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。



本文完整展示如何从 0 到 1 手搓一个 AI Agent 的搭建过程。

在具体动手实操的过程中，重点为大家展示从需求分析到如何搭建。

需求分析中包含如何识别 AI 提效场景和、梳理提效场景流程。

如何搭建中包含工作流创建、智能体创建、智能体发布。

接下来，将结合实际Demo， 从整体架构到核心模块的实现，完整展现一个多Agent协同系统的开发过程。

下面以Demo中的几个典型Agent为例，详细介绍设计思路与实现方式，基于Eino框架快速落地多智能体协作系统。

智能体规划 Agent 使用经典的ReAct框架实现。

能够检索目的地的景点介绍、游玩攻略、美食推荐等内容。在此之上，通过增加了 Lambda:user_input 节点等待用户下一轮对于行程规划的建议和追问。

深度搜索 Agent 利用大模型对复杂问题进行多角度分析，边推理边搜索。

在执行流程内部，通过 ChatModel:think 进行问题分析，并判断上下文的资料是否足够回答用户问题，

如果不够那么输出关键词借助搜索工具获取资料补充上下文，

如果足够，通过 ChatModel:summary 模型，输出对于问题的分析总结报告。

这种设计让意图识别Agent具备了高度的灵活性和可扩展性。

• 一方面，它能够根据用户需求动态选择并 对接不同类型的下游专家Agent，实现多智能体间的高效协作与任务流转；
• 另一方面，专家Agent采用标准化A2A协议进行封装，具备天然的可插拔能力，通过AgentCard描述能力让意图识别Agent进行判断当前的任务类型， 支持在系统运行时无缝添加、替换或扩展新的专家Agent。

Connector是A2A多Agent系统实现"能力复用"和"生态扩展"的关键。

它的核心目标是将标准化的Agent能力，通过协议适配、接口封装等方式， 快速对接到不同的外部平台和应用场景，实现"写一次，处处可用"。

• 解耦：

Agent本身只关注业务逻辑和A2A协议实现，不直接依赖于任何具体平台。Connector负责协议转换、消息编解码、上下游适配，最大程度 降低Agent与外部生态的耦合度。

• 标准：

所有对接均基于A2A协议的标准输入输出格式， 保证能力的可组合性和可迁移性。无论是对接IM、Web、App还是第三方API，均通过统一的协议层进行交互。

• 可扩展：

Connector采用插件化、模块化设计，支持按需扩展新的平台适配器。只需实现对应的适配接口，即可将Agent能力无缝接入新的生态系统。

通过实现 OpenAI 兼容的 Connector，将 Agent 能力以标准chat/completion协议对外暴露。

可以直接在 Cherry Studio 客户端中便捷地接入和调试 Agent，实时体验其交互效果与能力表现，极大提升了开发和测试的效率与直观性。

1. 实现 chat/completion 接口，获取 model 作为 Agent 名字，调用 A2AServer ，将任务执行结果，使用 SSE 协议流式输出到 chat/completion 响应里

func (s *Server) chatHandler(c *gin.Context) ) return } else if err != nil { c.AbortWithStatusJSON(http.StatusBadRequest, gin.H{"error": err.Error()}) return } var foundAgent bool var agentConfig config.AgentConfig for _, agent := range config.GetMainConfig().OpenAIConnector.Agents } if !foundAgent { c.AbortWithStatusJSON(http.StatusBadRequest, gin.H{"error": fmt.Sprintf("agent %s not found", req.Model)}) return } ch := make(chan any) go func() { defer close(ch) initMessage := protocol.Message{ Role: "user", Parts: []protocol.Part{protocol.NewTextPart(req.Messages[len(req.Messages)-1].Content)}, } // 客户端 a2aClient, err := a2aclient.NewA2AClient(agentConfig.ServerURL, a2aclient.WithTimeout(time.Minute*10)) if err != nil { ch <- gin.H{"error": err.Error()} return } taskChan, err := a2aClient.StreamTask(c, protocol.SendTaskParams{ ID: taskID, Message: initMessage, }) if err != nil { ch <- gin.H{"error": err.Error()} return } for v := range taskChan { switch event := v.(type) { case protocol.TaskStatusUpdateEvent: handleTaskStatusUpdateEvent(c, req, ch, event) } } res := api.ChatResponse{ Model: req.Model, CreatedAt: time.Now().UTC(), Message: api.Message{Role: "assistant", Content: ""}, Done: true, DoneReason: "stop", } ch <- res }() // 流式返回数据 streamResponse(c, ch) } 

