企业官网建设流程全解析

建网站建立,工业设计app,html页面跳转,中小企业网络设计与实现2025年史称“Agent”元年#xff0c;自从 ChatGPT 的爆火#xff0c;自己也一直使用的是 Chat 类的 AI工具。其它类型的工具只是推特上看到#xff0c;但是自己很少使用。有时在自己推特的 timline上会出现很多爆火的AI工具#xff0c;刷多了会对于自己产生一些焦虑#x…2025年史称“Agent”元年自从 ChatGPT 的爆火自己也一直使用的是 Chat 类的 AI工具。其它类型的工具只是推特上看到但是自己很少使用。有时在自己推特的 timline上会出现很多爆火的AI工具刷多了会对于自己产生一些焦虑但仅仅是产生毕竟人在自己的舒适区是很难自己走出来的。加上最近的招聘市场和公司都很注重 Agent 这块所以决定花时间好好研究下 Agent。为未来做准备同时也会包装自己。整体的学习大纲用最近听到一句话来说“体系完整先于逻辑自洽和观点正误”先学习整体的 Agent 的整体框架再慢慢研究。什么是AI Agent“AI agents are software systems that use AI to pursue goals and complete tasks on behalf of users. They show reasoning, planning, and memory and have a level of autonomy to make decisions, learn, and adapt.”**— Google CloudAI 智能体是使用 AI来实现目标和代表用户完成任务的软件系统其表现中推理、规划和记忆能力。并且有一定的自主性能够自主学习、适应和做出决定这里引用宝王老师[1]对于 AI Agent 的定义AI Agent 是为了实现一个目标循环调用工具的大语言模型。工具循环Tools模型调用工具 - 获取结果 - 继续推理有明确终点为达成目标而不是无限调用目标来源灵活可以来自用户也可以来自另一个 LLM基础记忆能力通过对话历史保存上下文信息ReAct范式在 ReAct 范式出现之前主流的方法可以分为两类“纯思考”如思维链Chain-of-Thought,引导模型进行复杂的逻辑推理但无法与外界进行交互容易生成幻觉“纯行动”模型直接输出执行的动作缺乏规划和纠错能力什么是 ReAct 范式从字面上看ReAct 单词读和前端框架 React[2]一样发音只是把 A进行了大写但是是完全不同的东西。ReAct (Reason 和 Act)[3]最早是由姚顺雨[4]于 2022 年提出其核心思想是模仿人类解决问题的方式将思考(Reasoning)与行动(Acting)结合起来。形成一个“思考 - 行动-观察”的循环。ReAct 的精妙之处在于它认识到思考与行动是相辅相成的思考指导行动而行动的结果又会反过来为思考提供依据。在执行上的是通过一种特殊的Prompt 来引导 LLM使其每一步都遵循一个固定的轨迹。Thought (思考)在执行任务前先进行分析当前任务情况、分析任务、规划下一步或者反思上一步的结果Action (行动)根据上一步的思考结果决定采用的具体行动通常会调用外部的 ToolsObservation (观察)这是执行 Action 后从 Tools 返回的结果在这个范式中Agent会不断的 Loop这个流程将新的观察结果追加到历史的记录中形成一个不断增长的上下文直到 Thought 中判断已经找到正确的答案然后输出结果。整个过程中思考使任务更具有目标性而行动又为下一次的思考提供了事实依据。ReAct适用场景需要外部知识的任务查询实时信息需要精确计算的任务数据计算问题需要与 API交互的任务如操作数据库、调用某个 API 完成任务什么是工具Tools上面介绍了 ReAct 整体的范式提到了一个概念 Tools那么什么是 Tools 呢我们都知道 LLM是一个用固定数据训练出来的模型有自主思考的能力相当于大脑但是只有大脑还不够还要有“手和脚”与真实的外部世界交互。这些手和脚就是 ToolsReAct智能体实战了解完了 ReAct 整体的概念下面我们通过一个具体的需求来实际体验下。需求你需要编写一个智能体用于分析用户的需求回答用户的问题。例如小米手机的最新手机是哪一款需求分析想要解决这个问题我们需为Agent 提供一个网页搜索的工具。让 LLM 调用去实时搜索信息然后基于搜索的结果让 LLM再判断是不是正确的结果。编码实现系统提示词Prompt基于 ReAct 整体的机制我们需要设置一个提示词。主要包含以下点定义LLM 的角色或使用场景定义 LLM可使用的工具定义 LLM响应的格式从而方便的让程序处理定义用户的问题和整个思考的过程即动态上下文根据以上几点我们设计的系统提示词如下export const REACT_PROMPT_TEMPLATE 请注意 你是一个有能力调用外部工具的智能助手可用工具如下{tools}请严格按以下格式回应Thought: 你的思考过程用于分析问题、拆解任务和规划下一步行动Action: 你采取的行动必须是以下格式之一- \{{tool_name}}[{{tool_input}}]\:调用一个可用工具- \Finish[最终答案]\: 当你认为已经获取最终答案时现在请开始解决以下问题Question: {question}History: {history};工具Tools按提示词的设计这里我们先编写给LLM调用的工具函数选用 SerpApi[5]根据官方提供的 SDK 封装一个函数使用前需要去官网[6]注册一个账号获取免费的额度。