企业官网建设流程全解析

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

1. 项目背景与核心概念

你是否曾有过一个绝妙的副业点子，却因为缺乏专业的商业分析、风险评估和启动资金而迟迟不敢行动？或者，你是否厌倦了那些只会说“这个想法很棒”的AI助手，而希望有一个能一针见血、像资深投资人一样帮你“排雷”的伙伴？这正是我开发“AI毒舌投资人”Agent的初衷。

“AI毒舌投资人”是一个基于大语言模型（LLM）和Agent框架构建的智能副业顾问。它的核心目标不是提供空洞的鼓励，而是模拟真实投资人的思维模式，对你的副业想法进行结构化、批判性的分析。它会像一位经验丰富的投资人一样，毫不留情地质疑你的商业模式、市场定位、盈利能力和执行风险，帮助你提前发现项目的薄弱环节，从而做出更明智的决策。

这个项目本质上是一个智能体（AI Agent）应用。Agent不同于简单的聊天机器人，它具备目标导向、自主规划、调用工具和执行任务的能力。在本项目中，Agent的核心能力包括：

1. 结构化分析：将你的模糊想法拆解为市场、产品、运营、财务等模块。
2. 风险评估：识别潜在的技术、市场、法律和竞争风险。
3. 毒舌反馈：以犀利、直接的语言指出问题，避免“好好先生”式的无效建议。
4. 行动建议：基于分析，提供具体的、可执行的下一步行动指南。

通过构建这样一个Agent，你不仅能获得一个实用的副业规划工具，更能深入理解如何将前沿的AI能力（如DeepSeek的深度推理）与具体的业务场景结合，打造出真正有价值的AI应用。

2. 技术选型与环境准备

为了高效构建这个Agent，我们需要选择合适的工具链。核心思路是利用成熟的AI编程助手来加速开发，并选择一个强大的大模型作为“大脑”。

2.1 核心工具与框架

1. DeepSeek API：我们将使用DeepSeek-V4系列模型作为Agent的“思考引擎”。它支持深度思考（Reasoning）模式，非常适合进行复杂的商业分析和逻辑推理，这正是“毒舌投资人”所需要的核心能力。
2. Deep Code CLI：这是一个开源的终端AI编程助手，专为DeepSeek-V4优化。它支持深度思考、推理强度控制以及Agent Skills功能。我们可以利用它来快速生成代码、调试，甚至直接编写Agent的技能描述文件，极大提升开发效率。
3. Python + LangChain/语义内核：作为Agent应用开发的主流语言和框架。Python生态丰富，而LangChain或微软的语义内核（Semantic Kernel）提供了构建、编排和管理Agent所需的核心抽象（如工具、规划器、记忆）。
4. FastAPI/Flask：用于构建一个简单的Web API，方便通过界面或其它应用与我们的Agent交互。

2.2 开发环境搭建

首先，确保你的基础开发环境就绪。

操作系统：Windows 10/11, macOS, 或 Linux (如 Ubuntu 20.04+)。Python版本：建议使用 Python 3.9 或 3.10，以保证与多数AI库的兼容性。

步骤1：安装Python及包管理工具如果你还没有安装Python，请从官网下载安装。建议使用venv创建虚拟环境以隔离项目依赖。

# 创建项目目录并进入 mkdir ai-investor-agent && cd ai-investor-agent # 创建Python虚拟环境（Windows） python -m venv venv # 激活虚拟环境（Windows） venv\Scripts\activate # 激活虚拟环境（macOS/Linux） source venv/bin/activate

步骤2：获取DeepSeek API Key访问 DeepSeek 开放平台，注册账号并创建一个API Key。妥善保存这个Key，我们后续配置会用到。

步骤3：安装并配置Deep Code CLI（我们的AI编程助手）根据提供的网络资料，Deep Code是一个强大的终端助手，能帮助我们快速开发。

# 确保已安装Node.js 18+ node --version # 全局安装Deep Code CLI npm install -g @vegamo/deepcode-cli # 验证安装 deepcode --version

安装成功后，需要配置Deep Code以使用你的DeepSeek API。

# 创建配置目录和文件 mkdir -p ~/.deepcode

编辑或创建配置文件~/.deepcode/settings.json：

{ "env": { "MODEL": "deepseek-v4-pro", // 或 "deepseek-v4-flash" 根据需求选择 "BASE_URL": "https://api.deepseek.com", "API_KEY": "sk-your-actual-api-key-here" // 替换为你的真实API Key }, "thinkingEnabled": true, "reasoningEffort": "high" // 或 "max"，控制推理强度 }

