前言

有时候想看一部电影，比想象中更难。打开各种平台，推荐列表看起来很多，但真正想点进去的却不多；问朋友，得到的回答往往也比较随意；即使是用通用的 AI 工具去问，给出的结果也常常比较泛，很难真正贴合当下的心情和需求。

我尝试用 Nexent 做了一个电影推荐智能体。 尝试用Nexent构建的智能体解决这个难题，Nexent是一个很强大的平台，从核心功能就可以看出

Nexent的文档：https://doc.nexent.tech/zh/getting-started/overview.html

能力底座：模型是怎么接进来的

想要智能体用的舒服，让智能体能完美解决提出的问题，一个好的模型肯定是少不了的，首先我们需要配置两个模型来完成这一步操作，一个是大语言模型用来构建智能体，完成问题的解决，另一个就是向量模型用来对知识库进行解析和分析

在首页进入快速配置，然后点击添加模型，输入需要的变量就可以完成添加，我这里配置使用的是Qwen3，大家也可以试试

配置成功后模型旁边就会有一个绿色的小点，这一步至关重要决定了后续是否能够完成

推荐从哪里来：内容是如何支撑的

关于知识库的添加还是比较容易的，但是前提是知识库已经构建好的情况下，Nexent平台不仅仅是读取你提供的知识库，它还可以对知识库进行总结，分层描述，对这个知识库拥有一个更加透彻的理解，我觉得这一功能是非常不错的，添加知识库就在左侧

知识库就完成了上传，当然光上传肯定是没有用的，还需在构建智能体时让它能够优先调用知识库

推荐不再单一：能力是怎么被扩展的

在最初的版本中，电影推荐主要依赖已有内容进行匹配，虽然可以给出一定范围内的结果，但整体还是偏“固定”。也就是说，一旦超出已有内容范围，推荐的灵活性就会受到限制。

因此，我进一步为智能体接入了 MCP 工具能力。本次实践中，我使用了魔搭社区提供的电影搜索 MCP 服务，用于补充电影资源信息。Nexent平台接入MCP需要的是URL，所以只需在魔搭平台上获取到服务的URL即可导入然后在智能体中使用

在实际体验中，这个工具的作用非常直接：当知识库无法覆盖用户需求时，智能体可以通过 MCP 获取更多候选电影，从而让推荐结果不再局限于已有内容。例如在用户提出较具体的偏好（如某种类型或风格）时，推荐范围会更加丰富，而不是重复已有结果。

从整体来看，这种能力并不是替代知识库，而是作为一种补充，使推荐从“有限选择”变成“可扩展选择”。也正是这一点，让整个智能体在使用过程中显得更加灵活，而不是一个固定的推荐模板。好了现在万事俱备，只欠东风

一句话构建智能体

智能体业务描述：一个能够根据用户想法给出更贴合需求电影推荐的智能体。回答时优先调用知识库和MCP服务

这里添加了优先调用是为了能够满足之前的一些限制条件，让智能体能够更加符合预期

让平台一键自动帮我们补全所有需要的条件，等待一会过后，就会配置好智能体角色，使用要求和当前智能体的使用示例

当前构建好的智能体可能还不满足需求，所以我们需要进行调试优化，让他能够胜任它的工作

让推荐“有思路”的调试

在智能体初始化阶段，我首先为其设定了明确的角色定位，如图所示，将其定义为一个“电影推荐助手”，强调根据用户偏好进行个性化推荐，并具备分析需求和整合信息的能力。

在最初的效果中，这种角色设定已经能够支撑基础推荐，但整体表现仍然偏向“泛化输出”，即能够给出推荐结果，但对用户需求的理解还不够深入，推荐之间的差异也不够明显。

在角色定位上，新增一些条件来让它达到优化的目的

• 你是一个电影推荐助手，能够根据用户的观影偏好和当前需求，提供个性化的电影推荐。
• 你每次只推荐少量更符合需求的电影，并为每一部提供简要介绍和明确的推荐理由，确保用户能够理解“为什么推荐”。
• 在多轮对话中，你会根据用户的反馈不断调整推荐方向，使结果逐渐贴合用户预期，而不是重复已有内容。
• 当信息不足或用户需求不明确时，你会主动进行引导，而不是随意推荐不相关的内容。

问题一：帮我推荐一部休闲欢乐的电影

智能体回答：休闲欢乐类型的电影推荐如下：

《疯狂动物城》
一部充满想象力的动画电影，通过动物们在都市中的冒险故事，展现幽默与温情并存的剧情。影片融合了社会寓言与轻松笑点，适合放松心情。

《寻梦环游记》
以墨西哥亡灵节为背景，用绚丽的视觉效果和动人的音乐讲述家庭与梦想的故事。影片在欢乐氛围中传递深刻情感，适合温馨观影。

《飞屋环游记》
动画电影中的经典之作，通过一个老人与房子的奇幻旅程，展现友情与冒险的欢乐主题。画面精美且充满创意，能带来轻松愉快的体验。

《触不可及》
法国喜剧电影，讲述富翁与身体残疾的园丁之间的跨阶层友谊。幽默自然且充满温情，适合轻松观看。

以上电影均以积极向上的基调和趣味性内容为主，可根据个人喜好选择。若需更具体的推荐（如导演、演员或剧情细节），可进一步补充说明。

问题二：灾难片有哪些评分高的，你最推荐我看哪个？

休闲欢乐的电影推荐通常包括轻松幽默、充满冒险或温馨治愈的类型。以下是一些高评分的灾难片及推荐理由：

《地心引力》(Gravity, 2013)

