企业官网建设流程全解析

戴尔网站建设目标,高端网站建设网页设计,网上购物商城er图,ruhe用dw做网站不是写一个 Prompt#xff0c;调用 Api#xff0c;加上几个函数处理#xff0c;就叫“Agent 应用” Agent is all you need我想抛出一个“暴论”#xff1a;沉淀足够深的“领域专家”#xff0c;配合“Ai应用工程师”#xff0c;进行Agent开发#xff0c;能够自动化一切…不是写一个 Prompt调用 Api加上几个函数处理就叫“Agent 应用”Agent is all you need我想抛出一个“暴论”沉淀足够深的“领域专家”配合“Ai应用工程师”进行Agent开发能够自动化一切该领域人能完成的开发工作一、什么是Agent狭义上的Agent完全无人监督、自主拆解目标、寻找资源、使用工具完成全部工作的系统广义上的Agent指以 LLM大语言模型为核心驱动具备基础任务响应与外部交互能力的系统市面上百分之99的Agent应用其实只属于广义-简单Agent的范畴一个真正完整且智能的智能Agent系统以下五个能力缺一不可Planning自行对任务进行详细拆解完成执行方案规划Action根据方案按流程一步步执行Observation在Action过程中应当能动态感知环境反应动态调整规划Tool_call具备精准调用外部工具来解决任务的能力Learning能自主学习好坏case、外部新知识、新工具不断进化在目前的Ai Coding领域目前图形化的cursor和命令行claude-code在前4个能力上已做的相当完备但是最后一个——Agent的自主学习能力尚任重道远它要求Agent能自动学习新知识、调用新工具、学习交互的good case、bad case转化为经验二、怎么做出一个Agent广义上的功能性Agent开发流程大体上可以分为三个阶段****架构选择、功能实现、工程优化架构选择阶段根据业务特点、QPS、准确率、稳定性等需求选择合适的编程语言/工作流平台、后端服务架构功能实现阶段实现业务的Agent解决方案工程优化阶段准确率优化效率优化成本问题这里我想重点讨论功能实现和工程优化怎么才能做好这两个阶段呢2.1功能实现阶段2.1.1How?Why?如何让Agent能够完美地完成任务多项研究表明——因为Transformer架构固有局限随上下文逐步增长LLM注意力逐渐分散回归能力逐渐下降大模型的生成过程本质是预测会根据用户给出的信息逐渐去“预测”最优质的回答大模型接收到的上下文本质上就是一种信息用于消除预测过程中的不确定性降低其信息熵我认为在Agent开发过程中**完美遵守下面两个原则就可以——开发出一个可用、高效的Agent**最小上下文原则每次交互中给大模型的上下文尽可能小最低信息熵原则需要清晰、精确、完整地表述需要大模型完成的任务因此和大模型交互其实就是一种语言的艺术——最少的词语完成最完整意图的表述2.1.2How to do?应该怎么做才能完美遵守上面的原则呢工具调用正确指导LLM在合适的时候用对应的工具而不是给多个工具让它选择上下文管理只给主agent最重要的关键信息sub agent去filter其他信息不重要的信息/当下用不到的历史信息不代入上下文使用外部存储技术存储在文件/数据库/临时变量中在需要时再做回归非必要不Ai固定的流程使用固定函数完成不要为了用Agent而用在需要LLM动态执行的模块一定要给出最精致的prompt——最准确的上下文信息2.2工程优化阶段功能完整后如何让Agent在线上环境稳定、高效、低成本地运行准确率/稳定性优化整个工作流必须以高准确率完成用户的需求效率优化步骤合并、任务并行成本问题更小的模型、更小的上下文窗口、蒸馏后的模型2.2.1准确率/稳定性优化大模型每次输出都不稳定Agent的多次调用会导致结果更加不稳定可以用一个不太严谨的计算方式来理解假设单轮回答符合对的期望是0.8那经过10次迭代0.8^10正确回答的期望就是0.1074实用技巧——完成Agent输出的超高准确率任务拆解将复杂任务拆分别更细粒度子步骤减少单步误差累计多轮校验机制关键的中间结果增加校验无效则重新规划生成异常兜底策略预设每一个节点的故障处理方案工具超时、接口报错、多轮准确率不达标等问题都要建立流程上的兜底或信息上的兜底定制化微调总结Agent历史调用链中的good