SearchApi 是一个强大的实时SERP API可提供来自Google 搜索、Google 招聘、YouTube、Google 新闻等搜索引擎集合的结构化数据import { getJson } fromserpapi;import { requireEnv } from./utils;/** * 基于 SerApi实现的网页搜索工具 * param query */exportasyncfunction search(query: string): Promisestring {try { const apiKey requireEnv(SERPAPI_API_KEY); if (!apiKey) { return错误SERPAPI_API_KEY没有定义在.env 文件中; } const params { engine: google, q: query, api_key: apiKey, gl: cn, hl: zh-cn, }; const results await getJson(params); if (Array.isArray(results.answer_box_list)) { return results.answer_box_list.join(\n); } if (results.answer_box results.answer_box.answer) { return results.answer_box.answer; } if ( results.knowledge_graph results.knowledge_graph.description ) { return results.knowledge_graph.description; } if ( Array.isArray(results.organic_results) results.organic_results.length 0 ) { // 如果没有直接答案则返回前三个有机结果的摘要 const snippets results.organic_results .slice(0, 3) .map((res: any, i: number) { return[${i 1}] ${res.title || }\n${res.snippet || }; }); return snippets.join(\n\n); } return对不起没有找到关于 ${query} 的信息。; } catch (error) { return发生错误: ${error}; }}为了后续我们方便的添加新的 Tools 我们需要构造一个通用的工具构造器export type Tools { description: string; func: Function;};/** * 工具执行器负责管理和执行工具 */exportclass ToolsExecutor { tools: Recordstring, Tools;constructor() { this.tools {}; } registerTool(name: string, desc: string, func: Function) { if (name inObject.keys(this.tools)) { console.warn(同名工具已存在将进行覆盖); } this.tools[name] { description: desc, func: func }; console.info(工具 ${name} 已注册 \n); } getTool(name: string) { if (Object.keys(this.tools).includes(name)) { returnthis.tools[name]?.func; } } getAvailableTools() { const allTools []; for (const [name, info] of Object.entries(this.tools)) { allTools.push(- ${name}: ${info?.description}); } return allTools.join(\n); }}接下来我们测试这些函数import { search } from./tools;import * as dotenv fromdotenv;function main() { dotenv.config();const executor new ToolsExecutor(); executor.registerTool( Search, 基于 SerApi实现的网页搜索工具, search );const toolFunc executor.getTool(Search);console.log(可用工具列表:);console.log(executor.getAvailableTools());console.log(\n 执行 Search 工具:);if (toolFunc) { toolFunc(人工智能的未来是什么).then((result: string) { console.log(搜索结果:); console.log(result); }); }}main(); 执行结果如下工具 Search 已注册 可用工具列表:- Search: 基于 SerApi实现的网页搜索工具 执行 Search 工具:搜索结果:[1] 人工智能的未来AI 未来的定义将是转向用于实验的开源大规模模型以及开发更小、更高效的AI 模型以提高易用性并降低成本。[2] 2025,人工智能走向何方我们如何拥抱变化“当前新一代人工智能等数字技术正在爆发式发展将进一步推动制造业的效率变革未来有望带动工厂的研发、生产、组织和服务全方面的革新。”