企业官网建设流程全解析

物流网站开发公司,前端设计,来个网站2021能用的,网站建设工作是干什么的2025 年已经过去#xff0c;Chatbot 经过几年的发展已经改变了我们的生活工作#xff0c;它擅长即时响应#xff0c;提供比搜索引擎更直接的答案。正如 Similarweb 数据展示#xff0c;Google 之外的 Chatbot 访问流量已不可忽视。 图 | 流量份额 Agent 的发展趋势 Chatb…2025 年已经过去Chatbot 经过几年的发展已经改变了我们的生活工作它擅长即时响应提供比搜索引擎更直接的答案。正如 Similarweb 数据展示Google 之外的 Chatbot 访问流量已不可忽视。图 | 流量份额Agent 的发展趋势Chatbot 的普及不仅验证了 AI 交互的价值更成为技术升级的铺垫。随着大语言模型LLM能力的持续突破更具深度的 AI 智能体Agent加速走向应用 —— 它们能够模仿人类的思维逻辑与工作流程系统性解决研究分析、报告撰写、PPT 制作等复杂工作任务。过去一年AI Coding Agent 发展尤为迅猛已成为最具商业价值的细分领域诸如 Cursor、Claude Code、ReplitlovableCodeBuddyTrae 等近百种工具涌现催生出规模达数十亿美元的市场。图 | 头部 AI 公司 ARR热潮之下Agent 的开发本质是一项复杂的系统性工程无论是短时记忆与长时记忆的协同管理还是审慎调用外部工具为大语言模型LLM补充外部知识、完善其内置知识库都需要投入大量研发精力。而作为 Agent 的核心组件LLM 的选型与部署同样需综合考量多重因素如不同模型的能力特点、成本控制、故障应对、速率限制以及如何保障服务的连续性与稳定性等等…为了解决上述问题Agent 开发者通常这么选✅接入多家 MaaS 供应商✅使用聚合平台提供的 API 服务第一个方案需要兼容多个平台的协议管理大量的支付账号、账单等。而第二个方案则免去了以上问题只需一个账号即可访问所需模型。OneThingAI 平台就为大家提供了这样的 API 服务满足多种 LLM 模型的调用。其在实现上保证了 API 接入层和实际的推理服务间的分离。API 接入层运行在 CPU 集群依托多年积累的成熟的软硬件技术可实现远高于推理服务的稳定性。Agent 的概念与设计模式如上一章所言Agent 是复杂工程。我们先给他下个定义AI Agent 是一种能够感知环境、自主决策并执行动作的软件实体。其核心能力包括规划、工具使用、记忆和反思。不同于单次调用的 LLMAgent 通过组合这些能力可处理需多步骤推理的动态任务如客户支持、数据分析或自动化流程。然而直接开发 Agent 系统容易导致代码臃肿、难以维护。设计模式通过提供可重用的架构模板解决了以下问题复杂性管理如将任务分解为可管理的组件通过链式调用的方式组织顺序操作。灵活性提升如让一个 Agent 根据输入动态选择执行路径。安全性保障如防止有害输出或越权行为清楚的设定 Agent 的能力边界。效率优化平衡成本与性能如利用平台 cache hit 后 token 更便宜的特性来组织上下文。以下我们参考《Agentic Design Patterns》整理一些简单模式1、链式执行模式链式执行是 Agent 的基础模式它将复杂任务分解为线性序列的子任务每个子任务的输出作为下一个的输入。这种模式适用于有依赖关系的流程如数据处理的提取-转换-加载ETL。其优势在于结构清晰、易于调试但缺乏灵活性。2、路由模式路由模式使 Agent 能根据输入内容动态选择执行路径。例如用户查询可能是信息请求或操作指令路由器通过分析意图将其分配给专用子 Agent如搜索 Agent 或数据库 Agent。这种模式提高了系统的适应性尤其适合多领域任务。3、工具使用模式工具使用是Agent与外部世界交互的关键。通过函数调用Function CallingAgent 可以执行搜索、数据库查询或API 操作等任务。模式流程包括定义工具描述 → LLM 决策调用 → 执行函数 → 整合结果。这打破了 LLM 的知识局限使其能处理实时数据。例如一个旅行规划智能体可以调用航班查询 API、酒店预订工具和地图服务整合信息为用户生成完整行程。该模式是智能体与现实世界交互的关键。4、并行化模式并行化模式通过并发执行多个独立子任务来优化整体工作流的效率。该模式的核心在于识别任务中互不依赖的组成部分如调用多个外部 API、处理不同数据块、生成内容的不同片段使其同时运行待所有子任务完成后再整合结果。例如一个研究型智能体可以同时搜索不同来源的信息而非顺序进行从而显著减少等待时间。主流框架如 LangChain 通过RunnableParallel 结构实现并行执行而 Google ADK 则提供 ParallelAgent 原语来协调多个子智能体的并发工作。5、反思模式反思模式为智能体引入了自我评估与迭代优化的能力。智能体在生成初步结果后会基于预设标准或外部反馈对自身输出进行审查识别潜在错误、不一致或可改进之处并进行调整。例如代码生成智能体在编写程序后可运行单元测试或静态分析工具根据结果反思并修正代码逻辑。这一模式显著提升了输出的可靠性与质量。6、规划模式规划模式要求智能体在执行任务前先制定一个详细的步骤计划。智能体需要理解最终目标推理出达成目标所需的行动序列考虑可能的分支和依赖关系然后按计划逐步执行。例如一个完成学术报告的智能体会先规划为资料搜集、大纲制定、分章节撰写、图表生成、校对排版等步骤。规划模式适用于目标复杂、步骤间存在逻辑依赖的场景。7、内存管理模式Agent 需记忆历史交互以支持连续对话。内存模式分为短期内存存储当前会话状态和长期内存持久化知识。短期内存通常用会话状态管理长期内存依赖向量数据库等外部存储。以上 7 种模式组合后又可以形成一种新的模式解决更复杂的场景问题。而随着模型技术的迭代演进这些模式也需随之动态调整。更复杂的技术可以参考《Agentic Design Patterns》等。Agent 的应用实践*以下实践仅用于演示 Agent 工作流不构成投资建议。✅基于 Langchain 框架的实践接下来我们基于 Langchain 实现一个简单的股票分析 Agent。