企业官网建设流程全解析

js网站开发工具,阿里云服务器建网站,济南网站建设费用,网站开发 前端vue 后端c本章目标#xff1a; 我们需要理解什么时AI Agent#xff0c;以及如何让LLM变得能干#xff1b;掌握使用DeepSeek开发Agent的基本方式#xff1a;工具调用和ReAct范式#xff1b;学习如何特定任务#xff08;如小红书文案#xff09;设计Agent的工作逻辑和Prompt提示词…本章目标我们需要理解什么时AI Agent以及如何让LLM变得能干掌握使用DeepSeek开发Agent的基本方式工具调用和ReAct范式学习如何特定任务如小红书文案设计Agent的工作逻辑和Prompt提示词最终打造出小红书文案智能助手。Agent理论基础与开发入门在当今互联网的背景下LLM大语言模型的能力已经很强大了那么为什么还是需要Agent呢这需要参考LLM和Agent的主要功能上的区别LLM大语言模型擅长理解和生成文本但是响应通常都是一次性的响应你问一句它答一句Agent智能体不仅仅是对话他是一个有自主规划使用工具并根据环境反馈采取行动的系统。使用Agent可以让LLM从一个简单的聊天机器人进化成可以完成复杂任务的智能助理。Agent基本概念与特点自主性Agent可以在没有认为干预的情况下根据设定的目标和当前环境自主地做出决策和执行动作感知Agent可以通过各种传输方式如文本传输API返回传感器数据感知其所处的环境和状态行动Agent能够执行一系列动作来改变环境或达成目标。这些动作可能包括调用API执行代码。生成文本与其他系统交互等目标导向Agent的所有行为都是为了实现一个或多个预定的目标。最简单的AI Agent核心组件Agents通过传感器收集各类的数据借助推理引擎提出合理解决方案并通过控制系统执行动作以此提升能力。Agent核心能力和独特优势复杂任务分解与规划LLM可以将大目标拆分为一个个可以执行的小步骤能够动态调整计划以应对意外情况工具使用Agent可以赋予各种工具能力LLM负责合适使用工具长期记忆与学习通过外部记忆模块如向量数据库Agent可以存储和检索过期的经验知识和历史对话从而实现更连贯的交互和持续学习自主性与适应性Agent能够在没人干预情况下根据环境变化和任务进展推荐工作与外部世界交互不在局限于文本生成Agent可以通过工具实际影响和改变外部系统和获取外部信息。Agent开发核心技术栈Agent开发流程和关键模块分析定义目标与范围Agent要完成什么具体任务任务的边界和约束是什么选择核心LLM选择一个具备良好的指令遵循能力推理能力和工具使用能力的LLM。设计Agent架构核心逻辑/控制器负责驱动整个Agent的运行流程规划模块LLM思考如何分解任务并提供调用接口工具集定义Agent可以使用的工具并提供调用接口记忆执行短期记忆历史对话长期记忆知识库行动执行器实际执行LLM决定的动作。工具开发与集成为了Agent需要的每个功能开发或者封装为一个工具确保LLM能够理解工具的描述输入输出格式。提示词工程设计精良的Prompt至关重要来引导LLM进行思考规划工具选择和最终输出Prompt建议包含Agent角色目标可用工具描述输出格式要求思考链模板等。记忆机制实现选择合适的记忆存储如简单的列表向量数据库。测试评估与迭代在各种场景测试Agent 的表现评估其任务完成率效率鲁棒性根据测试结果不断优化Prompt工具计划逻辑等。DeepSeek Agent开发入门Agent基本概念回顾不仅仅是语言模型而是具备感知规划决策执行反思能力的智能体核心要素LLM大脑工具双手记忆经验规划与反思思维DeepSeek Agent 的特点与优势强大的推理能力DeepSeek模型在复杂逻辑推理和多步骤任务处理上表现出色灵活的工具调用无缝集成外部API函数扩展LLM的能力边界高效的任务执行循环通过迭代的思考-行动-观察循环逐步逼近目标易于开发与部署提供友好的接口和框架降低Agent开发门槛。Agent核心架构与工作流用户指令输入接收用户的任务需求意图理解与规划LLM核心DeepSeek模型分析用户意图将其分解为一系列可执行的子任务生成初步的执行计划和步骤工具选择与调用根据规划的子任务智能选择最合适的外部工具Function Calling构造工具调用参数并执行。结果观察与反思接收工具执行结果DeepSeek模型对结果进行评估和分析是否达到预期是否有新的信息是否需要调整计划循环与迭代基于反思结果修正计划再次进入工具选择与调用阶段直至任务完成或者达到终止条件。最终输出将任务结果以用户可理解的方式呈现。Prompt核心作用指定DeepSeek Agent行为设定其能力边界和目标的关键如果Agent的操作系统。DeepSeek Prompt的核心组成System Prompt角色与全局设定定义Agent 身份专业领域基本行为准则和总体目标User Promp任务指令用户具体输入的任务需求Tool Description工具描述在system或tools参数中详细描述可用工具的功能参数和用途。Few-shot Examples示例引导提供输入-输出的少量示例帮助大模型理解复杂任务模式或者特点的行为规范。import os from openai import OpenAI # 从环境变量中获取 API 密钥 api_key os.getenv(DEEPSEEK_API_KEY) if not api_key: raise ValueError(DEEPSEEK_API_KEY environment variable not set) # 初始化DeepSeek客户端 client OpenAI( api_keyapi_key, base_urlhttps://api.deepseek.com/v1, ) # 1. 