- <font style="color:rgb(46, 52, 64);">推荐理由：以太空灾难为背景，结合紧张刺激的生存挑战与壮丽的宇宙视觉，剧情紧凑且情感深刻，IMDb评分8.1。</font>
- <font style="color:rgb(46, 52, 64);">适合人群：喜欢科幻元素与极限生存故事的观众。</font>

《2012》(2009)

- <font style="color:rgb(46, 52, 64);">推荐理由：描绘世界末日来临前的全球性灾难，场面宏大震撼，豆瓣评分7.1。</font>
- <font style="color:rgb(46, 52, 64);">适合人群：偏好视觉冲击力与灾难场面的观众。</font>

《后天》(The Day After Tomorrow, 2004)

- <font style="color:rgb(46, 52, 64);">推荐理由：气候灾难题材，结合科学幻想与灾难逃生情节，IMDb评分6.8。</font>
- <font style="color:rgb(46, 52, 64);">适合人群：对环境议题感兴趣且喜欢动作场面的观众。</font>

《深海圆疑》(The Deep, 1972)

- <font style="color:rgb(46, 52, 64);">推荐理由：经典灾难片，讲述深海探险中的神秘灾难，剧情悬疑且画面极具张力，IMDb评分7.5。</font>
- <font style="color:rgb(46, 52, 64);">适合人群：偏爱冷战时期风格与未知威胁的观众。</font>

《末日崩塌》(Oblivion, 2013)

- <font style="color:rgb(46, 52, 64);">推荐理由：末日背景下的人性探索，结合科幻与灾难元素，IMDb评分7.0。</font>
- <font style="color:rgb(46, 52, 64);">适合人群：喜欢末日题材与哲学思考的观众。</font>

最推荐：若追求视觉与情感的双重体验，《地心引力》是首选；若偏好宏大场面与灾难史诗感，《2012》更具吸引力。

经过调试之后，满足我们需求了，直接点击发布智能体输入，版本及其当前版本日志，记录后发布，后续可以方便维护这个智能体

实际表现

智能体在线体验

在实际使用过程中，这个电影推荐助手的表现更接近一个“可以交流的推荐者”，而不是简单输出结果的工具。

例如，我先输入“想看一部轻松一点的电影”，智能体并没有直接给出大量推荐，而是先围绕“轻松”这一需求进行筛选，并给出几部偏喜剧或节奏舒缓的电影，同时附带简要介绍和推荐理由。这样的结果虽然不多，但方向相对明确。

在此基础上，我继续补充需求，例如“不想太老，也不要太吵”，智能体会在原有推荐基础上进一步调整，筛选出更符合条件的电影，而不是重新给出一组无关的内容。可以明显感觉到，推荐是在逐步收敛，而不是每次重新开始。

可以看出这个智能体在实际表现上已经具备一定的可用性：不仅能够给出推荐结果，还能够通过多轮交互逐步贴近用户需求，使推荐从“泛化输出”转变为“有针对性的选择过程”。

智能体记忆管理

在 Nexent 中，记忆管理提供了一种“长期记录用户偏好”的能力，使智能体不仅依赖当前对话，还可以基于历史信息进行更有针对性的响应。

如图所示，在用户个性化设置中，可以提前写入一些偏好信息，例如“不希望推荐恐怖片”或“尽量避免血腥暴力内容”。这些信息会在后续对话中持续生效，无需每次重复说明。

从搭建到上线的整体感受

在整个智能体的搭建过程中，Nexent 给我的整体体验是比较顺畅的。从最初的模型接入，到知识内容补充，再到工具能力接入和提示词调整，整个流程都是逐步推进的，不需要一次性完成复杂配置。

在完成调试之后，发布流程也相对轻量，只需要简单记录版本信息即可完成上线。这种方式让整个开发过程更接近“迭代优化”，而不是一次性构建完成，使用起来更加灵活。

整体来看，Nexent 更像是一个支持快速实验与持续优化的平台，不仅降低了从想法到落地的门槛，也让智能体能够在实际使用中不断调整和完善。

总结

通过这次实践，我基于 Nexent 搭建了一个电影推荐智能体，从模型接入、内容支撑到能力优化，逐步让推荐从“随便给结果”变成“有思路、有针对性的选择过程”。

Nexent 提供了一套较为轻量且清晰的能力组合方式，使智能体可以在实际使用中不断调整和优化。从体验上来说，它不仅能够完成推荐任务，更能够通过多轮对话逐渐贴合用户需求，让交互更加自然。