企业官网建设流程全解析

前言

我之前讲了为什么要慢学Agent；那么对于什么是Agent，有些人还是会有疑问。大家都在使用，但是并不是非常全面的了解Agent。

有些人可能连Agent的字面意思都不清楚，可能只知道叫智能体。然后就没有然后了。

我认为的核心观点: Agent 不是魔法。由模型、状态、工具、控制流、治理组成的，是一张能力地图——按交付目标选用积木，而不是凑齐五件套。

简单认为就是：一套可自动执行任务系统。

好的智能体能够自行处理问题，给予好的反馈。这些反馈的结果如何？就体现在是否智能，是否高级。

那么简单的来说：Agent系统里常见有哪些能力积木？各自解决来什么、什么时候又是可以没有的？

Agent 的第一性原理（我认为的）

什么是 Agent？

工作上的定义（够用即可，能满足我即可）：

Agent：在授权的范围内，能根据目标选择行动（常含工具调用），并根据观察自行继续推进，直到满足结束条件或自我升级调整的给人使用的系统。

说人话：

复制

不是「会聊天」就叫 Agent； 关键是：目标 → 行动 → 观察 →（可选）再行动，并且行动有边界。

• 1.
• 2.

现在外面许多所谓的「Agent 产品」其实是Workflow + LLM；这完全合理。没有大家想象中的高大上。有些可能就是.md文档 + LLM封装的

五块常见积木（能力地图）

注意：这不是生产必备清单， 只是举例，可自己添加与删除。

最小系统可以是固定工作流，也可以是模型 + 一个受控工具。

能不能上线，看验收、风险、授权、评估与回滚，不看组件数量。

甚至可以将模型当作服务器来使用。你自己能够良好的控制输入与输出，那么一个应用就产生了。

积木 1: 模型 —— 大脑

LLM 的作用

类比：

常见模型怎么选（示例，非排行榜）

关于 MCP 列：不必按「模型是否原生 MCP」选模型。

MCP 是宿主与工具服务的协议；模型侧仍是 tool use / function calling。跨宿主复用工具时再评估 MCP；进程内受控调用完全可用。

MCP 就是一个服务而已。

LLM 的核心参数

简单的例子：

import Anthropic from "@anthropic-ai/sdk"; const client = new Anthropic({ apiKey: "your-api-key" }); const response = await client.messages.create({ model: "claude-sonnet-4-0", // 示例：以你账号可用的模型名为准 max_tokens: 2000, temperature: 0.7, system: "你是一个有帮助的助手", messages: [{ role: "user", content: "你好" }], }); const block = response.content[0]; console.log(block.type === "text" ? block.text : "");

参数影响：

Claude vs OpenAI API 差异：Claude API 将 system prompt 作为独立参数而非 messages 数组的第一项，这有助于模型更稳定地遵循角色设定。代码示例仅仅展示而已。

LLM 的局限性

LLM 不是万能的：

❌ LLM 做不到的： - 实时信息（不知道今天发生了什么） - 精确计算（12345 × 67890 可能算错） - 长期记忆（上下文有限） - 执行行动（不能直接调用 API） - 保证准确（会"幻觉"胡说） ✅ LLM 擅长的： - 理解自然语言 - 生成文本内容 - 逻辑推理（简单） - 代码生成 - 知识问答（训练数据内的）

关键认知：

LLM 只是 Agent 的一个组件，不是 Agent 的全部。LLM 其实很纯粹的。

积木 2: 状态与记忆

为什么需要记忆？毕竟容易遗忘是件很可怕的事情。

没有记忆的 Agent： 用户：我叫小明，今年 25 岁 Agent: 你好小明！很高兴认识你。 （5 分钟后） 用户：我刚才说我多大了？ Agent: 抱歉，我不记得了。 ❌ 用户体验：这 AI 有病吧？