先定义 tools解决作用域问题 tools [ { type: function, function: { name: get_weather, description: Get weather of a location, the user should supply a location first, parameters: { type: object, properties: { location: { type: string, description: The city and country, e.g. Shanghai, CN, } }, required: [location] }, } }, ] # 2. 定义 send_messages 函数此时 tools 已定义 def send_messages(messages): response client.chat.completions.create( modeldeepseek-chat, messagesmessages, toolstools, # 引用已定义的 tools tool_choiceauto # 显式指定自动选择工具可选增强稳定性 ) return response.choices[0].message # 3. 执行核心逻辑 # 初始化用户消息 messages [{role: user, content: Hows the weather in Shanghai?}] print(fUser\t {messages[0][content]}) # 第一步调用触发工具调用 message send_messages(messages) # 检查是否有工具调用增加容错 if hasattr(message, tool_calls) and message.tool_calls: tool message.tool_calls[0] print(fTool Call\t {tool.function.name} (参数: {tool.function.arguments})) # 将模型的工具调用消息加入对话上下文 messages.append(message) # 模拟工具调用结果修复 role 格式正确为 function 类型的响应 tool_response { role: function, # 关键tool 响应的 role 应为 function name: tool.function.name, # 必须指定调用的函数名 tool_call_id: tool.id, content: 24℃ } messages.append(tool_response) # 第二步调用传入工具结果获取最终回答 final_message send_messages(messages) print(fModel\t {final_message.content}) else: # 兜底模型未触发工具调用时直接返回结果 print(fModel\t {message.content})function_call.ipynbDeepSeek小红书文案import os from openai import OpenAI # 建议将 API Key 设置为环境变量避免直接暴露在代码中 # 从环境变量获取 DeepSeek API Key api_key os.getenv(DEEPSEEK_API_KEY) if not api_key: raise ValueError(请设置 DEEPSEEK_API_KEY 环境变量) # 初始化 DeepSeek 客户端 client OpenAI( api_keyapi_key, base_urlhttps://api.deepseek.com/v1, # DeepSeek API 的基地址 ) SYSTEM_PROMPT 你是一个资深的小红书爆款文案专家擅长结合最新潮流和产品卖点创作引人入胜、高互动、高转化的笔记文案。 你的任务是根据用户提供的产品和需求生成包含标题、正文、相关标签和表情符号的完整小红书笔记。 请始终采用Thought-Action-Observation模式进行推理和行动。文案风格需活泼、真诚、富有感染力。当完成任务后请以JSON格式直接输出最终文案格式如下 json { title: 小红书标题, body: 小红书正文, hashtags: [#标签1, #标签2, #标签3, #标签4, #标签5], emojis: [✨, , ] } 在生成文案前请务必先思考并收集足够的信息。 TOOLS_DEFINITION [ { type: function, function: { name: search_web, description: 搜索互联网上的实时信息用于获取最新新闻、流行趋势、用户评价、行业报告等。请确保搜索关键词精确避免宽泛的查询。, parameters: { type: object, properties: { query: { type: string, description: 要搜索的关键词或问题例如最新小红书美妆趋势或深海蓝藻保湿面膜 用户评价 } }, required: [query] } } }, { type: function, function: { name: query_product_database, description: 查询内部产品数据库获取指定产品的详细卖点、成分、适用人群、使用方法等信息。, parameters: { type: object, properties: { product_name: { type: string, description: 要查询的产品名称例如深海蓝藻保湿面膜 } }, required: [product_name] } } }, { type: function, function: { name: generate_emoji, description: 根据提供的文本内容生成一组适合小红书风格的表情符号。