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。1.1Agent设计下面以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。1.2智能体规划智能体规划 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。1.3深度搜索深度搜索 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。1.4意图识别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。1.5连接生态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。1.6接入Cherry Studio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。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) { var req api.ChatRequest if err : c.ShouldBindJSON(req); errors.Is(err, io.EOF) { c.AbortWithStatusJSON(http.StatusBadRequest, gin.H{error: missing request body}) 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 agent.Name req.Model { foundAgent true agentConfig agent break } } 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1.7Agent观测**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。二、工作流搭建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。2.1创建工作流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。# 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 ret2.1.5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。2.2创建智能体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V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V扫描下方二维码免费领取​