case合并为数据集进行微调2.2.2效率优化步骤合并与剪枝剔除冗余步骤简化非必要流程固定步骤函数化任务并行处理支持多工具/子任务同时执行预处理缓存缓存高频复用数据避免重复请求、计算模型优化使用更小参数的模型响应优先级调度高实时性任务实时调用近线任务采用离线推理2.2.3成本优化模型优化轻量化在能完成任务的前提下尽量选小参数模型我实践中小参模型迭代多次效果一般好过大参模型一次生成模型蒸馏对模型微调后再蒸馏上下文窗口压缩通过摘要、关键词提取、文本精简、无关信息filter等资源动态调度非高峰时段减少算力节点高峰时段动态扩容2.3如何让agent乖乖听话一个Agent其实是由多个小模块组成的其实Agent的开发过程和“搭积木”很像在搭积木过程中需要不断地回过头去检查当下的结果——是否多用了零件、桌子有没有少一个腿、房间会不会太小了那么想用积木搭好一个城堡我们应该怎么做呢建筑图纸整个城堡应该有多少层、多少个房间、最终是什么样子、什么设计风格完成小模块先拼接好书桌、床、电视机等一个又一个小模块模块协同将一个又一个小模块“协同”起来成为一个大城堡完成整个城堡的过程其实和Agent常用也是最有效的工作模式ReAct几乎一摸一样Reasoning、Action、ObservationReAct 模式的核心是通过 “推理 - 行动 - 感知” 的闭环循环让 Agent 具备处理复杂任务的能力其设计逻辑可拆解为三个核心环节及闭环机制Reasoning推理Agent 会先解析用户需求拆解目标为可执行的步骤并判断当前是否需要调用工具。Action行动按推理阶段的规划执行具体操作包括直接生成内容或调用外部工具Observation观察接收并解析行动阶段的输出如工具返回结果、错误信息判断是否符合预期若数据完整则将结果反馈给推理环节进入下一轮规划若出现异常则触发推理环节重新决策还有其他很多设计模式但是其实核心思想都类似这里不再展开Cot、AutoGPT…三、最近很火的上下文工程是啥上下文工程来源对经典的文本这单一模态而言使用llm的唯一方式是一次性的一问一答为了提出更好的问题引导更好的回答发展出了提示词工程为了多轮对话、多模态支持、信息更全面、与环境交互在提示词工程上发展出来上下文工程研究表明当关键信息位于文本中段时召回率下降40%以上LLM 的本质是概率预测模型若输入的冗余信息过多必然会干扰其对核心逻辑的判断导致精准度与召回率下降。我在 Agent 应用开发实践中对此深有体会每次与 LLM 交互时传递的信息必须经过筛选只保留 “足够必要” 的内容因此Agent 开发其实就是在进行上下文工程 —— 在 LLM 需要输出的每个阶段精准供给它完成任务所需的关键信息无论是 tool_call 的返回结果、用户的原始输入还是环境变量本质上都是需纳入考量的上下文并无主次之分唯有全面且精简地整合才能让 LLM 高效输出上下文工程的本质就是模型输入整理无论是user_prompt、system_prompt、tool_call_para、tool_call_result、env_state都是chat_history在每个需要交互的节点应当从chat_history中拿出哪些内容经过拼接、优化、整理后给到模型就是上下文工程要做的工作四、如何用好提示词OpenAI 提到 6 条大的原则1.Write clear instructions(写出清晰的指令)2.Provide reference text提供参考文本3.Split complex tasks into simpler subtasks将复杂的任务拆分为更简单的子任务4.Give the model time to “think”给模型时间「思考」5.Use external tools使用外部工具6.Test changes systematically系统地测试变更4.1先激活再思考先通过精准提问让对应领域上下文信息加入LLM的chat_history再提出问题样例1q请你告诉我什么是shiro550漏洞一般攻击者怎么利用它a这漏洞是因为低版本shiro框架中..q我测试一个靶机存在shiro550漏洞你帮我看看我这个请求包为什么没有work请求包如下:..