摘要：大模型只会「说话」，不会发定位、发图片、打标签、建定时任务。冰石微信智能客服系统（以下简称「冰石机器人系统」）把 LLM 当作「决策大脑」，把微信/企业微信的真实操作封装成 18+ 内置工具，通过提示词 + 工具调用，即可在几乎不写业务代码的前提下，落地一套完整的招聘面试邀约与跟进机器人。本文以蓝领/服务业招聘场景为例，拆解设计与实现思路。

---

一、业务背景：招聘面试邀约到底要做什么？

典型招聘私域流程可以拆成两条线：

1.1 主流程（邀约漏斗）

步骤	机器人动作	业务目的
1	询问面试岗位	确认意向岗位
2	确认求职者年龄	过滤不符合要求的候选人
3	介绍工资待遇	建立预期、提高转化率
4	询问是否接受住宿	筛选异地/本地候选人
5	询问是否能两班倒	筛选排班适配度
6	收集电话和姓名	建档、后续联系
7	根据位置匹配面试中心	就近安排，降低爽约率
8	发送邀请函	定位 + 指路图 + 文字说明

1.2 跟进流程（生命周期触达）

时机	动作
面试前 2 小时	出发提醒
面试结束当天	询问面试结果，提醒次日入职
入职日早上	入职出发提醒
入职后	询问入职情况

1.3 标签体系

根据求职者每一轮回复自动打标签，例如：

• 意向-普工 / 意向-质检
• 年龄-不符 / 年龄-符合
• 可住宿 / 不可住宿
• 可两班倒 / 不可两班倒
• 已邀约-茶园中心 / 已邀约-江北中心
• 待面试 / 已入职 / 已流失

标签不是给人看的备注，而是 后续筛选、滴灌群发、人工接管的结构化数据。

---

二、为什么选冰石机器人系统做基座？

很多团队的第一反应是：「接一个大模型 API，写个 Python 脚本监听微信消息不就行了？」

问题在于，招聘场景的真实复杂度不在「聊天」，而在 渠道能力 和 运营闭环：

能力	自研脚本	冰石机器人系统
个人微信 / 企业微信 / 闲鱼	各写一套	统一后台，多端复用
大模型多厂商接入	自己封装	后台配置 DeepSeek / 通义 / OpenAI 等
发文字	简单	✅
发图片/文件/定位	各端 API 差异大	✅ 内置 send_media / send_location
打标签	要自己对接	✅ set_friend_remark_tag / wecom_contact_personal_label
定时提醒	自己写 cron	✅ 定时群发 + 滴灌群发
无回复自动跟进	自己写 timer	✅ 内置无回复续聊
人工接管切换	难做	✅ switch_session_mode
管理后台	没有	Vue 管理端 + RBAC 权限

冰石机器人系统的定位：不是「又一个 ChatGPT 套壳」，而是 可配置的私域客服操作系统——LLM 负责理解与决策，系统负责执行。

系统回复优先级为：关键词 → FAQ → 大模型（含工具调用），适合把刚性规则（如年龄下限）交给关键词/FAQ，把灵活对话交给 LLM。

---

三、系统架构：LLM 是大脑，工具是手脚

---

四、核心问题：大模型只会输出文字，怎么发定位和图片？

这是本文的技术重点。

4.1 本质：Function Calling 的工程化落地

大模型 API 返回的是 文本 token。要让机器人发定位，不能指望模型「凭空生成一个微信定位气泡」——必须走 工具调用（Tool Calling）：

1. 在系统配置中 启用工具调用，并勾选所需工具；
2. 在提示词中写清 何时调用哪个工具、参数格式；
3. LLM 输出结构化 JSON；
4. 系统解析 JSON，调用真实工具；
5. 工具执行结果可选地反馈给 LLM，生成最终话术。

冰石系统的解析逻辑在 parse_llm_response_with_tools() 中：从 LLM 回复里提取 tool_calls 数组，校验工具名是否在 当前聊天配置允许列表 内，再交给 ToolExecutionService 执行。

安全设计：即使模型「幻想」出一个工具名，未在后台勾选的工具也会被跳过，不会越权执行。

4.2 发送定位：send_location

企业微信场景可直接发地图定位气泡：

{
  "tool_calls": [
    {
      "tool_name": "send_location",
      "tool_type": "notification",
      "parameters": {
        "title": "南岸区茶园面试中心",
        "address": "重庆市南岸区某某路88号",
        "latitude": 29.510868,
        "longitude": 106.656882
      }
    }
  ]
}

对应工具实现见 backend/tools/send_location_tool.py，底层调用企业微信第三方 API 的 send_location_message。

个人微信侧可用 send_favorite 发送收藏里的定位条目，或 send_media 发送指路图。

4.3 发送图片：send_media

邀请函里的「指路图」「门店外观图」：

{
  "tool_calls": [
    {
      "tool_name": "send_media",
      "tool_type": "file_operation",
      "parameters": {
        "media_type": "image",
        "file_path": "uploads/茶园中心指路图.jpg"
      }
    }
  ]
}