代码如下股票查询服务 - LangChain Agent import json, os from datetime import datetime, timedelta from typing import Optional import httpx from dotenv import load_dotenv from pydantic import SecretStr from langchain_core.tools import tool from langchain_core.messages import HumanMessage from langchain.agents import create_agent from langchain_openai import ChatOpenAI load_dotenv() STOCK_API https://push2his.eastmoney.com/api/qt/stock/kline/get STOCK_MAP {茅台: 600519, 贵州茅台: 600519, 五粮液: 000858, 中国平安: 601318, 招商银行: 600036, 工商银行: 601398, 腾讯: 00700, 阿里巴巴: 09988} def get_market(code: str) - str: return 1 if code[:3] in [600, 601, 603, 605, 688] else 0 def query_stock(code: str, begin: Optional[str] None, end: Optional[str] None) - dict: 查询股票数据。默认最近1周最多2年 now datetime.now() today now.strftime(%Y%m%d) # 默认最近1周最多2年(500交易日) if not begin: begin (now - timedelta(days7)).strftime(%Y%m%d) # 限制最大2年 two_years_ago (now - timedelta(days730)).strftime(%Y%m%d) if begin two_years_ago: begin two_years_ago end_d end or today params {secid: f{get_market(code)}.{code}, klt: 101, fqt: 1, fields1: f1,f2,f3,f4,f5,f6, fields2: f51,f52,f53,f54,f55,f56,f57,f58,f59,f60,f61, beg: begin, end: end_d, lmt: 500} try: resp httpx.get(STOCK_API, paramsparams, timeout10).json() if resp.get(rc) ! 0 or not resp.get(data): return {error: 未找到, code: code} data, klines resp[data], resp[data].get(klines, []) ipo klines[0].split(,)[0].replace(-,) if klines else None # begin早于IPO则调整 if ipo and begin ipo: return query_stock(code, ipo, end) # 返回摘要 latest klines[-1].split(,) if klines else [] first klines[0].split(,) if klines else [] result {code: code, name: data.get(name,), count: len(klines), range: f{first[0]}~{latest[0]} if first and latest else , latest: {date: latest[0], close: latest[2], change: latest[8]%} if latest else {}} if len(klines) 1: prices [float(k.split(,)[2]) for k in klines] result.update({high: round(max(prices),2), low: round(min(prices),2), avg: round(sum(prices)/len(prices),2)}) return result except Exception as e: return {error: str(e), code: code} def get_code(name: str) - Optional[str]: if name in STOCK_MAP: return STOCK_MAP[name] for n, c in STOCK_MAP.items(): if n in name or name in n: return c return None tool def search_stock(name: str) - str: 股票名转代码 return get_code(name) or 未找到 tool def get_stock_price(code: str, begin: Optional[str] None, end: Optional[str] None) - str: 查股价。begin/end格式YYYYMMDD不传默认最近1周最多2年 return json.dumps(query_stock(code, begin, end), ensure_asciiFalse) tool def analyze_stock(data: str) - str: 分析股票数据 try: d json.loads(data) if isinstance(data, str) else data if error in d: return f错误: {d[error]} lt d.get(latest, {}) s f{d.get(name,)}({d.get(code,)}): {lt.get(close,?)