业业务流程。

下面以智能售后客服为例，基于 AgentKit 接入 VikingDB、Mem0 和 CRM，构建一个具备知识检索、长期记忆与业务系统操作能力的 Agent，并将其部署至云端 Runtime。

原理解读

智能售后客服 = 大脑（AgentKit 引擎）+ 知识（知识库）+ 记忆（Memory）+ 接口（CRM 工具集成）

大脑： 基于火山引擎大模型，理解用户意图、进行逻辑判断，并为 Agent 提供运行环境。
知识： 存储在 Viking 向量数据库中的产品手册和维修政策，为回答提供业务依据。
记忆： 记录用户的对话历史和个人信息，保证服务的连贯性。
接口： 通过 API 连接 CRM 系统，执行查询订单、创建工单等实际操作。

前期准备

1. 本地环境要求：

本地操作系统要求：

建议使用 MacOS/Linux 操作系统。
Windows 用户建议使用 WSL 完成当前实验。

本地 Python 版本：

2. 在火山引擎控制台准备以下资源：

3. 获取智能售后客服代码

本次实验所需代码位于 AgentKit 官方示例代码仓库中。

agentkit-samples：github.com/bytedance/a…

Clone 或下载项目代码后，在以下路径中找到智能售后客服代码：python/02-use-cases/customer_support

在代码目录下开启一个终端，后续所有命令行交互都在 customer_support 目录中进行。

4. 安装 AgentKit 二进制命令

在本地终端安装 agentkit 二进制命令。后续与 AgentKit 平台中各类资源的交互，包括创建和删除操作，都将通过这一命令完成。

wget -qO- https://agentkit-cli.tos-cn-beijing.volces.com/install.sh | sh

ak --version

5. 声明环境变量

所有系统配置后续都会以环境变量形式注入，因此需要确保后续操作均在同一个终端中进行。此时需要声明的环境变量如下：

export VOLCENGINE_ACCESS_KEY=<your_ak>
export VOLCENGINE_SECRET_KEY=<your_sk>


export VPC_ID=<vpc_id>
export SUBNET_ID=<subnet_id>


export MODEL_AGENT_API_KEY=<ark_api_key>
export MODEL_AGENT_NAME=doubao-seed-evolving 


export EXP_NAME="agentkit_customer_xxx"


export DATABASE_TOS_BUCKET="agentkit-platform-xxx"

构建“知识大脑”——创建售后知识库

优秀的客服必须熟读产品手册。在这一步中，我们将创建知识库，以便后续向智能体灌输售后知识。

在终端输入以下代码：

ak knowledge create --name "knowledge_${EXP_NAME}" \
    --provider-type viking \
    --description "用于AgentKit端到端验证的知识库-knowledge_${EXP_NAME}" \
    --region cn-beijing



ak knowledge list



export DATABASE_VIKING_COLLECTION="knowledge_${EXP_NAME}"

export KNOWLEDGE_ID=<KNOWLEDGE ID>

赋予“记忆能力”——创建 Viking 记忆库

VikingDB 负责存储产品和政策，Mem0（长期记忆库）则负责存储与具体用户相关的信息，包括设备型号、购买时间、已确认的故障现象、已执行的排查动作和工单状态等数据。

在终端输入以下代码，创建长期记忆库：

ak memory create \
  --name "mem_${EXP_NAME}" \
  --description "用于 AgentKit 验证的长期记忆库" \
  --provider-type MEM0 \
  --region cn-beijing \
  --json '{"VpcConfig":{"VpcId":"'"${VPC_ID}"'","SubnetIds":["'"${SUBNET_ID}"'"]},"LongTermConfiguration":{"Strategies":[{"Name":"default","Type":"Summary"}]}}'

查询并记录 MEMORY ID：

ak memory list

然后前往记忆库 Mem0 控制台（mic.anruicloud.com/url/2026090…：

在“连接管理”中复制私网连接地址；
在“API Keys”中创建并复制 API Key。

声明环境变量：

export DATABASE_MEM0_BASE_URL=<Mem0 私网连接地址>
export DATABASE_MEM0_API_KEY=<Mem0 API Key>
export MEMORY_ID=<mem-xxxx>

打造与顾客的“接口”——模拟 CRM 系统搭建

为了让 AI 能够真正处理业务，例如回答客户问题、查询订单等，我们需要一个模拟业务系统。这里使用 python/02-use-cases/customer_support/tools/crm_mock.py 模拟该业务系统，并通过自定义工具的方式传递给智能体。