现在，在终端输入deepcode即可启动AI编程助手。你可以直接向它描述需求，例如：“帮我用Python写一个调用DeepSeek API的简单函数”，它会生成可用的代码。这将是我们后续开发的重要助力。

3. Agent核心架构与原理拆解

在开始写代码之前，我们需要理清“毒舌投资人”Agent是如何工作的。一个典型的Agent系统包含几个核心组件：

3.1 系统提示词（System Prompt）设计

这是Agent的“人格”和“职责”定义。一个优秀的提示词是Agent表现好坏的关键。

# 这是一个提示词模板，定义了Agent的角色、任务和输出格式 INVESTOR_AGENT_SYSTEM_PROMPT = """ 你是一位经验丰富、以毒舌和直言不讳著称的天使投资人。你的任务是评估用户提出的副业或创业想法，并提供尖锐、务实、基于数据的反馈。 **你的核心原则：** 1. **求真务实**：拒绝空话和奉承。直接指出想法的最大弱点。 2. **结构化分析**：必须按照以下框架进行回应： a. **一句话总结**：用最犀利的话概括这个想法。 b. **市场天花板**：目标市场有多大？增长趋势如何？你是否在红海里游泳？ c. **产品/服务内核**：解决了什么**真实**痛点？还是自嗨型需求？ d. **盈利模式**：怎么赚钱？毛利率多少？客户生命周期价值（LTV）是多少？估算给我看。 e. **竞争壁垒**：你的护城河是什么？技术？成本？网络效应？还是什么都没有？ f. **执行风险**：最大的三个执行难点是什么？（技术、供应链、获客、团队等） g. **毒舌评级**：从“垃圾时间”到“有点意思”到“值得聊聊”，给出你的评级。 h. **下一步行动**：如果非要继续，最应该先做的三件具体事是什么？ 3. **用数据和类比**：尽可能用已知的市场数据、类似的成功/失败案例来佐证你的观点。 4. **语气**：可以讽刺、可以尖锐，但论点必须建立在逻辑和常识之上，目的是帮助用户清醒，而不是打击。 现在，请开始评估用户的想法。 """

这个提示词赋予了Agent明确的身份、分析框架和沟通风格，是“毒舌”特性的来源。

3.2 工具（Tools）规划

一个强大的Agent不能只靠“说”，还要能“做”。我们可以为它集成一些简单的工具来增强分析能力。

• 网络搜索工具：让Agent能获取最新的市场数据、竞品信息。
• 简单计算器：用于快速估算市场规模、利润率等。
• 记忆存储：记录与用户的对话历史，使分析具有连续性。

3.3 推理与规划（Reasoning & Planning）

这是Agent的“大脑”。DeepSeek-V4的深度思考模式允许模型进行多步推理。我们的Agent会：

1. 理解任务：解析用户输入的副业想法。
2. 规划分析步骤：决定先评估市场，还是先审视产品。
3. 调用工具（可选）：如果需要数据，则调用搜索工具。
4. 综合判断：结合所有信息，按照系统提示词的框架组织回答。
5. 生成输出：形成最终的“毒舌”评估报告。

3.4 记忆（Memory）管理

为了让Agent记住对话上下文（比如用户之前提到的细节），我们需要为它添加记忆功能。这可以是简单的对话历史缓冲，也可以是更复杂的向量数据库存储。

4. 完整实战：构建“毒舌投资人”Agent

我们将使用LangChain框架来构建Agent，因为它提供了丰富的组件和清晰的抽象。

4.1 初始化项目与安装依赖

在之前创建的虚拟环境中，安装必要的Python包。

# 安装LangChain及其DeepSeek集成、网络搜索等工具 pip install langchain langchain-community langchain-core pip install langchain-deepseek # 官方或社区维护的DeepSeek集成 pip install duckduckgo-search # 用于网络搜索的工具 pip install python-dotenv # 管理环境变量 pip install fastapi uvicorn # 用于创建Web API

创建项目文件结构：

ai-investor-agent/ ├── .env # 存储API密钥等敏感信息 ├── app.py # FastAPI主应用文件 ├── agent_core.py # Agent核心逻辑 ├── prompts.py # 存放所有提示词模板 ├── tools.py # 自定义工具定义 └── requirements.txt # 项目依赖