}元, 涨跌{lt.get(change,?)} s f\n区间: {d.get(range,)}, 共{d.get(count,0)}天 if d.get(count, 0) 1: s f\n最高{d.get(high)}, 最低{d.get(low)}, 均价{d.get(avg)} cur, avg float(lt.get(close,0)), d.get(avg,0) s [高位] if cur avg*1.1 else [低位] if cur avg*0.9 else [正常] return s except Exception as e: return str(e) # Agent (LangChain 1.0) api_key os.getenv(API_KEY, ) llm ChatOpenAI(modeldeepseek-v3.2, base_urlhttps://api-model.onethingai.com/v2/openai, api_keySecretStr(api_key) if api_key else None, temperature0.6) tools [search_stock, get_stock_price, analyze_stock] agent create_agent(modelllm, toolstools, system_prompt股票助手。步骤: 1. search_stock找代码 2. get_stock_price查价格(可选begin/end,格式YYYYMMDD,不传默认最近1周) 3. analyze_stock分析 用户若指定时间如最近1个月则计算对应begin) # FastAPI if __name__ __main__: from fastapi import FastAPI from pydantic import BaseModel import uvicorn app FastAPI(title股票AI, version2.0) class Q(BaseModel): query: str app.post(/chat) def chat(q: Q): result agent.invoke({messages: [HumanMessage(contentq.query)]}) messages result.get(messages, []) return {answer: messages[-1].content if messages else } app.get(/) def root(): return {usage: POST /chat: {query:分析茅台的股价}} print(http://localhost:3000/docs) uvicorn.run(app, host0.0.0.0, port3000)要在 Langchain 中使用 OneThingAI 平台提供的 API可以使用 Langchain_openai 这个库的 ChatOpenAI 类指定 base_url 为https://api-model.onethingai.com/v2/openaillm ChatOpenAI(modeldeepseek-v3.2, base_urlhttps://api-model.onethingai.com/v2/openai, api_keySecretStr(api_key) if api_key else None, temperature0.6)注意以上代码需要在 python 3.10.0 以上环境中运行可以使用 pyenv 来管理虚拟环境参考以下命令pyenv install 3.10.0 pyenv local 3.10.0 python -m venv venv source venv/bin/activate pip install langchain langchain_core langchain_openai dotenv pydantic uvicorn fastapi以上代码启动后即可通过访问本地 3000 端口实现股票的分析curl -X POST -H Content-Type: application/json \ http://localhost:3000/chat -d {query: 分析茅台的股价}Agent 返回的 Markdown 渲染效果如下✅基于 Google ADK 框架的实践基于 Google ADK 实现一个简单多 Agent 协作模式。root agent 代码如下根代理 - 协调股票查询和分析子代理 (Google ADK) from google.adk.agents import Agent from google.adk.models.lite_llm import LiteLlm from stock_agent.agents.stock_query_agent import stock_query_agent from stock_agent.agents.analysis_agent import analysis_agent from stock_agent.config.settings import ROOT_MODEL, API_KEY, BASE_URL # 使用 LiteLLM 支持 OpenAI 兼容 API (gpt-5.1) root_llm LiteLlm( modelROOT_MODEL, api_keyAPI_KEY, api_baseBASE_URL, ) # Root Agent 使用子代理作为工具 root_agent Agent( namestock_root_agent, modelroot_llm, instruction你是股票查询和分析的总协调者。 执行流程: 1. 先用stock_query_agent查询股票代码和价格数据 2. 将查询结果交给analysis_agent进行分析 3. 整合结果返回给用户 确保查询成功后再进行分析如果查询失败直接返回错误信息。