将智能体发布到云端

现在，所有组件均已准备就绪，可以在 AgentKit 中部署智能体。

通过 agentkit-cli 进行云端部署之前，需要先创建部署所需的配置文件和 Dockerfile。

ak config --init \
  --agent_name "${EXP_NAME}" \
  --entry_point main.py \
  --knowledge_id "${KNOWLEDGE_ID}" \
  --runtime_network_mode hybrid \
  --runtime_enable_shared_internet_access \
  --runtime-vpc-id "${VPC_ID}" \
  --runtime-subnet-id "${SUBNET_ID}" \
  --tos_bucket "${DATABASE_TOS_BUCKET}" \
  --runtime_envs DATABASE_MEM0_BASE_URL="${DATABASE_MEM0_BASE_URL}" \
  --runtime_envs DATABASE_MEM0_API_KEY="${DATABASE_MEM0_API_KEY}" \
  --runtime_envs MEMORY_ID="${MEMORY_ID}" \
  --runtime_envs DATABASE_VIKING_COLLECTION="knowledge_${EXP_NAME}" \
  --runtime_envs DATABASE_TOS_BUCKET="${DATABASE_TOS_BUCKET}" \
  --runtime_envs DATABASE_TOS_REGION="cn-beijing" \
  --runtime_envs DATABASE_TOS_ENDPOINT="tos-cn-beijing.volces.com"

✅ 成功标志：当前目录中生成 agentkit.yaml。

确认入口文件可加载、网络和环境变量均无误后，执行发布：

ak launch

✅ 成功标志：终端显示 Launch completed successfully!，并给出 Runtime Endpoint。

发布成功后，可以登录火山引擎 AgentKit 控制台，点击“智能体运行时”查看已部署的智能体。

发布成功！测试你的智能客服 Agent

测试场景一

你好，我之前买的电视坏了。
我的邮箱是 user@example.com，电视序列号是 SN20240001。
我需要帮助排查电视故障：无法开机。

测试场景二

我想买一款客厅用的智能电视,主要用来打游戏,预算 3000 元以内

至此，这个客服 Agent 已经能够查询资料、记住此前的服务进度，并将工单写入业务系统。

下一步，你可以尝试：

接入更多渠道： 将智能体对接至飞书机器人进行交互，参考：

docs.volcengine.com/docs/86681/…

丰富工具集： 增加“物流查询”或“退款申请”等 API 能力。
个性化定制： 调整 Prompt，让客服语气更加活泼或更加专业。
自定义知识库： 上传自己的知识库，打造完全属于你的专属客服。

点击这里，进入 AgentKit 官网了解更多。

English / 原文

当前，很多企业已具备快速构建 Agent Demo 的能力，但真正的挑战在于，如何让 Agent 真正进入生产环境，稳定服务真实用户。

从 Demo 到生产环境，需要解决记忆持久化、知识索引与版本管理、工具调用的权限与容错，以及运行状态的监控和问题追溯。而作为火山引擎推出的企业级 AI Agent 基础设施平台，AgentKit 提供 Agent 开发、运行与治理的端到端能力，通过安全隔离的 Sandbox、统一身份与权限、运行治理及企业系统集成，让 Agent 在安全、可控、可观测的环境中持续运行，并真正融入企业业务流程。

下面以智能售后客服为例 ，基于 AgentKit 接入 VikingDB、Mem0 和 CRM，构建具备知识检索、长期记忆与业务系统操作能力的 Agent，并将其部署至云端 Runtime。

原理解读

智能售后客服 = 大脑 (AgentKit 引擎) + 知识 (知识库) + 记忆 (Memory) + 接口 (CRM 工具集成)

大脑： 基于火山引擎大模型，理解用户意图，进行逻辑判断，并为Agent提供运行环境。
知识： 存储在 Viking 向量数据库中的产品手册和维修政策，为回答提供业务依据。
记忆： 记录用户的对话历史和个人信息，保证服务连贯性。
接口： 通过 API 连接 CRM 系统，执行查订单、开工单等实际操作。

前期准备

1. 本地环境要求：

本地操作系统要求：

建议使用 MacOS/Linux 操作系统。
Windows 用户建议使用 wsl 完成当前实验。

本地 Python 版本：

2. 在火山引擎控制台准备好以下资源：

3. 获取智能售后客服代码

本次实验所需要的代码位于 Agentkit 官方的示例代码仓库中。

agentkit-samples：github.com/bytedance/a…

Clone 或下载项目代码，在下面的路径中找到智能售后客服的代码：python/02-use-cases/customer_support

在代码目录下开启一个终端，后续的命令行交互过程都在 customer_support 目录下进行。

4. 安装 Agentkit 二进制命令

在本地终端安装 agentkit 二进制命令，后续与 Agentkit 平台上各类资源的互动（创建、删除）都借助这个命令实现。

wget -qO- https://agentkit-cli.tos-cn-beijing.volces.com/install.sh | sh

ak --version

5. 声明环境变量

所有的系统配置，后续都会以环境变量的形式注入，故而需要后续所有的操作都在同一个终端下进行。到这一步，需要声明的环境变量如下：

export VOLCENGINE_ACCESS_KEY=<your_ak>
export VOLCENGINE_SECRET_KEY=<your_sk>


export VPC_ID=<vpc_id>
export SUBNET_ID=<subnet_id>


export MODEL_AGENT_API_KEY=<ark_api_key>
export MODEL_AGENT_NAME=doubao-seed-evolving 


export EXP_NAME="agentkit_customer_xxx"


export DATABASE_TOS_BUCKET="agentkit-platform-xxx"

