大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



大家好，我是AI淇橦学。

上期我们做出了第一个能真正跑通的工具模块——读模板、填内容、保存文件，整个流程在终端里跑起来了。

但仔细想想，第3期的程序里其实没有任何「AI」——write_content 做的只是字符串替换，把【客户名称】换成「深圳科技有限公司」，这是最普通的文本处理，和 AI 没有关系。

这一期我们做两件事：

第一件：接入大模型 API，给 Agent 装上真正的 AI 大脑。 从这期开始，Agent 里的决策和理解，都由真实的大模型来完成。

第二件：给 Agent 装上记忆系统。 建立客户资料知识库，输入「深圳那家做传感器的」，大模型理解你的意思，找到对应客户，自动填写报价单。

做完这期，你会得到：

• 一个封装好的 llm.py 模块，可以调用国产大模型（本教程使用智谱 GLM 的 glm-4-flash）
• Agent 能记住你的使用偏好（不用每次重新配置）
• 客户资料知识库，用大模型做语义理解，输入关键词自动匹配客户
• 在终端里演示：说「深圳科技」，大模型理解后找到客户，自动完成报价单填写

---

在动手之前，先把一个底层概念说清楚，否则后面的设计你会看不懂为什么要这么做。

把 AI 的工作状态想象成一张桌面。你说的话、AI 的回复、工具执行的结果，全都摆在这张桌面上。

问题是：这张桌面面积有限。 内容太多，最早放上去的东西就会被推掉——AI 就「忘记」了。这个桌面大小叫「上下文窗口」，以 Token 计量（约 1 个汉字 = 1.5 个 Token），不同模型上限不同，但都有上限。

更关键的是：每次对话结束，桌面清空。 下次打开程序，是全新的空桌面，上次的一切不见了。

这就是 AI 「没有记忆」的本质——不是忘了，是根本没有地方存。

所以，要给 Agent 加记忆，必须由我们自己来设计「存在哪里、什么时候取出来用」。

---

记忆问题没有一个万能方案，针对不同场景有三种机制：

第一种：短期记忆

就是当次任务的上下文。Agent 在处理一份报价单的过程中，记住「已经填了哪些字段、还剩哪些没填」——任务完成后这些信息就可以丢弃了。这种记忆第3期的程序里已经天然存在，不需要额外设计。

第二种：长期记忆

把重要的配置信息存入本地文件，下次启动程序还在。比如：你的模板文件夹路径、日期格式偏好、默认报价有效期……这些信息不应该每次都要重新告诉 Agent。

第三种：知识库记忆（RAG）

你有几十个客户的资料，不可能每次都全部读进来让 AI 处理（Token 不够用）。RAG 的作用是：建一个可以搜索的客户资料库，你说「深圳科技」，它自动找到最匹配的客户信息。

这一期我们把第二种和第三种都做出来。

---

RAG = Retrieval Augmented Generation，检索增强生成。名字拗口，但思路很简单：

 一句话理解：在 AI 执行任务之前，先从你的资料库里找到最相关的内容，一起交给 AI 参考——让它基于真实资料工作，而不是靠猜。

用生活场景类比：你有一个装了几百份文件的档案柜。每次需要某份文件时，不是把整个档案柜搬给助理（搬不动），而是先在档案柜里找到最相关的那几份，只把这几份给助理参考。RAG 做的就是这件事——自动地、快速地从大量文档里找到最相关的内容。

RAG 的完整 5 步流程：

① 切片：把每份客户资料切成小段，保留「来自哪个文件」的信息

② 向量化：把每段文字转换成一串数字（向量），代表这段文字的「语义指纹」。语义相近的文字，数字也相近——「深圳科技有限公司」和「深圳那家做传感器的」的向量比「深圳科技」和「北京餐饮公司」的向量近得多

③ 存入向量数据库：把所有向量存进专门的数据库，建好索引。这步只做一次

④ 检索：你输入「深圳科技」，这句话也被转成向量，在数据库里找距离最近的片段

⑤ 生成：把找到的客户资料 + 你的指令一起交给 AI，AI 基于真实资料来填报价单

为什么不直接用关键词搜索？

关键词搜索只找包含完全相同词语的内容。你搜「深圳科技」，找不到备注里写的「那家做工业传感器的深圳客户」。

语义搜索理解含义——「深圳科技」「深圳那家传感器公司」「SZ科技」在语义上都很接近，都能被找到。对销售场景来说，你经常只记得客户的片段信息，语义搜索能帮你找到，关键词搜索找不到。