, parameters: { type: object, properties: { context: { type: string, description: 文案的关键内容或情感例如惊喜效果、补水保湿 } }, required: [context] } } } ] #%% md ### 3.3 模拟工具实现 由于我们无法直接调用真实的外部 API (如Google Search或内部产品数据库)我们将创建一些模拟 (Mock) 工具函数来演示 Agent 的工作流程。在实际应用中您需要将这些模拟函数替换为真实的 API 调用。 import random # 用于模拟生成表情 import time # 用于模拟网络延迟 def mock_search_web(query: str) - str: 模拟网页搜索工具返回预设的搜索结果。 print(f[Tool Call] 模拟搜索网页{query}) time.sleep(1) # 模拟网络延迟 if 小红书美妆趋势 in query: return 近期小红书美妆流行多巴胺穿搭、早C晚A护肤理念、伪素颜妆容热门关键词有#氛围感、#抗老、#屏障修复。 elif 保湿面膜 in query: return 小红书保湿面膜热门话题沙漠干皮救星、熬夜急救面膜、水光肌养成。用户痛点卡粉、泛红、紧绷感。 elif 深海蓝藻保湿面膜 in query: return 关于深海蓝藻保湿面膜的用户评价普遍反馈补水效果好吸收快对敏感肌友好。有用户提到价格略高但效果值得。 else: return f未找到关于 {query} 的特定信息但市场反馈通常关注产品成分、功效和用户体验。 def mock_query_product_database(product_name: str) - str: 模拟查询产品数据库返回预设的产品信息。 print(f[Tool Call] 模拟查询产品数据库{product_name}) time.sleep(0.5) # 模拟数据库查询延迟 if 深海蓝藻保湿面膜 in product_name: return 深海蓝藻保湿面膜核心成分为深海蓝藻提取物富含多糖和氨基酸能深层补水、修护肌肤屏障、舒缓敏感泛红。质地清爽不粘腻适合所有肤质尤其适合干燥、敏感肌。规格25ml*5片。 elif 美白精华 in product_name: return 美白精华核心成分是烟酰胺和VC衍生物主要功效是提亮肤色、淡化痘印、改善暗沉。质地轻薄易吸收适合需要均匀肤色的人群。 else: return f产品数据库中未找到关于 {product_name} 的详细信息。 def mock_generate_emoji(context: str) - list: 模拟生成表情符号根据上下文提供常用表情。 print(f[Tool Call] 模拟生成表情符号上下文{context}) time.sleep(0.2) # 模拟生成延迟 if 补水 in context or 水润 in context or 保湿 in context: return [, , , ✨] elif 惊喜 in context or 哇塞 in context or 爱了 in context: return [, , , ] elif 熬夜 in context or 疲惫 in context: return [, ‍, , ] elif 好物 in context or 推荐 in context: return [✅, , ⭐, ️] else: return random.sample([✨, , , , , , , , ], kmin(5, len(context.split()))) # 将模拟工具函数映射到一个字典方便通过名称调用 available_tools { search_web: mock_search_web, query_product_database: mock_query_product_database, generate_emoji: mock_generate_emoji, } import json import re def generate_rednote(product_name: str, tone_style: str 活泼甜美, max_iterations: int 5) - str: 使用 DeepSeek Agent 生成小红书爆款文案。 Args: product_name (str): 要生成文案的产品名称。 tone_style (str): 文案的语气和风格如活泼甜美、知性、搞怪等。 max_iterations (int): Agent 最大迭代次数防止无限循环。 Returns: str: 生成的爆款文案JSON 格式字符串。 print(f\n 启动小红书文案生成助手产品{product_name}风格{tone_style}\n) # 存储对话历史包括系统提示词和用户请求 messages [ {role: system, content: SYSTEM_PROMPT}, {role: user, content: f请为产品「{product_name}」生成一篇小红书爆款文案。要求语气{tone_style}包含标题、正文、至少5个相关标签和5个表情符号。请以完整的JSON格式输出并确保JSON内容用markdown代码块包裹例如json{{...}}。