生成requirements.txt：

pip freeze > requirements.txt

4.2 配置环境变量与模型

在.env文件中安全地存储你的API Key：

# .env DEEPSEEK_API_KEY=sk-your-actual-deepseek-api-key-here

在agent_core.py中，我们初始化DeepSeek模型和基础链。

# agent_core.py import os from langchain_deepseek import ChatDeepSeek from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser from dotenv import load_dotenv # 加载环境变量 load_dotenv() # 初始化DeepSeek聊天模型 # 注意：请根据你安装的langchain-deepseek包的实际导入方式调整 llm = ChatDeepSeek( model="deepseek-chat", # 或 "deepseek-reasoner"，根据API可用模型调整 api_key=os.getenv("DEEPSEEK_API_KEY"), temperature=0.7, # 控制创造性，0.7在分析和创造性间取得平衡 max_tokens=2000, ) # 测试模型连接 def test_llm_connection(): try: response = llm.invoke("你好，请用一句话介绍你自己。") print("模型连接测试成功:", response.content) return True except Exception as e: print(f"模型连接失败: {e}") return False if __name__ == "__main__": test_llm_connection()

4.3 定义“毒舌投资人”的提示词与执行链

在prompts.py中定义我们之前设计好的系统提示词。

# prompts.py from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder # 系统提示词 SYSTEM_PROMPT = """你是一位经验丰富、以毒舌和直言不讳著称的天使投资人...""" # 此处填入上文完整的INVESTOR_AGENT_SYSTEM_PROMPT # 构建对话提示词模板 # 我们将系统消息和用户消息（以及后续的历史消息）组合起来 investor_prompt = ChatPromptTemplate.from_messages([ ("system", SYSTEM_PROMPT), MessagesPlaceholder(variable_name="chat_history"), # 预留位置存放对话历史 ("human", "{input}"), # 用户当前输入 ])

在agent_core.py中完善核心链，并加入简单的对话记忆。

# agent_core.py (续) from langchain.memory import ConversationBufferMemory from langchain.chains import LLMChain from prompts import investor_prompt # 创建记忆体，保存最近的4轮对话 memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True, k=4) # 创建LLMChain，将提示词、模型、记忆和输出解析器组合起来 investor_chain = LLMChain( llm=llm, prompt=investor_prompt, memory=memory, output_parser=StrOutputParser(), verbose=True, # 设置为True可以在控制台看到链的思考过程，调试时有用 ) def get_investor_feedback(business_idea: str) -> str: """ 获取毒舌投资人对商业想法的反馈。 """ response = investor_chain.invoke({"input": business_idea}) return response["text"] # 测试函数 if __name__ == "__main__": idea = "我想做一个针对大学生的二手教材交换小程序，用积分制。" print("用户想法:", idea) print("\n--- 毒舌投资人反馈 ---\n") feedback = get_investor_feedback(idea) print(feedback)

运行python agent_core.py，你应该能看到Agent对你提出的想法进行一番“犀利”的点评。

4.4 为Agent添加工具能力（网络搜索）

一个只会空谈的投资人不是好投资人。我们给它加上搜索能力，让它能获取实时信息。在tools.py中定义工具。

# tools.py from langchain_community.tools import DuckDuckGoSearchRun from langchain.tools import Tool # 初始化搜索工具 search = DuckDuckGoSearchRun() # 将工具包装成LangChain可用的格式 search_tool = Tool( name="web_search", func=search.run, description="""在互联网上搜索最新信息。当需要查询市场规模、竞品信息、行业趋势、最新数据时使用此工具。 输入应该是明确的搜索查询关键词。""" ) # 可以定义更多工具，比如计算器 # from langchain.tools import tool # @tool # def calculate(expression: str) -> str: # """计算一个数学表达式。例如：‘calculate(‘1000 * 0.3’)’ 会返回 ‘300’。只支持基本算术。""" # try: # return str(eval(expression)) # except: # return "无法计算该表达式。"

