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：
“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]
“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]
（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：
- 聊天输入： 捕捉用户最初的查询（如球队名称）。
- 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。
- Run Flow（获取即将比赛）： 根据不同的 Sportradar API 端点创建自定义工具。
- 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：
加入我们的新闻通讯
免费获取最新提示、趋势和优惠。
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。