中国信息通信研 ...[3] 中国人工智能的未来之路在人口老龄化的大背景下人工智能对推动中国未来的经济增长将起到至关重要的作用。中国的劳动年龄人口最早将在2024年达到峰值并在之后的50年中减少五分之一。麦肯锡全球 ...实现Agent首先我们要对接大模型厂商提供的服务OpenAI的接口规范已经成为 LLM 行业的接口标准。国内的厂商基本都兼容了此标准免费的厂商服务现在基本国内的大模型厂商在注册账号之后基本都会提供一定的免费额度我这里使用的火山引擎下的火山方舟的服务。先安装open ai sdk[7]npm install openai然后我们基于这个 SDK 封装一个通用的llm 对接类方便后续复用import OpenAI fromopenai;import { requireEnv } from./utils;import { type ChatCompletionMessageParam } fromopenai/resources;/** * Hello Agents 定制的 LLM 客户端 * 它用于调用任何兼容 OpenAI 接口的服务并默认使用流式响应 */exportclass HelloAgentsLLM { model: string; apiKey: string; baseUrl: string; timeout: number; client: OpenAI;constructor( model?: string, apiKey?: string, baseUrl?: string, timeout: number 60, ) { this.model model || requireEnv(LLM_MODEL_ID); this.apiKey apiKey || requireEnv(LLM_API_KEY); this.baseUrl baseUrl || requireEnv(LLM_BASE_URL); this.timeout requireEnv(LLM_TIMEOUT) ? Number(requireEnv(LLM_TIMEOUT)) : timeout; if (!this.model || !this.baseUrl || !this.apiKey) { thrownewError( 模型 ID、API 密钥和服务地址必须被提供或在.env 文件中定义, ); } // console.log(this.baseUrl) this.client new OpenAI({ baseURL: this.baseUrl, apiKey: this.apiKey, // timeout: this.timeout Error: Request timed out. }); }async think(messages: ArrayChatCompletionMessageParam, temperature 0) { console.log(开始调用大模型); try { const response awaitthis.client.chat.completions.create({ model: this.model, messages: messages, temperature: temperature, stream: true, }); console.log(调用大模型成功 \n); const collectedContent []; forawait (const chunk of response) { // 处理每个 chunk const c chunk.choices[0]?.delta.content || ; collectedContent.push(c); } return collectedContent.join() } catch (e) { console.error(调用 LLM API时发生错误: ${e}) return } }}接下我们按 ReAct 范式的规范实现 ReActAgent。在整个 Agent中我们需要初始化llm客户端、可调用的工具、整个交互的历史信息export class ReActAgent { llmClient: HelloAgentsLLM; toolsExecutor: ToolsExecutor; maxStep: number; history: string[]; constructor( llmClient: HelloAgentsLLM, toolsExecutor: ToolsExecutor, maxStep 5) { this.llmClient llmClient; this.toolsExecutor toolsExecutor; this.maxStep maxStep; this.history []; } }接下来我们来实现核心的 run 方法async run(question: string) { // 1. 重置整体流程 this.history []; let currentStep 0; // 2. 循环调用LLM while (currentStep this.maxStep) { currentStep 1; console.log(--- 执行第 ${currentStep} 步 ---); // 2.1 根据提示词的模版传入参数。