小白也能7天搞定AI Agent！手把手教学从0到1搭建智能体，效果炸裂（附代码）！

前言

近一年agent不断火热，或是大模型借助工具自助决策完成任务，或是通过静态编排的工作流自动顺序执行结果，让我们在处理相关任务时效率得到指数级提高。

尽管可以在很多智能体商店找到一些场景下的agent项目，但为了能够个性化满足自己的需求，最好还是可以自己了解、尝试搭建一些基础agent。

本篇就以扣子平台为例，给大家做个agent的入门介绍（其实各平台比如dify、n8n业务逻辑都大差不差，选择扣子是因为国内平台，好理解些）；

Agent 智能体

按学习新事物的惯例逻辑，主要会从agent的整体框架、组成部分逻辑角度进行展开，主要是回答为什么；对于怎么搭建，后面会专门写一些实战案例，也可以后续关注。

应用场景

先说下搭建的agent怎么用？拿扣子来说，很多人还是觉得在扣子搭建的智能体，只能在扣子商店或者字节系平台（扣子是字节推出的智能体开发平台）如豆包、飞书使用。

其实不然，agent在发布时是可以直接生成api和sdk的，这样想象空间就大了，有2个我们接触最多的场景，一是可以直接内嵌到微信公众号或微信客服消息中，通过公众号或微信好友的交互形式进行使用，非常贴合我们的使用习惯；

第二种就是直接对接到app中，通过调用api使其成为app的一个板块或功能，尤其是支持多模态的agent，音视频交互，在app里是不是想象力大增！

agent从搭建到使用主要由3个核心环节：业务逻辑编排（包括人设提示词）——调试预览——发布使用，在发布使用这个环节就可以生成上述说的对接其他平台的一些请求样式。

业务逻辑编排

知道应用场景后，就回到了核心怎么搭的问题，要了解怎么搭，最基础的肯定还是要了解agent编排的几个核心元素，在agent搭建中，有个常见公式即agent=llm（模型）+memory（含知识库、变量、数据库）+plugin（插件工具），最常用的其实也是这几个：

模型：

无疑是agent的核心和灵魂，如果说agent里有避不可少的一个元素，那就是模型了，像知识库、插件这些都是按需添加，但模型是必须的，哪怕只靠模型和提示词，也是可以做出一个简易bot，发布就能用。

在这个地方选择自己需要的模型进行添加，对应模型参数一般默认即可。

需要注意的是如果agnet里需要配置插件，那一定要选择带有function call或工具调用标记的模型，这个标记的意思是模型具有调用api、函数、工具来获取信息、执行操作或完成特定任务的能力。

插件：

这个比较容易理解，模型更像是一个大脑，但要解决问题，还是需要借用外部工具的能力，就像四肢一样，这些插件本质上就是由一个或多个api构成的，点击“+”号选择需要的插件即可。

知识库：

因为模型都是通过历史数据训练的，这些数据在训练时就已经固定。所以模型训练完后，其知识就停留在训练时的状态，无法自动获取训练之后的新信息。

这时候就需要给模型最新的知识获取入口，一种方法就是通过网络搜索插件，利用联网能力获取新内容，另一种就是知识库，把相关信息传递给模型。

另外在面对非公域信息时，如个人或公司内部私密的内容，这时候就只能用知识库了，哪怕是网络搜索之类的插件也无法解决这个问题。

在coze中用知识库也比较简单，点击+号先在知识库板块创建一个知识库，然后点击再在agent里添加即可；原理就是会对你提供的文档利用rag技术进行切片检索，信息重组，然后再通过模型生成相关信息给你，所以文档切片与召回策略配置对回答的效果匹配度就非常重要。

R：Retrieval（检索）：从知识库中找到与用户问题相关的内容；

A：Augmented（增强）：挑选出最相关的段落和信息，并把它们汇总整理；

G：Generation（生成）：大模型将整合的信息生成一个自然流畅的回答。

知识库设置保持默认即可，有几个参数简单解释下：

查询改写：是指根据对话历史对用户输入的内容进行优化或重构，从而更准确地捕捉真实的用户意图，提升信息检索的效率。大白话就是回答时不局限用户问的当前问题，而是会考虑前面用户问的几个问题当作上下文背景信息来回答。

结果重排：是指根据相关性或质量对检索到的文档切片进行重新排序，以提高生成答案的准确性和相关性；未开启结果重排时，节点输出的是向量检索的结果，根据匹配度从大到小排序；开启结果重排后，系统会将召回结果交由 Rerank 模型进行质量和相关性判断，对结果重新排序，将与输入问题最相关的内容排在前面。

变量：

变量用来存储动态变化的信息，配置变量后，在用户与agent的交互过程中，系统会自动识别与变量匹配的内容，并将其存储至变量中，可以在工作流等节点的环节读取检索和使用这些变量。

打开启用变量开关且勾选操作列后，表示启用变量并可以在智能体的人设与提示词中使用变量。

仅打开启用变量开关，未勾选操作列时，表示仅支持在工作流、插件中使用该变量。

工作流：

这是agent处理复杂任务的核心板块，本质是通过一系列可视化的形式将不同节点进行拖拽，实现解决任务的逻辑，可以添加模型节点、代码节点、数据库节点等等。

做这个工作流的核心前提还是自己要对需求任务的解决步骤sop明晰，怎么拆分任务、每个子任务通过工作流自动化、然后将多个子任务进行串联；平时可以多看商店市场里的工作流是怎么做的，无他，多练。后面也会进行一些工作流案例拆解分析。

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是激活成功教程困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

在这里插入图片描述

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

在这里插入图片描述

所有视频教程所涉及的实战项目和项目源码等
在这里插入图片描述

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

在这里插入图片描述

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【】

在这里插入图片描述

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用，大模型作为其中的重要组成部分，正逐渐成为推动人工智能发展的重要引擎。大模型以其强大的数据处理和模式识别能力，广泛应用于自然语言处理、计算机视觉、智能推荐等领域，为各行各业带来了革命性的改变和机遇。

在这里插入图片描述

在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。