自从做了这个智能体，我实现了带薪摸鱼（内附代码）

随着大语言模型(LLM)驱动的AI智能体(AI Agent)的兴起，我们的生活、工作和学习方式正在发生深刻的变化。这些AI智能体能够理解和生成人类语言，帮助我们完成各种任务，从简单的日常事务管理到复杂的决策制定。

你可以将AI智能体可以作为个人助手，管理日常生活。也可以帮你进行市场分析，预测销售趋势。当然，它也可以作为一个个性化的教师，根据学生的学习进度和理解能力，提供定制化的教学内容。

最近我就遇到了一件棘手的事情上—带新人。带新人也就是将自己经常面对的问题，以及问题的成熟解决方案教给徒弟，为了确保徒弟学会你的能力，要让他反复练习，不断提升能力。最后免不了还要根据进度考核一下新人是否合格。

说起来容易做起来难，如果你带的不是一个人而是一个团队探索新的业务场景，往往还要针对不同的学习进度，给予不同的要求和反馈。而这种传递经验、根据不同进度定制每个人的计划，反复的练习，刚好能发挥AI智能体的优势。但是只使用通用的大语言模型还不成。因为大模型不知道用户最经常问哪些问题，而且学习者也不知道自己的答案要在哪个方向上改进。这时候就需要利用插件功能做一定的限制和补充。而在评价的时候则需要持久化存储来记录学员的结论。用上统计分析的知识来螺旋提升新学员的能力。这些能力刚好可以用插件方式来弥补。

那么接下来我就以培训新的客服人员为例，带你用简单的5个步骤来搭建一套新客服学习系统。首先我们先来看看搭建之后的效果。

上图我为你展示了两个问答过程，第一个是让灵境矩阵通过智能体，选择一个客户经常问到的高频问题。第二个问答过程是模拟新员工回复客户问题；回复之后，从流畅度、清晰度、亲和力等关键评估方面进行评价。并对回答进行改进。新员工可以根据改进意见不断优化话术，提高自己的服务能力。

你看，如此强大的功能，也许会让你觉得需要很长的开发时间。 我从学习插件的文档，到搭建整套工具，花费不超过2个小时。是不是很强大？接下来我就把如何开发这一插件的过程，拆分成5个部分，分别是：

1. 模仿官方代码结构

2. 拆分需求实现openapi

3. 实现后端服务逻辑

4. 调试运行

5. 优化提示词

模仿官方代码结构

从截图不难看出，核心功能主要集中在三个文件中，分别是ai-plugin.json、openapi.yaml、demo_server.py，用形象但不严谨的说法来描述，它们三个的功能分别是：

ai-plugin.json	插件入口，描述插件的功能、和配置文件位置
openapi.yaml	哪些提示词能够触发插件，以及插件所在的URI和通讯方式
demo_server.py	服务端，接收大模型传过来的数据进行存储、处理和返回

我们知道，开发大模型插件的逻辑主要是：通过发送和截获聊天对话捕获用户需求，调用相应API获取数据或生成提示词，然后解析返回的内容或提示词，并将处理后的结果返回给用户。样例文件实现了基础逻辑，但是直接使用还是无法调用的。这也成为插件开发者第一个要面临的问题。既然我们要模仿样例，那么首先要让样例运行起来。

你需要对样例文件做如下修改：

...
"name_for_human": "插件公开名称",
"name_for_model": "面向模型的自然语言描述",
"api":{
        "url": "【改成你的服务器】/.well-known/openapi.yaml"
    },
    "logo_url": "【改成你的服务器】/logo.png",
... 

servers:    
    - url: 【改成你的服务器】

对"ai-plugin.json"的修改主要是关于插件本身的描述，如"name_for_human"项，是指面向用户介绍介绍插件的主要能力，简明扼要，不超过 100 个字符。而"name_for_model"项，则是用于模型参考解析是否触发插件，假如，你的插件总是出现误触发或者漏出发，