企业官网建设流程全解析

过去一年我把 Agent 当饭吃：白天给公司的报表流程接模型，晚上回家接着调自己的小玩具。修 bug 的人变成制造 bug 的人，这条路我算是走全了。这篇文章把我认为真正有用的东西压缩成一版：Agent 到底是什么、最小技术内核长什么样、十周怎么安排、坑都在哪。不堆数据，不念经，直接开讲。

一、Agent 是什么：一个不会动手的聪明人，怎么教会他干活

先说清一个误区：做 Agent 应用 ≠ 训练大模型。你不需要碰 GPU 集群，也不需要捡回高数。应用层的日常是：调 API、配向量库、写工具、搭流程——你现有的工程经验几乎全部能复用。

想象你雇了个员工，他聪明绝博学，但有个毛病：只会动嘴。你说"帮我订张去上海的机票"，他给你口述一段订票攻略，然后两手一摊。改造他需要三样东西：

三样齐了，“动嘴员工"就变"动手员工”——这就是 Agent。

再理一下三个容易混的词，它们是层层叠加，不是替代关系：

• 裸大模型：知识渊博但没有手。问它百米冠军是谁，它知道；让它查现在杭州到上海最后一班高铁，它答不上——没有实时数据，也没有执行能力。
• RAG：给问答机配了个图书馆。回答前先检索自己的知识库，解决"模型不知道/记不准"。它解决知识从哪来。
• Agent：在图书馆之上再配上手脚。能调工具、执行操作、根据结果调整下一步。它解决任务怎么完成。

生产级 Agent 内部大多带着 RAG；RAG 本身也要模型驱动。所以别问"学 RAG 还是学 Agent"，是先后关系。

二、最小技术内核：ReAct + Function Calling

Agent 框架眼花缭乱，但内核就一个循环：模型出主意，程序做动作，结果喂回去，直到任务完成。这就是 ReAct（Reasoning + Acting）。

第一版别用框架，手写一遍，你会比 90% 只用过框架的人懂得多：

tools=[{"type":"function","function":{"name":"get_weather","description":"查询城市实时天气","parameters":{"type":"object","properties":{"city":{"type":"string"}},"required":["city"],},},}]defrun_agent(question:str,max_turns:int=6):messages=[{"role":"user","content":question}]for_inrange(max_turns):# 轮次上限：防无限循环rsp=client.chat.completions.create(model="your-model",messages=messages,tools=tools)msg=rsp.choices[0].message messages.append(msg)ifnotmsg.tool_calls:# 没有工具调用 = 最终答案returnmsg.contentforcallinmsg.tool_calls:# 执行每个工具调用result=dispatch(call.function.name,json.loads(call.function.arguments))messages.append({"role":"tool","tool_call_id":call.id,"content":json.dumps(result,ensure_ascii=False)})return"轮次用尽，任务未完成"

两个工程细节，教程里很少讲但极其要命：

1. 工具描述是给模型看的接口文档。写"查询天气"，模型传参全靠猜；写"查询中国城市实时天气，city 传城市名如’杭州’"，一次到位。工具报错率高，先回去改描述，别急着改代码。
2. 必须给循环加上限。轮次、超时、Token 预算，三道闸至少装一道。我见过一个 Agent 因为工具返回格式不对，认真重试到刷屏——它不是疯了，是没人告诉它该停。

三、十周学习路线：每个阶段带着产出走

别"学完再做"，每个阶段都以一个能跑的东西收尾。按每天 2-3 小时算：

阶段一练到一件事就算过关：让模型 100% 输出能过json.loads的结果。角色设定、Few-shot、思维链都是手段，JSON 模式 + 校验失败重试才是保底。这是所有 Agent 的地基。

阶段二从一份你熟的文档开始：加载、切分（chunk 大小/重叠/按标题切）、向量化、检索、重排，最后回答必须带出处，答不上就明说不知道。会不会"胡编"，从这里开始分水岭。

阶段三把第二节的循环改成你自己的场景：查待办、查订单、对比两地天气都行。然后上手 LangGraph 或 Dify 二选一，把流程可视化，再看多智能体协作就不再神秘。

阶段四把 Demo 关进笼子里：FastAPI 封装、流式输出、限流、日志与追踪（Langfuse/LangSmith）、评估集。再加三条安全红线——提示词注入防护、转账/删除类操作二次确认、权限最小化。Agent 拿到数据库连接和代码执行权限的那一刻，它就不只是个聊天机器人了。

四、我真实踩过的坑（省你几个月）

1. 会话状态要自己管。别默认框架帮你记住上一轮。第一版报表助手就是没存历史，每轮都从零开始，模型一本正经地从头再来。
2. 别让工具返回几万字的原始表。该压缩压缩、该截断截断，上下文窗口是钱，也是注意力——塞满它，模型就开始答非所问。
3. 工具报错要给模型留出口。返回结构化的错误信息（“参数缺失 city”）而不是堆栈，模型才能自我修正；无差别报错只会触发疯狂重试。
4. 评估先于优化。攒 20-50 条真实 case 当评估集，再动手调提示词。没有评估集的优化是玄学，改一处好两处坏五处。
5. Agent 是运维对象，不是交付物。上线只是开始，工具描述、记忆策略、评估集都要持续迭代。把它当"数字同事"养，别当"一次性脚本"扔。

五、Agent 会卷死程序员吗

说下我的判断，两句话：

纯手写 CRUD 的时代确实在落幕——头部公司合并到生产的代码大部分已经是 AI 写的，初级"调接口"岗位在肉眼可见地缩水。但每轮自动化浪潮，消失的都是重复劳动，崛起的是驾驭工具的人。模型能力越平权，懂业务、能定义问题、会判断 AI 输出质量的人越值钱。

所以两条腿走路：向上守住复杂系统设计和业务抽象（AI 短期替代不了），向前抢占 Agent 应用构建（当下缺口最大的增量市场）。悲观是提醒，乐观是底气。

六、行动清单

• 本周：跑通阶段一，写一个结构化抽取脚本，完成第一个"能用"的小工具。
• 本月：做完阶段二，把一份你熟的文档变成带引用的问答助手。
• 第二个月：手写最小 Agent（第二节的代码改造成你的场景），再上手一个框架。
• 第三个月：工程化收尾——HTTP 服务、鉴权、日志、评估集，写进简历。
• 贯穿全程：读一手资料（模型厂商文档、Anthropic/OpenAI 工程博客），远离贩卖焦虑的速成课。

一个会写代码的 NPC，白天修 bug，晚上制造 bug。偶尔冒泡。你在哪一步卡住了，评论区说一声，能救一个是一个。