配置 Cherry Studio 模型，连接 connector 服务

数据看板：通过 Dashboard ，可以实时查看LLM应用的质量、成本、延迟等多维度指标，全面监控和分析智能体系统的运行状态。

接下来进入了实操环节，在 Coze 上如何一步步的搭建这个 AI Agent（智能体）。

整个搭建过程分为工作流搭建、智能体搭建。

先做一个工作流，把我们上一步的流程在工作流中创建。

然后在创建一个智能体，将工作流嵌入进去。

首先，我们开始搭建工作流。

先点击 “资源库” ，鼠标停在右侧的 “资源” 上，点击 “工作流” 。

在弹出的如下界面中，填写 “工作流名称” 和 “工作流描述”

点击“确认”后，进入一个空白页面，根据我们前面梳理的流程图，开始用 Coze 的组件编辑流程。

编辑好的流程如下：

“开始”和“结束”的节点是必须的，创建的时候默认就有，也不能删除，从“开始”到“结束”之间必须要有连线，没有连线，就相当于现实中两个地方之间没有路，没有路就没法走。

在一开始的时候，点击每个流程节点的右侧的圆圈，可以出现下图的窗口。

在这个素材采集的流程中，我们会用到大模型、插件（就是前面我们说的工具，用于与其他系统做交互的）、代码（可以在个节点编写代码）。

接下来，我们看一下每个流程节点是怎么做的。

2.1.1开始

下图中的“开始”节点，在右侧的配置那里是没有输出，它主要是为这个工作启动准备数据。

这个例子我们设定了一个变量名 url，智能体在调用这个工作流的时候，会自动从聊天内容中获取到 url ，传给它。

2.1.2工具：抓取内容

红框 1：是插件，“工具：抓取内容”是在这个节点我自己定义的名称。

它的作用是给它一个 url ，它会把这个 url 页面的内容帮你抓取出来。

红框 2：点击“插件详情”，可以查看这个插件的详细介绍，以及输入和输出的介绍。

除了开始结束，每个节点都有输入和输出，输入和输出的参数都不一样。

红框 3：是插件的输入，“*”是必须要填写的。

url 就是我们需要“开始”节点中定义的 url。

红框 4：是插件的输出，每一项都是一个数据变量。

在后面的节点中会引用，具体每个变量什么意思，一个是看插件中的说明，此外可以从英文也可以看出大体意思。这个例子可以看到 title 就是 url 中文章中的标题，content 就是 url 中的文章内容。

2.1.3大模型：总结文章

这个节点就是大模型的配置，在这里需要大模型帮我总结文章内容，提炼文章关键词。

红框 1：此处可以选择不同的模型来处理。

不同的提示词在不同的模型下表现有时候是不一致的，所以这里需要注意的是在当前这个场景下根据大模型的特点，选定模型后，再去写系统提示词和用户提示词。

红框 2：输入，可以将上个节点输出的参数标题和内容传到这里。

红框 4：输出，是大模型的返回输出，大模型返回的都是字符串。

在这里，输出可以定义格式，这里我选择的是 JSON，因为方便后面来引用，但是输出如果是 JSON，需要我们在红框 3 的提示词中定义输出结构。

系统提示词：

主要描述的是如果你把大模型看成一个你目前需要它帮助的人。

它是什么角色，应该具备什么技能，你需要它按照什么格式回复给你。

所以看到在提示词中的技能 2，约定了大模型输出格式是 JSON，并给出了示例，

并且 JSON 中的定义的 summary 和 tags 与上面输出格式中定义的名称一样。

用户提示词：

就是你需要大模型回答的具体问题了。

因为这里我在系统提示词中已经定义了需要大模型帮我们干什么，所以这里我就只把标题和内容放在这里。

{{}}中的放的是上面输入中定义的参数。

2.1.4工具：转为JSON

在这里的工具用的是代码，因为需要将前面的标题、内容、标签等转换成一个 JSON 格式，所以只能用代码进行转换。

那么这个JSON格式具体内容取决于下一个节点“工具：保存到飞书”用到的插件中的说明。

可以看一下这个插件详细说明中的参数 records 类型是一个数组，数组中的 fields 对应的就是飞书表格中每一列的列名。

下图为add_records介绍：

飞书多维表格：

继续看看“工具：转为JSON”的配置，这是一个“代码”节点。

红框 2：输入区域，可以增加多个参数。

每个参数都可以调用前面节点的参数，它也是红框 4 中代码中传入的参数。

红框 3：输出区域。

参数设定需要和红框 4 代码中返回的参数保持一致。

上图红框 4 中的代码。

可以看到具体的传入参数和输出参数在代码中的体现。

Python 代码片段，类似的需要做数据转换的，都可以采用这个代码片段，只需要替换传入的参数和输出的参数就可以。

GPT plus 代充 只需 145# 在这里，您可以通过 ‘args’ 获取节点中的输入变量，并通过 'ret' 输出结果 # 'args' 和 'ret' 已经被正确地注入到环境中 # 下面是一个示例，首先获取节点的全部输入参数params，其次获取其中参数名为‘input’的值： # params = args.params; # input = params.input; # 下面是一个示例，输出一个包含多种数据类型的 'ret' 对象： # ret: Output = { "name": ‘小明’, "hobbies": [“看书”, “旅游”] }; import jsonasyncdef main(args: Args) -> Output: params = args.params # 构建输出对象 ret = { "record_info": [{ "fields": { "title": params['title'], "summary": params['summary'], "tags": params['tags'], "content": params['content'], } }] } return ret 