样例2q请你帮我总结/my_path/to_test_file/test.py文件中的代码逻辑a这是一个爬虫的工具类它通过..q请你帮我修改代码增强他的反爬绕过能力4.2结构化提示词类似XML格式instruction你希望 Claude 执行的主要任务或目标/instructioncontext任务的背景信息比如涉及的框架、业务逻辑、团队规范等/contextcode_example可以参考的代码片段、接口规范或已有实现/code_exampleJSON格式提示词样例{ task: generate_product_review,parameters: { product_type: 智能手机, product_name: XPhone Pro, key_features: [6.7英寸OLED屏幕, 5000mAh电池, 1亿像素摄像头, 骁龙8 Gen3处理器], review_perspective: [性能体验, 续航能力, 拍照效果, 性价比], tone: 客观中立略带专业分析, word_count: 500-800, structure: { include_introduction: true, include_feature_analysis: true, include_pros_cons: true, include_conclusion: true }, requirements: [ 避免使用夸张修辞, 针对每个核心功能给出具体评价, 对比同价位机型的优势与不足, 数据支撑评价如续航具体时长、跑分数据等, 提及目标用户群体适配性, 分析系统优化对硬件性能的影响 ] }}4.3提示词工程few shot (少样本学习)人工给出几个示例激活模型在特定任务的思考模式Chain of thought思维链COT概念通过中间推理步骤——实现复杂推理能力因为大模型本质是预测下一个词出现的概率通过中间步骤引导增加向正确方向预测的概率Few-Shot Cot少样本学习配合思维链Zero-Shot-Cot在样本结尾加入引导逐步思考的Prompteg买了10个苹果给了邻居2个苹果和修理工2个苹果又买了5个苹果吃了1个还剩下多少苹果让我们逐步思考Auto-Cot对用户问题聚类后抽样出每类中心问题使用简单启发式Zero-Shot-Cot生成推理链准备步骤问题聚类、抽样、用简单启发式Zero-Shot-Cot生成推理链回答步骤问题分类、回归该类问题的cot_prompt、合并user_prompt和cot_prompt、llm.invoke(merge_prompt)自我一致性概念通过少样本思维链采样多个不同推理路径、用多个推理结果进行多轮投票角色扮演ReACT…五、Api调用Tips通过动态步长温度、随机数种子增加多轮投票中的随机性强制不使用缓存模型回复被截断并不是上下文不够很多模型有默认输出 token限制需要设置 maxtokens参数在逻辑性强的任务里用 json 格式的提示词效果很好few-shot 在标准化输出任务中表现很好根据不同任务特性调节温度有时模型怎么都不能满足好一个需求可能是这个模型能力不够 or 模型不适合这个任务动态化提示词.format/.replace做提示词版本管理很重要六、最后聊两句最后我想抛出一个观点在当下LLM既没有想象中那么强归根结底他只是一个工具使用者水平决定了他的能力边际LLM更没有我们想的那么菜我们可以完全相信算法工程师迭代基座模型的速度和大模型应用工程师的工程能力但是我对ai的发展十分有信心在可预见的将来他能够替代掉绝大部分的编码工作Agent is all you need到时候作为工程师的技术护城河我想除了足够深刻的垂类领域知识就是超越常人的LLM工具驾驭能力想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”