有记忆的 Agent： 用户：我叫小明，今年 25 岁 Agent: 你好小明！很高兴认识你。 （5 分钟后） 用户：我刚才说我多大了？ Agent: 你刚才说你 25 岁。 ✅ 用户体验：这 AI 真聪明！

记忆的三层架构

记忆的实现方式

1. 短期记忆：对话历史

// 简单的对话历史记忆 type ChatMessage = { role: "user" | "assistant"; content: string }; const conversationHistory: ChatMessage[] = [ { role: "user", content: "我叫小明" }, { role: "assistant", content: "你好小明！" }, { role: "user", content: "我今年 25 岁" }, { role: "assistant", content: "好的，记住了！" }, ]; // 发送给 LLM 时带上历史 const response = await llm.generate({ messages: conversationHistory, newMessage: "我多大了？", });

2. 长期记忆：向量检索

比如Chroma、Pinecone、Milvus 等向量数据库的使用、嵌入模型原理、记忆管理策略和遗忘策略。

或者字节的OpenViking这类工具可以解决长期记忆的问题

简单讲就是数据存储而已。没啥高大上的。

积木 3: 工具调用

为什么需要工具？

只有 LLM 的 Agent： 用户：帮我查一下今天上海的天气 Agent: 抱歉，我无法获取实时信息。 ❌ 无用

有工具的 Agent： 用户：帮我查一下今天上海的天气 Agent: [调用天气 API] 上海今天晴，25°C，适合出门。 ✅ 有用

但是Hermes Agent 就自行帮我解决了。所以以前的其他工具没有API是无法做到的。

工具的类型

工具调用的实现

1. MCP 工具定义（一个开放协议示例）

// MCP Server 定义工具（weather_server.ts）——示意结构，具体 API 以 SDK 文档为准 import { Server } from "@model context protocol/sdk/server/index.js"; import { CallToolRequestSchema, ListToolsRequestSchema, } from "@model context protocol/sdk/types.js"; const server = new Server( { name: "weather-tools", version: "1.0.0" }, { capabilities: { tools: {} } } ); server.setRequestHandler(ListToolsRequestSchema, async () => ({ tools: [ { name: "weather_query", description: "查询指定城市的天气", inputSchema: { type: "object", properties: { city: { type: "string", description: "城市名称" }, }, required: ["city"], }, }, ], })); server.setRequestHandler(CallToolRequestSchema, async (request) => { if (request.params.name === "weather_query") { const city = String(request.params.arguments?.city ?? ""); // 调用天气 API const response = await fetch(`https://api.weather.com/${city}`); const data = (await response.json()) as { description: string }; return { content: [{ type: "text", text: data.description }], }; } throw new Error(`Unknown tool: ${request.params.name}`); });

MCP 协议说明：MCP（Model Context Protocol）是用于跨宿主连接工具、资源和上下文的开放协议。

Agent 宿主可通过 MCP Server 获取工具列表并调用；模型仍需借助 tool use / function calling 在候选工具中作出选择。

实际上有些Skill 中可以内嵌写 MCP 服务。

比如瑞幸 Skill 就是一套让 AI 助手帮你点咖啡的数字技能包，本质上使用的就是MCP 服务而已。而封装了 MCP 服务的Skill。这份Skill就是一份

MCP的使用说明书而已。

2. 工具注册与发现

3. 工具调用流程（MCP 协议）

MCP vs Function Calling：Function Calling / Tool Use 是模型侧表达“选哪个工具、传什么参数”的能力；

MCP 是宿主与外部工具服务互联的协议。

两者可配合，但不互相替代；是否采用 MCP 取决于复用、部署和权限需求。

工具调用的安全边界

⚠️ 重要：工具调用必须有安全限制！ ❌ 危险做法： - 允许 Agent 调用任意 API - 不限制工具参数 - 不验证返回结果 ✅ 安全做法： - 白名单机制（只允许注册的工具） - 参数验证（检查参数是否合法） - 结果审核（敏感操作需要人工确认） - 权限控制（不同 Agent 不同权限）