获取完整版本提示词 const toolsDesc this.toolsExecutor.getAvailableTools(); // 历史上下文拼接 let historyStr this.history.join(\n); const prompt formatPrompt(REACT_PROMPT_TEMPLATE, { tools: toolsDesc, question: question, history: historyStr, }); let messages: ArrayChatCompletionMessageParam [ { role: user, content: prompt, }, ]; // 2.2 请求 LLM,获取响应 const responseTxt awaitthis.llmClient.think(messages); if (!responseTxt) { console.error(错误大模型返回异常); break; } }之前我们要求 LLM 在返回时必须带有以下格式请严格按以下格式回应Thought: 你的思考过程用于分析问题、拆解任务和规划下一步行动Action: 你采取的行动必须是以下格式之一- \{{tool_name}}[{{tool_input}}]\:调用一个可用工具- \Finish[最终答案]\: 当你认为已经获取最终答案时接下来我们只要使用正则表达式来提取 LLM 的响应即可/** * 解析 LLM 输出提取 Thought 和 Action */ private _parseOutput(text: string): { thought: string | null; action: string | null } { const thoughtMatch text.match(/Thought: (.*)/); const actionMatch text.match(/Action: (.*)/); const thought thoughtMatch?.[1]?.trim() ?? null; const action actionMatch?.[1]?.trim() ?? null; return { thought, action }; }/** * 解析 Action 字符串提取工具名称和输入 */private _parseAction(actionText: string): [string | null, string | null] { const match actionText.match(/(\w)\[(.*)\]/); if (match) { return [match[1] ?? null, match[2] ?? null]; } return [null, null]; }/** * 解析 Action 输入提取参数 */private _parseActionInput(text: string): string | null { const inputMatch text.match(/\w\[(.*)\]/); console.log(inputMatch) return inputMatch typeof inputMatch[1] string ? inputMatch[1] : null; }_parseOutput负责从 LLM返回的消息中提取 Thought 和 Action 两个最主要的部分_parseAction负责Action 字符串中提取工具名和参数例如Search[Oppo]工具名Search参数Oppo解析响应结果并执行工具函数const {thought, action} this._parseOutput(responseTxt);if(thought) { console.info(思考${thought} \n) }if(!action) { console.log(没有下一步Action, 流程终止) break; }if(action.startsWith(Finish)) { const finalAnswer this._parseActionInput(action) console.log(最终答案${finalAnswer} \n) return finalAnswer; }const [toolName, toolInput] this._parseAction(action);if(!toolInput || !toolName) { continue; }console.log(行动: ${toolName} ${toolInput}\n)const toolFun this.toolsExecutor.getTool(toolName)let observation 错误 未找到名为 ${toolName} 的工具if(toolFun) { // 使用 call 来实现工具函数的执行 observation await toolFun.call(null, toolInput) }这段代码就是解析 LLM响应的结果如果以Finish开始就代表 LLM已经给出了最终的结果如果不是则需要提取Action并执行Action获取响应结果。最后把本次调用响应的结果observation放入到 history 中供下次 LLM 思考参考console.log(观察 ${observation} \n\n)this.history.push(Action: ${action})this.history.push(Observation: ${observation})当然在 while 循环中设置的有 max_step。程序并不会无限循环达到一定次数自动停止。下面是运行 console 结果工具 Search 已注册 --- 执行第 1 步 ---开始调用大模型调用大模型成功 Thought: 为了回答这个问题我需要查找小米最新发布的手机型号及其主要卖点。