} ] iteration_count 0 final_response None while iteration_count max_iterations: iteration_count 1 print(f-- Iteration {iteration_count} --) try: # 调用 DeepSeek API传入对话历史和工具定义 response client.chat.completions.create( modeldeepseek-chat, messagesmessages, toolsTOOLS_DEFINITION, # 告知模型可用的工具 tool_choiceauto # 允许模型自动决定是否使用工具 ) response_message response.choices[0].message # **ReAct模式处理工具调用** if response_message.tool_calls: # 如果模型决定调用工具 print(Agent: 决定调用工具...) messages.append(response_message) # 将工具调用信息添加到对话历史 tool_outputs [] for tool_call in response_message.tool_calls: function_name tool_call.function.name # 确保参数是合法的JSON字符串即使工具不要求参数也需要传递空字典 function_args json.loads(tool_call.function.arguments) if tool_call.function.arguments else {} print(fAgent Action: 调用工具 {function_name}参数{function_args}) # 查找并执行对应的模拟工具函数 if function_name in available_tools: tool_function available_tools[function_name] tool_result tool_function(**function_args) print(fObservation: 工具返回结果{tool_result}) tool_outputs.append({ tool_call_id: tool_call.id, role: tool, content: str(tool_result) # 工具结果作为字符串返回 }) else: error_message f错误未知的工具 {function_name} print(error_message) tool_outputs.append({ tool_call_id: tool_call.id, role: tool, content: error_message }) messages.extend(tool_outputs) # 将工具执行结果作为 Observation 添加到对话历史 # **ReAct 模式处理最终内容** elif response_message.content: # 如果模型直接返回内容通常是最终答案 print(f[模型生成结果] {response_message.content}) # --- START: 添加 JSON 提取和解析逻辑 --- json_string_match re.search(rjson\s*(\{.*\})\s*, response_message.content, re.DOTALL) if json_string_match: extracted_json_content json_string_match.group(1) try: final_response json.loads(extracted_json_content) print(Agent: 任务完成成功解析最终JSON文案。) return json.dumps(final_response, ensure_asciiFalse, indent2) except json.JSONDecodeError as e: print(fAgent: 提取到JSON块但解析失败: {e}) print(f尝试解析的字符串:\n{extracted_json_content}) messages.append(response_message) # 解析失败继续对话 else: # 如果没有匹配到 json 块尝试直接解析整个 content try: final_response json.loads(response_message.content) print(Agent: 任务完成直接解析最终JSON文案。) return json.dumps(final_response, ensure_asciiFalse, indent2) except json.JSONDecodeError: print(Agent: 生成了非JSON格式内容或非Markdown JSON块可能还在思考或出错。) messages.append(response_message) # 非JSON格式继续对话 # --- END: 添加 JSON 提取和解析逻辑 --- else: print(Agent: 未知响应可能需要更多交互。) break except Exception as e: print(f调用 DeepSeek API 时发生错误: {e}) break print(\n⚠️ Agent 达到最大迭代次数或未能生成最终文案。请检查Prompt或增加迭代次数。) return 未能成功生成文案。 # 测试案例 1: 深海蓝藻保湿面膜 product_name_1 深海蓝藻保湿面膜 tone_style_1 活泼甜美 result_1 generate_rednote(product_name_1, tone_style_1) print(\n--- 生成的文案 1 ---) print(result_1) # 测试案例 2: 美白精华 product_name_2 美白精华 tone_style_2 知性温柔 result_2 generate_rednote(product_name_2, tone_style_2) print(\n--- 生成的文案 2 ---) print(result_2)