构建“知识大脑” — 创建售后知识库

一个优秀的客服必须熟读产品手册。在这一步，我们将创建出知识库，便于后续将售后知识灌输给智能体。

在终端输入以下代码：

ak knowledge create --name "knowledge_${EXP_NAME}" \
    --provider-type viking \
    --description "用于AgentKit端到端验证的知识库-knowledge_${EXP_NAME}" \
    --region cn-beijing



ak knowledge list



export DATABASE_VIKING_COLLECTION="knowledge_${EXP_NAME}"

export KNOWLEDGE_ID=<KNOWLEDGE ID>

赋予“记忆能力” — 创建 Viking 记忆库

VikingDB 负责存储产品和政策，Mem0（长期记忆库）负责存储与具体用户相关的信息，包含设备型号、购买时间、已确认的故障现象、做过的排查动作和工单状态等数据。

在终端输入下面这组代码，创建长期记忆库：

ak memory create \
  --name "mem_${EXP_NAME}" \
  --description "用于 AgentKit 验证的长期记忆库" \
  --provider-type MEM0 \
  --region cn-beijing \
  --json '{"VpcConfig":{"VpcId":"'"${VPC_ID}"'","SubnetIds":["'"${SUBNET_ID}"'"]},"LongTermConfiguration":{"Strategies":[{"Name":"default","Type":"Summary"}]}}'

查询并记录 MEMORY ID：

ak memory list

然后前往记忆库 Mem0 控制台 (mic.anruicloud.com/url/2026090…

在「连接管理」里复制私网连接地址 ；
在「API Keys」里创建并复制 API Key 。

声明环境变量：

export DATABASE_MEM0_BASE_URL=<Mem0 私网连接地址>
export DATABASE_MEM0_API_KEY=<Mem0 API Key>
export MEMORY_ID=<mem-xxxx>

打造与顾客“接口” — 模拟 CRM 系统搭建

为了让 AI 能够真正处理业务（如回答客户问题，查询订单等），我们需要一个模拟的业务系统。此处我们使用 python/02-use-cases/customer_support/tools/crm_mock.py 来模拟这个业务系统，并通过自定义工具的方式传递给智能体。

把智能体发布到云端

现在，组件都已准备就绪，让我们在 AgentKit 中将智能体部署起来。

通过 agentkit-cli 进行云端部署之前，需要先创建出部署所需要的配置文件与 Dockerfile。

ak config --init \
  --agent_name "${EXP_NAME}" \
  --entry_point main.py \
  --knowledge_id "${KNOWLEDGE_ID}" \
  --runtime_network_mode hybrid \
  --runtime_enable_shared_internet_access \
  --runtime-vpc-id "${VPC_ID}" \
  --runtime-subnet-id "${SUBNET_ID}" \
  --tos_bucket "${DATABASE_TOS_BUCKET}" \
  --runtime_envs DATABASE_MEM0_BASE_URL="${DATABASE_MEM0_BASE_URL}" \
  --runtime_envs DATABASE_MEM0_API_KEY="${DATABASE_MEM0_API_KEY}" \
  --runtime_envs MEMORY_ID="${MEMORY_ID}" \
  --runtime_envs DATABASE_VIKING_COLLECTION="knowledge_${EXP_NAME}" \
  --runtime_envs DATABASE_TOS_BUCKET="${DATABASE_TOS_BUCKET}" \
  --runtime_envs DATABASE_TOS_REGION="cn-beijing" \
  --runtime_envs DATABASE_TOS_ENDPOINT="tos-cn-beijing.volces.com"

✅ 成功标志：当前目录生成agentkit.yaml。

确认入口文件可加载、网络和环境变量无误后，发布：

ak launch

✅ 成功标志：终端显示Launch completed successfully! ，并给出 Runtime Endpoint。

发布成功后，可以登录火山引擎 AgentKit 控制台，点击智能体运行时查看部署的智能体。

发布成功！测试你的智能客服 Agent

测试场景一

你好，我之前买的电视坏了。
我的邮箱是 user@example.com，电视序列号是 SN20240001。
我需要帮助排查电视故障：无法开机。

测试场景二

我想买一款客厅用的智能电视,主要用来打游戏,预算 3000 元以内

到这里，这个客服 Agent 已经能查资料、记得住上次的进度、也能把工单落进业务系统。

下一步，你可以尝试：

接入更多渠道： 将你的智能体对接到飞书机器人进行交互，参考：

docs.volcengine.com/docs/86681/…

丰富工具集： 增加“物流查询”或“退款申请”的 API 能力。
个性化定制： 调整 Prompt，让客服的语气更加活泼或更加专业。
自定义知识库： 上传自己的知识库，打造一个完完全全属于你的专属客服！

点击这里，进入 AgentKit 官网，了解更多！