现在，我们需要创建一个能自主决定何时使用工具的Agent。我们将使用LangChain的AgentExecutor。

# agent_core.py (续) from langchain.agents import create_react_agent, AgentExecutor from langchain import hub from tools import search_tool # 导入我们定义的工具 # 1. 获取一个基础的ReAct提示词（Reason + Act） # 可以从LangChain Hub拉取，也可以自定义 prompt = hub.pull("hwchase17/react-chat") # 这是一个支持对话历史的ReAct模板 # 2. 定义工具列表 tools = [search_tool] # 将搜索工具加入列表，后续可以添加更多 # 3. 创建ReAct Agent agent = create_react_agent(llm, tools, prompt) # 4. 创建Agent执行器，并传入记忆 agent_executor = AgentExecutor( agent=agent, tools=tools, memory=memory, # 使用同一个记忆体 verbose=True, handle_parsing_errors=True, # 处理解析错误 max_iterations=3, # 限制最大迭代次数，防止死循环 ) def get_investor_feedback_with_tools(business_idea: str) -> str: """ 获取毒舌投资人的反馈，此次Agent可以使用工具（如搜索）。 """ # 构造一个引导性的输入，鼓励Agent使用工具 input_with_instruction = f""" 请评估以下商业想法：{business_idea} 在评估时，如果你需要最新的市场数据、竞品情况或行业报告来支撑你的观点，请务必使用你拥有的工具去搜索信息。 你的最终反馈仍需遵循原有的结构化格式（一句话总结、市场天花板...下一步行动）。 """ response = agent_executor.invoke({"input": input_with_instruction}) return response["output"] # 测试带工具的Agent if __name__ == "__main__": idea = "我想做一个面向宠物主人的健康食谱订阅盒服务。" print("用户想法:", idea) print("\n--- 毒舌投资人反馈 (带搜索) ---\n") feedback = get_investor_feedback_with_tools(idea) print(feedback)

现在，当Agent认为需要查询“宠物食品市场规模”、“订阅盒竞争格局”时，它会自动调用搜索工具，让它的点评更有数据支撑。

4.5 创建Web API接口

为了让非开发者也能使用，我们用FastAPI包装一层简单的HTTP接口。

# app.py from fastapi import FastAPI, HTTPException from pydantic import BaseModel from agent_core import get_investor_feedback, get_investor_feedback_with_tools, memory import uvicorn app = FastAPI(title="AI毒舌投资人API", description="给你的副业想法来点尖锐的实话。") class BusinessIdeaRequest(BaseModel): idea: str use_web_search: bool = False # 是否启用网络搜索 class FeedbackResponse(BaseModel): feedback: str @app.post("/feedback", response_model=FeedbackResponse) async def get_feedback(request: BusinessIdeaRequest): """ 获取对商业想法的毒舌反馈。 """ try: if request.use_web_search: feedback = get_investor_feedback_with_tools(request.idea) else: feedback = get_investor_feedback(request.idea) return FeedbackResponse(feedback=feedback) except Exception as e: raise HTTPException(status_code=500, detail=f"处理请求时出错: {str(e)}") @app.post("/reset") async def reset_conversation(): """ 重置当前对话的记忆（开始一次新的对话）。 """ memory.clear() return {"message": "对话记忆已重置"} if __name__ == "__main__": uvicorn.run(app, host="0.0.0.0", port=8000)

运行python app.py，访问http://127.0.0.1:8000/docs即可看到自动生成的API文档，并可以直接测试。

5. 使用Deep Code CLI加速开发与编写Agent Skill

在整个开发过程中，我们可以充分利用之前安装的Deep Code CLI。它不仅能帮我们写代码，还能帮助我们创建和管理Agent Skills。

5.1 利用Deep Code进行交互式开发

在项目根目录打开终端，输入deepcode进入交互模式。你可以直接向它提问：

• “如何用LangChain为DeepSeek模型添加对话记忆？”
• “帮我写一个FastAPI的POST接口示例，接收JSON参数。”
• “我遇到了一个错误ModuleNotFoundError: No module named 'langchain_deepseek'，该怎么办？”

Deep Code会基于你的项目上下文和配置的DeepSeek-V4模型，给出高质量的代码建议和解决方案，显著提升开发效率。

5.2 创建“毒舌投资人”的Agent Skill

Deep Code支持Agent Skills，这类似于可复用的提示词模板或工作流。我们可以将我们的核心提示词和任务封装成一个Skill，方便在其他项目中调用或在Deep Code内部使用。