不能天马行空，还是需要控制的，你不控制，AI 可以自由发挥，那样会失控的。

失控意味着失败 ～

// 安全的工具调用 class SafeToolExecutor { private allowedTools = new Set(["weather_query", "search"]); privatetools: Record<string, { execute: (params: Record<string, unknown>) =>string }>; constructor() { this.tools = { /* 在此注册白名单内的工具实现 */ }; } execute(toolName: string, params: Record<string, unknown>): string { // 1. 检查工具是否在白名单 if (!this.allowedTools.has(toolName)) { thrownewError(`工具 ${toolName} 未授权`); } // 2. 验证参数 this.validateParams(toolName, params); // 3. 执行工具 const result = this.tools[toolName].execute(params); // 4. 审核结果（可选） if (this.isSensitive(result)) { return"[结果需要人工审核]"; } return result; } private validateParams(_toolName: string, _params: Record<string, unknown>) { /* 参数校验 */ } private isSensitive(_result: string): boolean { return false; } }

积木 4: 控制流与规划

什么是规划？就是分解与控制，方法论，系统论等等组合而已。

规划（Planning）= 把复杂任务分解成可执行的小步骤 示例： 用户："帮我写一篇关于 AI 的文章并发到公众号" 没有规划： Agent: 好的！（直接开始写，写到一半发现不知道要写什么） 有规划： Agent: 好的，我来分解这个任务： 1. 确定文章主题 2. 收集相关资料 3. 撰写文章大纲 4. 写正文内容 5. 检查修改 6. 发布到公众号 我们先从第 1 步开始：你想写什么主题？

规划的方法

1. 简单分解（Task Decomposition）

/** 将任务分解为子任务 */ asyncfunction decomposeTask(task: string): Promise<string[]> { // 使用 LLM 帮助分解 const prompt = ` 将以下任务分解为可执行的步骤： 任务：${task} 返回步骤列表（每步一个动词开头）： `; const steps = await llm.generate(prompt); return parseSteps(steps); } // 示例 const task = "写一篇 AI 文章并发布"; const steps = await decomposeTask(task); // 返回：["确定主题", "收集资料", "撰写大纲", "写正文", "发布"]

2. 思维链（Chain of Thought）

思维链 = 让 LLM 展示思考过程 普通 Prompt： Q: 小明有 5 个苹果，吃了 2 个，又买了 3 个，现在有几个？ A: 6 个 思维链 Prompt： Q: 小明有 5 个苹果，吃了 2 个，又买了 3 个，现在有几个？ A: 让我们一步步思考： - 开始有 5 个苹果 - 吃了 2 个：5 - 2 = 3 个 - 又买了 3 个：3 + 3 = 6 个 - 答案：6 个 ✅ 思维链让推理过程可见，更容易发现错误

3. 反思规划（Reflection Planning）

/** 带反思的规划 */ async function planWithReflection(task: string): Promise<string[]> { // 第 1 步：初始规划 const plan = await generatePlan(task); // 第 2 步：反思计划 const critique = await critiquePlan(plan); // 第 3 步：根据反思改进 const improvedPlan = await improvePlan(plan, critique); return improvedPlan; }

4. 自主学习（Autonomous learning）

自主学习 ≠ 模型自己偷偷变强 自主学习 = 用执行结果与评估反馈，改进下次规划 / 提示词 / 工具策略 示例： 同一类任务跑了 20 次—— - 12 次成功：沉淀为「好案例」 - 8 次失败：写入评估集，归纳失败模式（缺追问、工具超时、幻觉引用） - 再据此改计划模板或降权路径，经人工审核后才生效 ✅ 学的是「可验证的改进」；没有 Eval 与授权，就不要做 overnight 自动改系统