2.1.5工具：保存到飞书

这个节点就是前面已经提到的“飞书多维表格”的保存数据的插件。

红框 2：参数名中app_token

（打开创建好的飞书多维表格，复制 url 到此处）和 records（选择前面转为 JSON 节点输出的 record_info）是必须要填写的。

2.1.6结束

最后一个节点，主要是返回内容，它分两种方式，一种方式为返回变量，另外一种方式为返回文本。

返回变量模式下，

工作流运行结束后会以 JSON 格式输出所有返回参数，适用于工作流绑定卡片或作为子工作流的场景。

返回文本模式下，

工作流运行结束后，智能体中的模型将直接使用指定的内容回复对话。

下一步来创建智能体，将工作流引入到智能体中。

什么是 AI 智能体，就是给智能体一个目标，它自己会根据当前的认知能力，自主规划，自主调用工具，最终达到目标。

用“素材收集”的智能体例子来说

假如还引入了短视频平台的视频收集工作流，那么这个智能体会根据我们发送的内容，自动识别，是调用文章收集的工作流，还是视频收集的工作流。

回到这个智能体的创建上来，根据下图提示，创建智能体。

创建后会进到如下页面。

红框 1：和标题写的一样，人设和回复逻辑。

就是定义这个智能体的角色、技能、如何回复等信息，来指导大模型可以干哪些事情，怎么干，不能干哪些等。

红框 2：我们只介绍一下这个智能体用到的。

就是工作流，我们可以将上面我们创建的工作增加上去，这样我们和智能体聊天的时候，发给它一个链接，他会调用我们上面做的工作流，将内容进行总结，保存到飞书中。

红框 3：可以直接与我们做的智能体进行聊天测试了。

到这里，智能体工作流已做好，测试没有问题后，可以点击发布了。

发布的时候，AI 会帮我们自动填写这些信息，我们可以根据实际情况进行修改，点击确定，可以选择发布到的平台。

AI行业迎来前所未有的爆发式增长：从DeepSeek百万年薪招聘AI研究员，到百度、阿里、腾讯等大厂疯狂布局AI Agent，再到国家政策大力扶持数字经济和AI人才培养，所有信号都在告诉我们：AI的黄金十年，真的来了！

在行业火爆之下，AI人才争夺战也日趋白热化，其就业前景一片蓝海！

我给大家准备了一份全套的《AI大模型零基础入门+进阶学习资源包》，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。😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓

人才缺口巨大

人力资源社会保障部有关报告显示，据测算，当前，*我国人工智能人才缺口超过500万，*供求比例达1∶10。脉脉最新数据也显示：AI新发岗位量较去年初暴增29倍，超1000家AI企业释放7.2万+岗位……

单拿今年的秋招来说，各互联网大厂释放出来的招聘信息中，我们就能感受到AI浪潮，比如百度90%的技术岗都与AI相关！

就业薪资超高

在旺盛的市场需求下，AI岗位不仅招聘量大，薪资待遇更是“一骑绝尘”。企业为抢AI核心人才，薪资给的非常慷慨，过去一年，懂AI的人才普遍涨薪40%+！

脉脉高聘发布的《2025年度人才迁徙报告》显示，在2025年1月-10月的高薪岗位Top20排行中，AI相关岗位占了绝大多数，并且平均薪资月薪都超过6w！

在去年的秋招中，小红书给算法相关岗位的薪资为50k起，字节开出228万元的超高年薪，据《2025年秋季校园招聘白皮书》，AI算法类平均年薪达36.9万，遥遥领先其他行业！

总结来说，当前人工智能岗位需求多，薪资高，前景好。在职场里，选对赛道就能赢在起跑线。抓住AI风口，轻松实现高薪就业！

但现实却是，仍有很多同学不知道如何抓住AI机遇，会遇到很多就业难题，比如：

❌ 技术过时：只会CRUD的开发者，在AI浪潮中沦为“职场裸奔者”；

❌ 薪资停滞：初级岗位内卷到白菜价，传统开发3年经验薪资涨幅不足15%；

❌ 转型无门：想学AI却找不到系统路径，83%自学党中途放弃。

他们的就业难题解决问题的关键在于：不仅要选对赛道，更要跟对老师！

我给大家准备了一份全套的《AI大模型零基础入门+进阶学习资源包》，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。😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓

​