本文介绍了Agent在大模型中的应用场景和搭建方法。Agent通过LLM模型、插件工具、知识库等核心元素实现业务逻辑编排，可高效完成任务。文章详细解释了模型、插件、知识库、变量和工作流的作用及配置方法，建议新手从简易Bot开始逐步深入。Agent可生成API和SDK，方便嵌入微信、App等平台。本文适合想要了解和尝试搭建Agent的小白程序员学习。
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）；
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。
入手建议
对于新手小白，建议可以先从简易bot开始上手，只依靠模型和提示词，体验到高效率带来的快感；然后再往里添加插件、知识库等；再逐渐结合基础工作流，一步步往丰富工作流，最终做出多逻辑的复杂agent。
最后
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？
答案只有一个：人工智能（尤其是大模型方向）
当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。
再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。
如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！
下面是我整理的大模型学习资源，希望能帮到你。
👇👇扫码免费领取全部内容👇👇
最后
1、大模型学习路线
2、从0到进阶大模型学习视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）
4、 AI大模型最新行业报告
2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
5、面试试题/经验
【大厂 AI 岗位面经分享（107 道）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
6、大模型项目实战&配套源码
适用人群
四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
-
硬件选型
-
带你了解全球大模型
-
使用国产大模型服务
-
搭建 OpenAI 代理
-
热身：基于阿里云 PAI 部署 Stable Diffusion
-
在本地计算机运行大模型
-
大模型的私有化部署
-
基于 vLLM 部署大模型
-
案例：如何优雅地在阿里云私有部署开源大模型
-
部署一套开源 LLM 项目
-
内容安全
-
互联网信息服务算法备案
-
…
👇👇扫码免费领取全部内容👇👇
3、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
3712
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