/** 从一次执行结果改进下次规划（示意，非生产自进化） */ async function learnFromOutcomes( task: string, plan: string[], trajectory: unknown[], evalResult: { passed: boolean } ): Promise<string[]> { if (evalResult.passed) { await saveGoodExample (task, plan, trajectory); return plan; } // 失败 → 进评估集，再提出候选改进 const failure = summarizeFailure(trajectory, evalResult); const candidate = await proposeBetterPlan(task, plan, failure); // 生产默认：候选必须人工审核 / 回归通过后才能替换线上策略 return reviewBeforeShip(candidate); }

边界：反思规划是「这一次任务内」改计划； 自主学习是「跨任务」用反馈改策略。

默认不做自动上线；只有稳定回归集、预算上限与可回滚时，才考虑受控离线实验。

90% 的人搞错了"规划"，你认为的可能就是错误的，认知导致偏差很正常。

❌ 错误认知： 规划 = 写一个任务列表 ✅ 正确认知： 规划 = 动态调整的执行策略 为什么？ - 计划赶不上变化 - 执行中可能发现新信息 - 某些步骤可能失败需要回退 - 用户可能中途改变需求

// 动态规划示例 class DynamicPlanner { plan: string[] = []; completed: string[] = []; failed: string[] = []; async execute(task: string) { // 初始规划 this.plan = await this.decompose(task); while (this.plan.length > 0) { const step = this.plan.shift()!; // 执行步骤 const result = await this.executeStep(step); if (result.success) { this.completed.push(step); } else { // 失败：重新规划 this.failed.push(step); const newSteps = await this.replan(step, result.error); this.plan = [...newSteps, ...this.plan]; } // 检查用户是否修改需求 if (this.userChangedRequirement()) { this.plan = await this.replanAll(); } } } private async decompose(_task: string): Promise<string[]> { return []; } private async executeStep(_step: string): Promise<{ success: boolean; error: string }> { return { success: true, error: "" }; } private asyncreplan(_step: string, _error: string): Promise<string[]> { return []; } private userChangedRequirement(): boolean { returnfalse; } private async replanAll(): Promise<string[]> { return []; } }

积木 5: 反馈与治理

为什么需要反馈？只有反馈才能够成长。

❌ 永远停留在初始水平

✅ 持续进化，自动进化

反馈的类型

反馈的实现

1. 收集反馈

class FeedbackCollector { /** 收集显式反馈 */ collectExplicit(userId: string, rating: number, comment: string) { const feedback = { type: "explicit"asconst, userId, rating, // 1-5 分 comment, timestamp: Date.now(), }; this.store(feedback); } /** 收集隐式反馈 */ collectImplicit(userId: string, action: string) { // 用户行为映射为反馈 const actionToRating: Record<string, number> = { like: 5, share: 5, bookmark: 4, read_complete: 3, read_half: 2, close_immediately: 1, }; const rating = actionToRating[action] ?? 3; this.store({ type: "implicit", userId, rating }); } private store(_feedback: Record<string, unknown>) { /* 持久化 */ } }

2. 分析反馈

type FeedbackItem = { rating: number; comment?: string }; /** 分析反馈，找出改进点 */ async function analyzeFeedback(feedbackList: FeedbackItem[]) { const avgRating = feedbackList.reduce((sum, f) => sum + f.rating, 0) / feedbackList.length; const lowRatings = feedbackList.filter((f) => f.rating <= 2); // 用 LLM 分析低分反馈的共同模式 let commonIssues: string | string[] = []; if (lowRatings.length > 0) { const comments = lowRatings.map((f) => f.comment ?? ""); const analysisPrompt = `分析这些用户负面反馈的共同问题：${JSON.stringify(comments)}`; commonIssues = await llm.generate(analysisPrompt); } return { avgRating, lowRatingCount: lowRatings.length, commonIssues, }; }