文件需预先上传到机器人 uploads 目录，或通过管理后台「文件上传管理」入库。

4.4 发送文字通知：send_notification

纯文字提醒（出发提醒、入职确认等）：

{
  "tool_calls": [
    {
      "tool_name": "send_notification",
      "tool_type": "notification",
      "parameters": {
        "message": "您好，您的面试将在两小时后开始，请提前出发～",
        "recipient_type": "wechat"
      }
    }
  ]
}

未指定 recipient_id 时，默认发往 当前会话，适合 1v1 私聊跟进。

4.5 典型一轮「发邀请函」的工具编排

提示词中可要求模型 一次回复里顺序调用多个工具：

1. send_location   → 发面试中心定位
2. send_media      → 发指路图
3. send_notification → 发文字邀请函（含时间、联系人、注意事项）
4. set_friend_remark_tag → 打标签「已邀约-茶园中心」「待面试」
5. update_customer_note → 写入面试时间、岗位等到客户备注

这正是「LLM 只说话，但机器人能干活」的关键：说话和执行解耦，执行走工具链。

---

五、面试中心匹配：LLM + Python 工具

「根据求职者位置匹配最近面试中心」是 确定性逻辑，不建议完全交给 LLM 心算。

冰石系统提供 python_code_executor 工具，可在服务端执行 Python 计算：

# 提示词中嵌入的匹配逻辑示例（简化）
centers = [
    {"name": "茶园中心", "lat": 29.51, "lon": 106.65, "addr": "南岸区..."},
    {"name": "江北中心", "lat": 29.58, "lon": 106.53, "addr": "江北区..."},
]
# 根据用户说的区县/地标做字符串匹配或距离计算
user_location = "我在南岸"
matched = next(c for c in centers if c["name"][:2] in user_location or "南岸" in user_location)
result = matched  # 工具返回给 LLM，LLM 再组织话术并调用 send_location

更稳妥的做法是：把中心列表维护在后台 FAQ/商品库/配置文件，LLM 只负责 抽取用户位置意图，匹配逻辑走 Python 或关键词规则。

---

六、标签系统：让对话产生可运营的数据

6.1 个人微信：set_friend_remark_tag

{
  "tool_calls": [
    {
      "tool_name": "set_friend_remark_tag",
      "parameters": {
        "tags": "可住宿",
        "remark": "张三-普工-待面试"
      }
    }
  ]
}

• 个人微信通过客户端 UI 自动化打标签；
• 支持 remove_tags 先删后加，便于标签状态迁移（如 待面试 → 已入职）。

6.2 企业微信：wecom_contact_personal_label

{
  "tool_calls": [
    {
      "tool_name": "wecom_contact_personal_label",
      "parameters": {
        "action": "add",
        "tag_name": "意向-普工"
      }
    }
  ]
}

无同名标签时会 自动创建 个人标签再打上。

6.3 本地会话目录标签

系统还在 chat_session_catalog 中维护好友会话的 tags 与 tag_registry，与「从微信导入」「按标签筛选滴灌群发」联动——这是做 批量跟进 的基础。

6.4 提示词中的标签规范（重要）

参考系统内置的汽服私域模板（prompt_presets.py），标签闭环的最佳实践是：

• 标签名白名单：在提示词里枚举允许的标签，禁止模型自造；
• 状态机式迁移：每个对话阶段明确「打什么标签、删什么标签」；
• 先工具后话术：确定关键信息后，先调用打标签工具，再回复用户。

招聘场景标签示例：

用户回复	标签动作
「可以接受住宿」	+可住宿
「不能接受两班倒」	+不可两班倒 -可两班倒
确认参加茶园中心面试	+已邀约-茶园中心 +待面试
明确拒绝	+已流失

---

七、跟进流程：三种定时能力怎么选？

面试邀约的跟进涉及 绝对时间点（面试前 2 小时）和 相对时间点（用户沉默 30 分钟再追问），冰石系统提供三层能力：

7.1 无回复续聊（对话内跟进）

内置 llm_no_reply_followup：用户长时间未回复时，系统再次调用 LLM 生成 简短跟进话术，推动对话继续。

• 适合：问完「能否接受住宿」后对方半晌没回；
• 结束跟进：调用 cancel_no_reply_followup_wait 工具，避免已流失用户被反复打扰。

7.2 定时群发 / 大模型创建群发任务

create_broadcast_config 工具支持创建 daily / weekly / monthly / once 定时任务：

{
  "tool_calls": [
    {
      "tool_name": "create_broadcast_config",
      "parameters": {
        "name": "张三-面试前提醒",
        "schedule_type": "once",
        "schedule_time": "13:00",
        "start_date": "2026-06-21",
        "group_names": ["张三"],
        "message_type": "text",
        "message_content": "您好，两小时后面试开始，请带好身份证..."
      }
    }
  ]
}