由于小米会定期发布新手机我需要通过搜索工具获取最新的信息。Action: Search[小米最新手机型号和卖点]思考为了回答这个问题我需要查找小米最新发布的手机型号及其主要卖点。由于小米会定期发布新手机我需要通过搜索工具获取最新的信息。 行动: Search 小米最新手机型号和卖点观察 [1] 小米全系列选购指南2026年爆款机型各系列核心卖点_手机小米数字系列定位3999元以上高端市场是追求旗舰性能与均衡体验用户的首选。小米17搭载骁龙8 Gen5处理器配备2K LTPO直屏与5300mAh电池支持90W快充机身 ...[2] 手机 - 小米商城Redmi 14C. 599起. CPU型号MediaTek Helio G81-Ultra ; Redmi Note 14 Pro. 1149起 · CPU型号天玑7300-Ultra ; Xiaomi 17 Ultra 徕卡版. 7999起 · CPU型号第五代骁龙8至尊版 ...[3] 小米17 Ultra的最强卖点却成了用户退货的理由小米17 Ultra徕卡版因变焦环松动问题引发用户不满官方回应称是设计预留活动空间所致但未能消除质疑。该问题涉及产品设计、制造公差和用户体验。 --- 执行第 2 步 ---开始调用大模型调用大模型成功 Thought: 根据搜索结果小米最新的手机型号是小米17 Ultra 徕卡版。它的卖点包括搭载第五代骁龙8至尊版处理器以及徕卡版的影像系统。不过搜索结果也提到了一些用户对变焦环松动的反馈。为了更全面地了解这款手机的卖点我需要进一步搜索小米17 Ultra 徕卡版的详细规格和官方宣传信息。Action: Search[小米17 Ultra 徕卡版 官方卖点]思考根据搜索结果小米最新的手机型号是小米17 Ultra 徕卡版。它的卖点包括搭载第五代骁龙8至尊版处理器以及徕卡版的影像系统。不过搜索结果也提到了一些用户对变焦环松动的反馈。为了更全面地了解这款手机的卖点我需要进一步搜索小米17 Ultra 徕卡版的详细规格和官方宣传信息。 行动: Search 小米17 Ultra 徕卡版 官方卖点观察 [1] Xiaomi 17 Ultra 徕卡版Xiaomi 17 Ultra 徕卡版方方面面尽徕卡。徕卡相机感设计徕卡经典红标中框精雕横滚花镌刻徕卡铭文。创新大师变焦环如相机般精密操控支持功能自定义时刻服务你的 ...[2] Xiaomi 17 Ultra 徕卡版立即购买-小米商城Xiaomi 17 Ultra 徕卡版 ; 299元. Xiaomi 17 Ultra 保值换新服务 · 299元 ; MiCare 无忧版已省500元. 加购后碎屏保升级为2年多次详见服务介绍 · 499元 ; 延长保1年349元. 性能 ...[3] 小米17 Ultra的最强卖点却成了用户退货的理由小米17 Ultra徕卡版因变焦环松动问题引发用户不满官方回应称是设计预留活动空间所致但未能消除质疑。该问题涉及产品设计、制造公差和用户体验。 --- 执行第 3 步 ---开始调用大模型调用大模型成功 Thought: 根据搜索结果小米最新的手机型号是小米17 Ultra 徕卡版。它的卖点包括徕卡相机感设计、徕卡经典红标、中框精雕横滚花、镌刻徕卡铭文以及创新的变焦环设计。虽然变焦环设计引发了一些用户的不满但官方解释这是设计预留的活动空间。因此可以确认小米17 Ultra 徕卡版是小米最新的手机其卖点主要集中在徕卡合作的高端相机体验和设计上。Action: Finish[小米最新的手机是小米17 Ultra 徕卡版。它的主要卖点包括徕卡相机感设计、徕卡经典红标、中框精雕横滚花、镌刻徕卡铭文以及创新的变焦环设计提供如相机般的精密操控体验。]思考根据搜索结果小米最新的手机型号是小米17 Ultra 徕卡版。它的卖点包括徕卡相机感设计、徕卡经典红标、中框精雕横滚花、镌刻徕卡铭文以及创新的变焦环设计。虽然变焦环设计引发了一些用户的不满但官方解释这是设计预留的活动空间。因此可以确认小米17 Ultra 徕卡版是小米最新的手机其卖点主要集中在徕卡合作的高端相机体验和设计上。 -- 变量 ---[ Finish[小米最新的手机是小米17 Ultra 徕卡版。它的主要卖点包括徕卡相机感设计、徕卡经典红标、中框精雕横滚花、镌刻徕卡铭文以及创新的变焦环设计提供如相机般的精密操控体验。], 小米最新的手机是小米17 Ultra 徕卡版。它的主要卖点包括徕卡相机感设计、徕卡经典红标、中框精雕横滚花、镌刻徕卡铭文以及创新的变焦环设计提供如相机般的精密操控体验。, index: 1, input: Finish[小米最新的手机是小米17 Ultra 徕卡版。它的主要卖点包括徕卡相机感设计、徕卡经典红标、中框精雕横滚花、镌刻徕卡铭文以及创新的变焦环设计提供如相机般的精密操控体验。], groups: undefined]最终答案小米最新的手机是小米17 Ultra 徕卡版。它的主要卖点包括徕卡相机感设计、徕卡经典红标、中框精雕横滚花、镌刻徕卡铭文以及创新的变焦环设计提供如相机般的精密操控体验。注意由于大模型能力的不同不确认我们的搜索结果也一样。我这里使用的是deepseek-v3-250324这个模型执行的结果。最后想看全部的代码请在这里查看https://github.com/javaswing/learn-agent/tree/feature/ts/chap4/ts总结本文通过对于 ReAct 范式的介绍并结合 HelloAgent一书中的例子进行了实践。对于 Agent的开发有了体感。征途刚刚开始。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】