---

重要说明： 这一期我们需要调用大模型 API，会消耗少量 API 费用（建议预留 5-10 元测试预算）。如果你暂时不想花钱，可以跳过这一期，直接看第 5 期。

国产大模型有很多选择，推荐以下几款（任选其一即可）：

这期我以智谱 GLM 为例，使用 `glm-4.7 模型（其他模型流程类似，只是 API 调用方式不同）。

---

步骤 1：注册并获取 API Key

以智谱 GLM 为例：

1. 打开 智谱AI开放平台
2. 注册/登录账号
3. 进入「API Key 管理」
4. 创建新的 API Key，复制保存（只显示一次，务必保存好）

⚠️ 重要提示：API Key 相当于你的密码，不要泄露给他人，不要上传到公开的 GitHub 仓库。

---

步骤 2：封装 llm.py 模块

打开 Codex，，发送以下提示词：

---

 发给 Codex 的提示词（直接复制使用）：

GPT plus 代充 只需 145 

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

---

Codex 生成代码后，在终端里设置环境变量：

Windows:

1

set ZHIPU_API_KEY=你的API_Key

Mac/Linux:

GPT plus 代充 只需 145 

1

export ZHIPU_API_KEY=你的API_Key

然后运行测试：

1

python llm.py

如果看到正常的返回结果，说明 API 接入成功。

---

现在动手。我们在第3期的 sales-agent 项目基础上继续，不需要新建项目。

这期的实操分 4 步：

1. 建立长期记忆——用配置文件存偏好设置
2. 准备客户资料文件
3. 用 Codex 生成知识库模块（基于大模型的 RAG）
4. 测试：输入客户关键词，大模型自动匹配客户，完成报价单填写

---

第一步：建立长期记忆（配置文件）

把下面这段内容复制进去，根据你的实际情况修改：

GPT plus 代充 只需 145 

1

2

3

4

5

6

7

8

9

10

{
  "template_folder": "templates",
  "output_folder": "output",
  "date_format": "YYYY年MM月DD日",
  "currency_format": "人民币",
  "quote_validity_days": 30,
  "company_name": "你的公司名称",
  "salesperson_name": "你的名字",
  "contact_phone": "你的联系电话"
}

 把 公司名称、你的名字、联系电话 改成你自己的真实信息。这些信息会自动填入每份报价单。

这个文件就是 Agent 的「长期记忆」——每次启动程序，它都会先读取这个文件，知道你的偏好设置，不需要你重新告诉它。

---

第二步：准备客户资料文件

在 sales-agent 文件夹里新建一个子文件夹，命名为 customers。

然后在 customers 文件夹里新建一个文件 客户资料.json，把下面的内容复制进去（这是示例数据，之后可以换成你真实的客户）

当然，这个地方你也可以交给Codex去做，我这样是为了让你初次学习体验一下，你可以专门的创建一个客户资料，直接告诉Codex帮你保存就可以。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

[
  {
    "id": "C001",
    "company_name": "深圳科技有限公司",
    "contact_person": "李总",
    "contact_phone": "138-0001-0001",
    "industry": "工业传感器制造",
    "address": "广东省深圳市南山区科技园",
    "notes": "主要采购工业传感器套件，对价格敏感，付款周期30天",
    "last_quote": "2025-03-15",
    "preferred_products": ["XS-2000B传感器", "XS-3000控制模块"]
  },
  {
    "id": "C002",
    "company_name": "上海贸易集团",
    "contact_person": "王经理",
    "contact_phone": "139-0002-0002",
    "industry": "进出口贸易",
    "address": "上海市浦东新区陆家嘴",
    "notes": "批量采购为主，要求交货期不超过15天，开具增值税发票",
    "last_quote": "2025-04-20",
    "preferred_products": ["XS-1000基础套件"]
  },
  {
    "id": "C003",
    "company_name": "北京智能装备公司",
    "contact_person": "张总",
    "contact_phone": "136-0003-0003",
    "industry": "智能制造设备",
    "address": "北京市朝阳区望京",
    "notes": "注重产品稳定性和售后服务，预算充足，决策周期较长",
    "last_quote": "2025-05-01",
    "preferred_products": ["XS-3000控制模块", "XS-4000高精度套件"]
  }
]

