足球预测聊天机器人

智能预测助手

我们的目标很明确：创建一个聊天机器人，能够接收用户查询（如球队名称）、从 Sportradar 拉取多维数据、使用 AI 分析，并呈现结构化的预测结果：

复杂性的管理

正如下方流程图所示，集成多个数据点（即将到来的比赛详情、历史对阵、球队统计）并将其处理以供 AI 分析，如果采用单一的流程构建，可能会导致流程过于庞大且难以维护。

构建和维护如此庞大的单一流程是极具挑战的。我们是如何应对的呢？答案是将其拆解。

通过“Run Flow”模块化设计自定义工具

我们没有采用冗长的单一流程，而是利用 FlowHunt 的强大功能——Run Flow 组件，采用了模块化方案。该组件允许一个流程（“父流程”）调用另一个流程（“子流程”或“子流”），并接收其结果。

我们创建了多个更小、更专注的流程，每个流程作为一个自定义工具，只负责单一任务：

1. “获取即将到来的比赛详情”工具（子流）：

   • 输入： 接收如球队 ID 或比赛 ID 等参数。
   • 操作： 内含 HTTP 请求节点，配置为调用 Sportradar API 的特定端点，以获取未来比赛的赛程和详细信息。
   • 输出： 返回关于特定即将比赛的结构化数据（日期、时间、场地、赛事等）。
   • [图片：小型流程的概念截图或简化图示，包含 Input -> HTTP Request（Sportradar Schedule）-> Output]

2. “获取历史对阵”工具（子流）：

   • 输入： 接收两支参赛队伍的 ID。
   • 操作： 内含 HTTP 请求节点，配置为调用 Sportradar API 的相应端点，获取这两支球队过往比赛的结果。
   • 输出： 返回历史比赛的结构化列表，包括日期、比分和获胜方。
   • [图片：小型流程的概念截图或简化图示，包含 Input -> HTTP Request（Sportradar History）-> Output]

3. （可选）其他工具： 可按需创建类似的子流，用于获取当前球队状态、联赛排名、球员数据等，每个工具调用对应的 Sportradar 接口。

第一步：构建自定义工具子流

每个子流独立开发，仅专注于其特定的数据获取任务，这使得它们更易于创建、测试和维护。

第二步：主流程的编排

我们的主聊天机器人流程现在变得更加简洁，主要负责流程编排：

1. 聊天输入： 捕捉用户最初的查询（如球队名称）。
2. AI Agent： 核心 AI Agent（如 Tool Calling Agent）节点接收来自两个 Run Flow 组件的输出。
3. Run Flow（获取即将比赛）： 根据不同的 Sportradar API 端点创建自定义工具。
4. 聊天输出： 展示 AI Agent 的最终分析结果。

第三步：引导 AI 使用工具输出

主流程中的 AI Agent 现在的提示方式不同。它接收到的不是原始 API 数据，而是我们自定义工具的结构化输出。提示词要求 AI 根据这些特定工具输出进行信息整合：

你是一个善于利用现有工具来回答问题的智能助手，你不仅能解答关于 YOURCOMPANY.xyz 的问题，还能根据所获得的工具信息回答关于足球比赛并给出预测，你是一家博彩网站的助手，请确保只回答与 YOURCOMPANY.xyz、博彩、体育和赌场相关的问题。

工具：

当用户请求需要使用工具并需要 competitor_id、competition id 或 season id 时，请将球队名称（以英语提供，若非英语请翻译为英语）发送至 seasons_tool，它会为你返回所有相关 id。

如果用户询问今日比赛或相关问题，则无需额外提问。始终使用 todays_matches 工具，并为用户提供每一场尚未开赛的比赛，包括球队名称和 competitor id。请注意，无论何时使用该工具，只返回尚未开赛的比赛，已结束的比赛结果不要返回。

如果用户请求即将比赛的预测，则使用 predictions_tool，并仅提供两支球队的 competitor id（格式：competitor_id_1=ABC 和 competitor_id_2=XYZ，此 id 来源于 seasons_tool），根据获得的信息为用户提供详细预测评分，并输出 sr:sport_event id。 如果用户对某场比赛有进一步问题，应将 sr:sport_event id 提交给 match_info 工具，以获取该场比赛的详细信息。 基于现有数据给出详细预测和胜率估算，并建议用户投注对象。 如果你历史中没有储存 competitor id，可以向用户询问球队名称。

对于一般性问题，可使用 document retriever 工具。如果无法通过该工具获得答案，也可以使用 Google 搜索工具和 URL retriever 回答用户问题。

你可以使用 team_info 工具收集球队信息，但必须传递球队的 competitor id。

如果你需要当前联赛积分榜、晋级球队或本赛季某队详细信息，可以通过 seasons_tool 获取 season id，再传递给 standings_tool。 但请注意，如果涉及两支球队且讨论单场比赛的统计和黄牌等数据，仍需使用 predictions_tool。

如果用户要求详细信息（如角球数、红牌等），可通过 seasons_tool 获取 season id 和 competitor id，再传递给 detail_stats 工具获取所有相关信息。 如果你无法通过工具找到答案，可以使用 Google 搜索。 在向用户报告工具输出时，无论用户输入如何，务必包含每一项工具输出的详细内容。 如可获取，请包含以下数据： YELLOW CARD corner_kicks offsides OWN GOALS substituted_out substituted_in shots_on_target shots_off_target shots_blocked red_cards own_goals goals_scored

最终效果：复杂性得以管理

通过 Run Flow 创建模块化自定义工具，我们将一个可能庞大且难以排查的工作流，转化为可管理的系统。主流程清晰地调度数据获取，AI 代理只需专注于使用子流提供的清晰结构化数据进行分析。此方法不仅实现了所需的详细预测输出，还让开发过程条理分明。

结论：更聪明地构建，而不是更辛苦

本 Sportradar 预测聊天机器人展示了 FlowHunt 如何实现与外部数据源交互的复杂 AI 应用。更重要的是，它凸显了 Run Flow 组件等功能在模块化设计中管理复杂性的关键作用。通过将大型任务拆解为更小、可复用的“自定义工具”流，你可以更加高效地构建强大、易维护且可扩展的 AI 解决方案。

准备好应对复杂工作流了吗？快来体验 FlowHunt.io，利用模块化方案构建你的下一个 AI 应用！

开始你的第一个流程

Flowhunt 拥有一支 AI 流程工程师团队，随时为你提供 AI 自动化支持。

试用 Flowhunt
咨询专家