3. 根据反馈改进

Agent 的"自我改进"本质上是调整 Prompt 和参数配置，而非修改代码。以下是一个简化示例：

class SelfImprovingAgent { feedbackHistory: FeedbackItem[] = []; systemPrompt = "你是一个友好的助手。"; /** 根据反馈生成候选改动；不在运行中直接生效。 */ async improve() { const analysis = await analyzeFeedback(this.feedbackHistory); // 让 LLM 根据反馈建议新的 system prompt const improvePrompt = ` 当前 system prompt：${this.systemPrompt} 用户反馈分析：${JSON.stringify(analysis)} 请根据反馈，生成一个改进后的 system prompt。 保持角色定位不变，但调整风格和行为以更好地满足用户需求。 `; return llm.generate(improvePrompt); } async executeTask(task: string) { const result = await this.do(task); const feedback = await this.getFeedback(result); this.feedbackHistory.push(feedback); // 反馈仅进入候选池，后续需离线评估与回归验证 if (this.feedbackHistory.length % 10 === 0) { const candidatePrompt = await this.improve(); await saveCandidateForOfflineEval(candidatePrompt); } } private async do(_task: string): Promise<unknown> { return null; } private asyncgetFeedback(_result: unknown): Promise<FeedbackItem> { return { rating: 3 }; } }

反馈闭环：不要按固定条数直接改 system prompt。更稳妥的流程是：收集反馈 → 构建离线评估集 → 生成受控候选 → 回归评估 → 审批发布。用户点赞/点踩可作为信号，但不能自动变成线上行为。

反馈的边界

⚠️ 注意：不是所有反馈都要采纳 ❌ 盲目采纳所有反馈： - 用户 A：文章太长了 - 用户 B：文章太短了 - Agent: ？？？ ✅ 智能处理反馈： - 收集足够多样本（10+ 反馈） - 找出共同模式（70% 用户说太长） - 有选择地改进（针对共同问题） - 忽略个别极端反馈

实战：最小可运行示例

最小 Agent 的定义

最小 Agent = LLM + 记忆 + 1 个工具 能做什么： - 理解用户输入 - 记住对话历史 - 调用一个工具 - 给出回复

完整代码

// minimal_agent.ts // 需要安装：npm install @anthropic-ai/sdk // 运行：npx tsx minimal_agent.ts import Anthropic from "@anthropic-ai/sdk"; import * as readline from "node:readline/promises"; import { stdin as input, stdout as output } from"node:process"; type ChatMessage = { role: "user" | "assistant"; content: string }; class MinimalAgent { private client: Anthropic; private model = "claude-haiku-4-5"; // 示例名：以账号可用模型为准 private memory: ChatMessage[] = []; private tools: Record<string, () =>string>; constructor(apiKey: string) { // 1. 初始化 LLM（Claude API） this.client = new Anthropic({ apiKey }); // 2. 初始化记忆（见 this.memory） // 3. 注册工具（简化版，P5 会讲 MCP Server） this.tools = { get_time: () =>this.getTime(), }; } /** 工具：获取当前时间 */ getTime(): string { const d = new Date(); const pad = (n: number) => String(n).padStart(2, "0"); return `${d.getFullYear()}-${pad(d.getMonth() + 1)}-${pad(d.getDate())}${pad(d.getHours())}:${pad(d.getMinutes())}:${pad(d.getSeconds())}`; } /** 与用户对话 */ async chat(userInput: string): Promise<string> { // 添加到记忆 this.memory.push({ role: "user", content: userInput }); // 判断是否需要调用工具（简化版，P5 会讲 MCP 工具选择） let systemMsg: string; if (userInput.includes("时间") || userInput.includes("几点")) { const toolResult = this.tools.get_time(); systemMsg = `当前时间是：${toolResult}。请用自然语言回复用户。`; } else { systemMsg = "你是一个有帮助的助手，请友好地回复用户。"; } // 构建消息（Claude API 的 system 是独立参数） const response = await this.client.messages.create({ model: this.model, max_tokens: 500, system: systemMsg, messages: this.memory.slice(-10), // 只保留最近 10 条 }); const block = response.content[0]; const assistantReply = block.type === "text" ? block.text : ""; // 添加到记忆 this.memory.push({ role: "assistant", content: assistantReply }); return assistantReply; } } // 使用示例 async function main() { const agent = new MinimalAgent("your-api-key"); const rl = readline.createInterface({ input, output }); console.log("最小 Agent 已启动！输入'退出'结束对话。"); while (true) { const userInput = await rl.question("\n你："); if (userInput === "退出") break; const reply = await agent.chat(userInput); console.log(`Agent: ${reply}`); } rl.close(); } main().catch(console.error);