 你之后可以随时往这个文件里加更多客户，每次加完，重新运行一次「建立知识库」的命令，新客户就会被纳入搜索范围。

你的文件夹结构现在应该是这样的：

GPT plus 代充 只需 145 

1

2

3

4

5

6

7

8

---

第三步：用 Codex 生成知识库模块（基于大模型）

打开 Codex，然后把下面这段提示词发给 Codex：

---

 发给 Codex 的提示词（直接复制使用）：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

---

Codex 直接生成并创建 memory.py。

测试知识库是否正常： 在终端里运行：

GPT plus 代充 只需 145 

1

python memory.py

你应该看到类似这样的输出：

---

第四步：把记忆系统接入主程序

现在把 memory.py 和第3期的 agent.py 连接起来，让整个流程变成：

输入客户关键词 → 大模型理解并搜索客户资料 → 自动填写报价单 → 保存新文件

打开 Codex 对话框，把下面这段提示词发给Codex（这次是修改 agent.py）：

---

 发给 Codex 的提示词（直接复制使用）：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

---

Codex 修改完 agent.py 后，在终端里运行：

GPT plus 代充 只需 145 

1

python agent.py

你会看到类似这样的交互过程：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

---

第五步：验收结果

运行完成后，做以下检查：

功能验收：

• 输入「深圳科技」能正确找到「深圳科技有限公司」
• 输入「上海贸易」能正确找到「上海贸易集团」
• 客户的名称、联系人、电话自动填入，无需手动输入
• 手动输入的字段（产品、金额）能正确填入对应位置
• output 文件夹里生成了新文件，文件名包含客户名和日期
• 原始模板文件内容未被修改
• customers/报价历史.json 里有本次操作的记录

现在你的 Agent 有了记忆： 它认识你的客户，知道你的配置偏好，用大模型理解你的意图，并且会记录每次报价历史。

---

情况一：搜索结果不准确，找到了错误的客户

在 Codex 对话框里说：「search_customer_with_llm 搜索『深圳科技』时返回了错误的客户，请优化提示词，要求大模型仔细对比 company_name 和 notes 字段」

情况二：API 调用失败，提示认证错误

检查环境变量是否设置正确：

GPT plus 代充 只需 145 

1

2

3

4

5

# Windows
echo %ZHIPU_API_KEY%
 
# Mac/Linux
echo $ZHIPU_API_KEY

确认 API Key 没有过期，且有足够的额度。

情况三：大模型返回格式不正确

在 Codex 对话框里说：「大模型返回的内容不是纯客户ID，而是一段话，请优化提示词，强调只返回客户ID（如 C001），不要返回其他内容」

情况四：客户资料.json 读取失败

确认文件路径：customers/客户资料.json，注意文件夹名是 customers，JSON 格式要正确（可以把文件内容粘贴到 jsonlint.com 检查格式是否正确）

情况五：日期格式显示不对

在 Codex 对话框里说：「报价日期显示的是 2025-06-15 这种格式，但我希望是 2025年6月15日，请修改日期格式化的代码，读取 config.json 里的 date_format 配置来决定格式」

---

这期你给 Agent 做了三件事：

第一件：接入了国产大模型 API

• 封装了 llm.py 模块，可以调用智谱 GLM/豆包/通义千问等国产大模型
• 本教程使用智谱 GLM 的 glm-4-flash 模型，不依赖 SDK，直接用 requests 调用
• 从此以后，Agent 的决策和理解都由真实的大模型来完成，不再是简单的字符串替换

第二件：装上了两层记忆

• 长期记忆（config.json）：记住你的配置偏好，每次启动自动加载
• 客户知识库（RAG）：存放客户资料，用大模型做语义理解，输入关键词自动匹配

第三件：实现了智能客户搜索

• 你输入「深圳科技」或「那家做传感器的」，大模型理解你的意思
• 从客户资料库里找到最匹配的客户，自动填入报价单

现在的流程是：你输入客户关键词 → 大模型理解并搜索客户 → 自动填入已知信息 → 你只需要补充产品和金额 → 生成报价单。

坦白说，做完这个功能之后，我觉得效率提升挺明显的。以前每次都要改代码里的客户信息，现在只需要输入一个模糊的关键词，大模型就能理解并自动匹配，省了不少时间。

这个方案特别适合的场景：

• 客户数量超过 10 个，经常需要复用客户信息
• 客户信息比较复杂（公司名、联系人、地址、备注等）
• 你经常只记得客户的部分信息（比如「深圳那家做传感器的」）
• 需要大模型理解你的自然语言表达，而不是精确匹配关键词

但现在还有一个问题：每次只能处理一个客户。如果你有 10 份报价单要做，还是要跑 10 次程序。下期我们来解决这个问题——给 Agent 加上规划能力，让它自己制定计划、批量处理多份报价单，你只需要告诉它「帮我处理这 10 个客户的报价单」，它自己把事情做完。

---

下期预告： 现在你每次只能处理一个客户。如果你有一批客户要同时出报价单，Agent 能不能自己规划步骤、批量搞定？第5期我们来做这件事——让 Agent 学会「自己想清楚要做什么，再去做」，从「你推一步它走一步」变成「你说目标，它自己做完」。

思考题： 你试着往 客户资料.json 里加了你真实的客户信息吗？用大模型搜索的时候准确吗？你用的是哪款国产大模型？体验如何？评论告诉我。

---

关注公众号「AI淇橦学」，和 AI 一起成长。

有问题或建议？后台留言即可。