底层走 UnifiedBroadcastService + SchedulerService，支持队列、重试、执行日志。

实践建议：确认面试时间的当下，让 LLM 调用 create_broadcast_config 创建 一次性 提醒任务；入职日早上同理。

7.3 滴灌群发（批量生命周期触达）

管理后台「顺序定时群发（滴灌式）」适合：

• 对 待面试 标签好友批量发提醒；
• 发送成功后自动打标签并写回本地目录；
• 支持随机间隔、断点续传，避免封号风险。

滴灌是 运营侧独立功能，不是 LLM 工具——大批量触达建议人工在后台配置，LLM 负责 1v1 建档和打标。

---

八、完整提示词结构示例（招聘面试邀约）

下面是一段可放入「聊天配置 → AI 大模型提示词」的骨架（需按实际业务填充）：

# 角色
你是XX人力资源公司的招聘顾问小冰，负责微信私聊中的面试邀约与跟进。

# 对话流程（严格按顺序，不可跳步）
1. 询问意向岗位（普工/质检/仓管...）
2. 确认年龄（要求18-45岁；不符则礼貌结束并打标签「年龄-不符」）
3. 介绍对应岗位工资待遇（见下方知识库）
4. 询问是否接受公司住宿
5. 询问能否接受两班倒
6. 收集姓名和手机号
7. 询问所在区域，匹配最近面试中心
8. 确认面试时间后，发送邀请函

# 知识库
## 岗位待遇
- 普工：综合 5000-7000，包吃住...
## 面试中心
| 中心 | 地址 | 经纬度 | 指路图文件 |
|------|------|--------|-----------|
| 茶园中心 | 南岸区... | 29.51, 106.65 | 茶园指路图.jpg |
| 江北中心 | 江北区... | 29.58, 106.53 | 江北指路图.jpg |

# 工具调用规范（必须遵守）
- 需要发定位、图片、打标签、建定时提醒时，**只输出 JSON**，不要编造已发送。
- 标签只能使用白名单：意向-*、年龄-*、可住宿、不可住宿、可两班倒、不可两班倒、
  已邀约-*、待面试、已入职、已流失
- 发邀请函时必须依次调用：send_location → send_media → set_friend_remark_tag
- 确认面试时间后，调用 create_broadcast_config 创建面试前2小时 once 提醒
- 用户明确拒绝时：打标签「已流失」，并调用 cancel_no_reply_followup_wait

# 输出格式
调用工具时，回复必须是合法 JSON：
{
  "tool_calls": [
    {
      "tool_name": "send_location",
      "tool_type": "notification",
      "parameters": { ... }
    }
  ]
}

系统已有行业预设模板（汽服私域等）采用了相同的 「阶段 + 工具 + 标签闭环」 写法，招聘场景可直接复用该模式。

---

九、部署与配置 Checklist

1. 安装启动：运行 冰石微信智能客服系统.exe，浏览器打开 http://localhost:8000
2. 大模型配置：「大模型设置 → 大模型配置管理」填写 API Key
3. 聊天配置：为招聘号私聊会话绑定大模型 + 粘贴提示词
4. 启用工具：「系统配置管理 → 启用工具调用 → 选择工具」勾选：
   • send_notification / send_media / send_location
   • set_friend_remark_tag / wecom_contact_personal_label
   • create_broadcast_config / update_customer_note
   • cancel_no_reply_followup_wait / switch_session_mode
   • （可选）python_code_executor
5. 素材准备：指路图上传到 uploads/，企业微信定位经纬度预先录入知识库
6. 验证工具清单：GET /api/tool-calling/tools 核对当前实例可用工具

---

十、效果与扩展

10.1 这套方案的实际价值

• 开发成本低：核心逻辑在提示词 + 工具编排，无需从零对接微信协议；
• 可运营：标签 + 滴灌 + 定时群发，形成「邀约 → 到面 → 入职」漏斗；
• 可降级：复杂客诉 switch_session_mode 一切人工；刚性规则走关键词/FAQ；
• 可扩展：python_code_executor、自定义插件工具可注册进 ToolRegistry。

10.2 常见坑

问题	原因	解决
模型说「已发送定位」但实际没发	未输出工具 JSON	提示词强调「必须调用工具」
工具不执行	后台未勾选工具	系统配置里启用并保存
定位发不出	用了个人微信	企微用 send_location，个微用 send_favorite
标签乱了	模型自造标签名	提示词白名单 + 示例
提醒没触发	once 任务日期/时间错误	检查 start_date + schedule_time

---

十一、总结

招聘面试邀约机器人，表面是「聊天」，实质是 私域 CRM + 多渠道消息执行 + 定时触达 的组合问题。

冰石机器人系统的思路很清晰：

LLM 负责理解人话、走流程、做决策；内置工具负责发定位、发图、打标签、建定时任务——把「会说」变成「会做」。

对于技术团队而言，它提供了一套 可配置的客服基座：换一套提示词和工具组合，同一套系统可以服务招聘、汽服私域、闲鱼电商、企业微信 B2B 等不同场景——这正是「基座型客服系统」的核心价值。

本文基于冰石微信智能客服系统实际代码与文档整理，工具名称与接口以部署版本为准。