, sub_agents[stock_query_agent, analysis_agent], ) async def invoke(query: str) - str: 执行查询: Root Agent协调两个子代理 from google.adk.runners import Runner from google.adk.sessions import InMemorySessionService from google.genai import types session_service InMemorySessionService() session await session_service.create_session( app_namestock_agent, user_iduser, session_idsession ) runner Runner( agentroot_agent, app_namestock_agent, session_servicesession_service ) content types.Content( roleuser, parts[types.Part(textquery)] ) final_response async for event in runner.run_async( user_iduser, session_idsession, new_messagecontent ): if event.is_final_response() and event.content and event.content.parts: final_response event.content.parts[0].text return final_response or 查询失败查询股票信息的 Agent 如下股票查询子代理 - 负责查找股票代码和获取价格数据 (Google ADK) from google.adk.agents import Agent from google.adk.models.lite_llm import LiteLlm from stock_agent.config.settings import STOCK_QUERY_MODEL, API_KEY, BASE_URL from stock_agent.tools import search_stock_tool, get_stock_price_tool # 使用 LiteLLM 支持 OpenAI 兼容 API (deepseek-v3.2) stock_query_llm LiteLlm( modelSTOCK_QUERY_MODEL, api_keyAPI_KEY, api_baseBASE_URL, ) stock_query_agent Agent( namestock_query_agent, modelstock_query_llm, instruction你是股票查询专家。任务: 1. 用search_stock把股票名称转为代码 2. 用get_stock_price查询价格数据(可选begin/end,格式YYYYMMDD) 只返回JSON数据,不做分析, tools[search_stock_tool, get_stock_price_tool], )分析股票信息的 Agent 如下分析子代理 - 负责分析股票数据 (Google ADK) from google.adk.agents import Agent from google.adk.models.lite_llm import LiteLlm from stock_agent.config.settings import ANALYSIS_MODEL, API_KEY, BASE_URL from stock_agent.tools import analyze_stock_tool # 使用 LiteLLM 支持 OpenAI 兼容 API (kimi-k2) analysis_llm LiteLlm( modelANALYSIS_MODEL, api_keyAPI_KEY, api_baseBASE_URL, ) analysis_agent Agent( nameanalysis_agent, modelanalysis_llm, instruction你是股票分析专家。任务: 用analyze_stock分析股票数据JSON,给出: - 当前价格和涨跌 - 区间统计(最高/最低/均价) - 判断当前处于高位/低位/正常 返回简洁的分析结论, tools[analyze_stock_tool], )Google ADK 要能使用 OneThingAI 提供的 API需通过 LiteLlm 实现。对比 Langchain 这里的模型名需要 openai / 前缀来告诉 LiteLLM 使用 OpenAI 格式。# OpenAI 兼容 API 配置 API_KEY os.getenv(API_KEY, ) BASE_URL os.getenv(BASE_URL, https://api-model.onethingai.com/v2/openai) # 模型配置 - 使用 LiteLLM 格式支持 OpenAI 兼容 API # 需要 openai/ 前缀告诉 LiteLLM 使用 OpenAI 格式 # Root Agent 使用 deepseek-v3 ROOT_MODEL os.getenv(ROOT_MODEL, openai/deepseek-v3) # Stock Query Agent 使用 deepseek-v3.2 STOCK_QUERY_MODEL os.getenv(STOCK_QUERY_MODEL, openai/deepseek-v3.2) # Analysis Agent 使用 deepseek-v3.2 ANALYSIS_MODEL os.getenv(ANALYSIS_MODEL, openai/deepseek-v3.2)以上只举例了两个框架Agent 框架还包含 claude code sdkcrew.aiautogen 等等如有需要后续补充。ADK 项目的完整代码可关注学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】