根据文档，Skill文件位于~/.agents/skills/或./.deepcode/skills/。

在项目根目录创建技能文件夹和文件：

mkdir -p .deepcode/skills/sarcastic-investor

创建文件.deepcode/skills/sarcastic-investor/SKILL.md：

# 毒舌投资人评估技能 ## 描述 模拟一位犀利的天使投资人，对商业想法进行结构化、批判性分析。 ## 指令 请你扮演一位以毒舌和洞察力著称的天使投资人。当用户提出一个商业或副业想法时，你必须严格按照以下框架回应： 1. **一句话总结**：犀利概括。 2. **市场天花板**：分析市场规模、趋势、是否为红海。 3. **产品内核**：判断是否解决真实痛点。 4. **盈利模式**：质问如何赚钱，要求估算。 5. **竞争壁垒**：询问护城河。 6. **执行风险**：指出前三大难点。 7. **毒舌评级**：给出“垃圾时间”、“有点意思”、“值得聊聊”等评级。 8. **下一步行动**：给出三个具体行动建议。 语气要尖锐、直接，用数据和案例支撑观点，目的是帮助用户清醒认识项目。 ## 示例 **用户输入**：我想开一家主打“自习+轻食”的复合型书店。 **AI输出**：（按照上述框架生成的毒舌分析...） ## 模型配置 - **模型**: deepseek-v4-pro - **推理强度**: high - **温度**: 0.7

创建完成后，在Deep Code交互界面中，输入/sarcastic-investor即可直接启用这个技能模式，让它用设定好的角色和你对话，评估你的任何想法。这相当于将我们构建的Agent核心能力，封装成了一个轻量级、可移植的“技能包”。

6. 常见问题与排查思路

在开发和运行过程中，你可能会遇到以下问题：

7. 最佳实践与进阶优化建议

构建一个稳定、有用的AI Agent不仅仅是让代码跑起来，还需要考虑工程化和用户体验。

7.1 提示词工程优化

• 迭代与测试：提示词是Agent的灵魂。不要指望一次写完美。针对不同的副业类型（电商、SaaS、内容创作、线下服务），收集一批测试用例，反复调整提示词，观察输出效果。
• 少样本学习（Few-Shot）：在提示词中提供2-3个高质量的输入输出示例，能极大地引导模型生成符合格式和风格的回复。
• 输出结构化：尝试让Agent输出JSON格式的结果，而不是纯文本。这样前端更容易解析和展示。可以在提示词中要求：“请以JSON格式输出，包含summary,market_analysis,risks,rating,next_steps等字段。”

7.2 工程化与性能

• 异步处理：如果评估过程较长（尤其是使用了网络搜索），FastAPI的接口应该使用async/await，避免阻塞。可以考虑使用Celery或BackgroundTasks处理长任务。
• 缓存机制：对于相似或重复的想法，可以引入缓存（如Redis），存储评估结果，避免重复调用昂贵的模型API，节省成本和时间。
• 限流与鉴权：如果开放为公开服务，必须为API添加速率限制（Rate Limiting）和用户鉴权，防止滥用。
• 日志与监控：记录每一次交互的输入、输出、使用的Token数量、耗时以及工具调用情况。这对于优化成本和调试问题至关重要。

7.3 增强Agent能力

• 更多工具：
  • 财务计算工具：集成一个简单的财务模型，让Agent能基于输入的收入、成本假设，快速计算毛利率、盈亏平衡点。
  • 竞品分析工具：调用一些公开的数据库或爬虫API（需合法合规），获取竞品信息。
  • 文档读取工具：让用户上传商业计划书（BP）PDF或Word，Agent提取关键信息进行分析。
• 多Agent协作：可以设计多个角色，例如一个“毒舌投资人”，一个“乐观的产品经理”，一个“谨慎的法务”。让它们围绕一个想法进行辩论，为用户提供更立体的视角。
• 记忆优化：当前使用的是简单的缓冲区记忆。对于长对话，可以升级为ConversationSummaryMemory来压缩历史，或使用VectorStoreRetrieverMemory将历史对话存入向量数据库，实现更智能的相关信息检索。

7.4 成本与安全

• API成本控制：设置预算警报，监控Token消耗。对于非必要场景，可以使用deepseek-v4-flash等更轻量、更便宜的模型。
• 内容安全：在Agent输出返回给用户前，可以增加一个内容安全过滤层，防止模型生成任何不当或有害内容。
• 数据隐私：明确告知用户交互数据可能用于模型改进（根据DeepSeek政策），对于敏感的商业想法，提示用户不要输入真正机密的核心信息。

通过这个项目，你不仅得到了一个能帮你“泼冷水”的副业顾问，更亲手实践了从构思、选型、开发到优化一个AI Agent的完整流程。这其中的技术要点——提示词设计、工具调用、记忆管理、API封装——是构建更复杂AI应用的基础。接下来，你可以尝试为它添加一个简单的前端界面，或者将其集成到飞书、钉钉等办公软件中，让它真正成为你或你团队日常决策的“犀利伙伴”。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度