代码说明：这里用关键词匹配来判断是否调用工具，这是最简单的方式。更一般的做法是由模型的 tool use / function calling 能力在受控工具清单中选择；工具可以进程内实现，也可以按需通过 MCP 接入。

示例使用 Claude 系列 API，具体模型以当前可用版本和成本要求为准。

运行效果大致如下：

$ npx tsx minimal_agent.ts 你：你好 Agent: 你好！有什么我可以帮助你的吗？ 你：现在几点了？ Agent: 当前时间是：2026-03-25 18:30:45 你：我叫小明，记住了 Agent: 好的小明，我记住了你的名字！ 你：我叫什么？ Agent: 你叫小明呀~

扩展方向

能力地图在常见产品中的映射

学到这里，你可能会问：这些组件在实际的框架中对应什么？

MCP 协议说明：

•Resources：记忆层，提供上下文数据

•Tools：工具层，定义可执行操作

•Prompts：模板层，定义工作流程

工具可通过 MCP 或进程内调用接入；模型侧仍用 tool use / function calling 选择工具。Skills 可作为可版本化操作规范；动态循环只在固定工作流不足时采用。这些概念在 P3/P5/P9 详细讲解。

常见误区

误区 1: “LLM 就是 Agent”

❌ 错误：Agent = 调用一次大模型 ✅ 正确：当系统要在授权内推进目标、常含工具/多步时， 才进入 Agent/工作流讨论。 也可以只是「模型 + 固定流程」，不必自称完整 Agent。

误区 2: “工具越多越好”

❌ 错误：给 Agent 注册 100 个工具 ✅ 正确：根据场景选择必要的工具 工具太多会导致： - 选择困难（不知道用哪个） - 成本增加（每次都要分析） - 安全风险（更多攻击面）

误区 3: “记忆就是存对话”

❌ 错误：把所有对话历史都存下来 ✅ 正确：有选择地存储关键信息 好的记忆系统： - 短期：最近对话（上下文） - 长期：经同意的用户事实与偏好（可删、可追溯） - 规范：可版本化操作说明（Skills 等）——这是规范，不是「记下来的经验」

误区 4: “规划就是一次性分解”

❌ 错误：分解完就按部就班执行 ✅ 正确：动态调整规划 执行中可能： - 某步失败需要回退 - 发现新信息需要调整 - 用户需求变化

误区 5: “反馈就是用户评分”

❌ 错误：只收集显式评分 ✅ 正确：收集多种反馈 反馈来源： - 显式：评分、评论 - 隐式：行为数据 - 自动：系统检查 - 人工：审核结果

总结

上述中我们学到了什么

知识地图：

✅ 能力地图五块：模型 / 状态与记忆 / 工具 / 控制流 / 反馈与治理

✅ 按需组合，不是生产必备五件套 ✅ tool calling ≠ MCP；MCP 按复用与部署需求评估 ✅ 反馈改进走离线评估，不在线上自动改 Prompt

核心收获：你能拆解一个系统「有哪些能力积木、缺哪些、哪些其实不需要」，而不是背框架名。迭代与进化是一直存在的。

你以为 vs 更稳妥的认知

理解能力积木，是掌握 Agent 的第一步；能力完成之后，下一步就是是学会少用积木。变厚容易，变薄能力却越强才是真本事。

一句话

Agent 不是魔法，是一张能力地图：先定交付与验收，再按失败证据加能力积木。

加能力积木前的 6 个问题（我记录的方法论）

动手或选型时，按顺序问一遍（答不上来就先别加）：

学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！​

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示

​因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。