企业官网建设流程全解析

网站建设方案实例,环保网站建设说明书,asp.net网站不能上传图片,音乐网站设计模板在Agentic AI快速发展背景下#xff0c;构建可靠高效的AI Agent应用需聚焦三大核心竞争力#xff1a;提示词工程#xff08;系统提示词构建与输出优化#xff09;、工作流设计#xff08;使用DSL如Mermaid替代自然语言#xff09;和知识库构建#xff08;RAG技术与关系型…在Agentic AI快速发展背景下构建可靠高效的AI Agent应用需聚焦三大核心竞争力提示词工程系统提示词构建与输出优化、工作流设计使用DSL如Mermaid替代自然语言和知识库构建RAG技术与关系型数据库结合。文章从架构定义到实际落地提供了完整方法论同时提醒注意提示词注入等安全问题并建议采用Ready, Fire, Aim快速迭代方式确定AI项目价值。本文系统阐述了在当前 Agentic AI 技术快速发展的背景下如何构建一个可靠、高效且可落地的 AI Agent 应用。随着 LLM 和工具调用的标准化开发的核心竞争力已转向 提示词工程Prompt Engineering、工作流设计Workflow和知识库构建RAG 三大领域。一、Agent核心架构定义Agent系统由五个关键组件构成大语言模型LLM提示词Prompt工作流Workflow知识库RAG工具ToolsLLM和工具调用已经形成了相对标准化的技术栈。LLM方面无论选择云端大模型如阿里百炼平台、IdeaLab还是本地部署如Ollama都有成熟的解决方案工具调用方面MCP协议的普及让工具集成变成了配置问题而非开发问题。因此业务开发的核心竞争力在于提示词 工作流 知识库上。二、Prompt工程给AI写需求文档提示词分为系统提示词和用户提示词用户提示词就是我们的问题。系统提示词是agent的背景/角色设置了agent需要完成什么类型的任务。系统提示词主要包括身份Role 上下文Context 例子Examples 输出规范Output Format。现在已经有了很多帮助我们生产提示词的工具如https://prompt.always200.com/https://prompts.chat/我们可以使用工具简单生成初版再进行后续优化。以下是https://prompt.always200.com/的系统提示词可以直接拿过来构建一个自己的系统提示词生成agent简单场景可以直接使用生成结果。提示词优化的系统提示词你是一个专业的AI提示词优化专家。请帮我优化以下prompt并按照以下格式返回 # Role: [角色名称] ## Profile - language: [语言] - description: [详细的角色描述避免空泛的专家定义] - background: [具体的技术背景和经验描述] - personality: [影响交互风格的性格特征] - expertise: [核心专业领域使用具体技术栈] - target_audience: [明确的目标用户群体] ## Skills 1. [核心技能类别] - [具体技能]: [可量化的能力描述] - [具体技能]: [包含输入输出格式] 2. [辅助技能类别] - [具体技能]: [与核心技能的协同关系] ## Rules 1. [基本原则] - [具体规则]: [可执行的约束条件] 2. [行为准则] - [具体规则]: [明确的行为边界] 3. [限制条件] - [具体限制]: [禁止行为的详细描述] ## Workflows - 目标: [SMART原则的明确目标] - 步骤 1: [具体操作和判断标准] - 步骤 2: [包含异常处理分支] - 步骤 3: [明确的输出格式要求] - 预期结果: [可验证的结果描述] ## Initialization 作为[角色名称]你必须遵守上述Rules按照Workflows执行任务。生成效果我在Cherry Studio一款功能强大的多模型 AI 客户端软件中就创建了很多agent满足我在不同场景下的需求。在提示词中对于一些重要的内容可以使用XXXX标记markdown的加粗语法对于一些特殊说明可以使用统一的特殊符号如“”进行标记。这些标记都可以增强agent对于重要或特殊内容的识别精度和执行优先级。这里以ideaLab阿里巴巴集团内部的一个专注于 AI 应用方向的平台的使用举例1.创建一个智能助手2.粘入提示词就可以按照需求生成专业的提示词可以满足日常大部分场景。接下来我会列举一些Prompt实际使用时的一些个人经验。2.1. Role/System若使用agent不是发散性场景如创作、讨论或答疑场景而是严格按照workflow执行任务那么在角色中就不要说是“架构师”“专家”这类更偏向于人类的角色而是“机器”“pipeline”这类更偏向执行流水线步骤的角色。若使用agent是学习场景可以设置角色为“善于深入浅出的教学者”在提问时说“我现在要学习某知识我对这方面的知识一窍不通你向我提问n个问题当我搞懂这n个问题后就可以完全掌握某知识”。通过提问的方式带着目的的学习效果非常好。2.2. Examples设置少量examplesfew-show Learning可以极大保证agent的回答质量特别是需要agent按照某种指定格式如JSON生成答案的场景。few-show Learning小样本学习是一种机器学习框架在该框架中AI 模型通过使用极少量的标记示例进行训练来学习作出准确的预测。它通常用于在缺乏合适的训练数据时训练分类任务的模型。设置examples时要尽量遵循规范即保证示例的质量示例是否正确需要标注清楚不要模棱两可的示例不要把对的说成错的示例要乱序不要把正确的回答放一起错误的回答放一起示例格式要统一正确回答和错误回答的数量要均衡通俗说就是数量一致设置相似的示例只有非常小的差别但是回答的结果却不一样尽量保证示例覆盖全面examples可以先只设置成QA形式若效果不好可以添加过程解释但尽量不要使用自然语言描述过程因为自然语言的描述很可能不符合指定的workflow造成歧义。2.3. Output Format我们可以在提示词中指定agent的输出规范但仅仅只有输出规范agent也不是一定会按照规范输出所以通常还需要约束条件Constraints约束。在工程结合agent时通常要求agent返回标准JSON在工程中进行后续的解析处理。如何要求agent一定返回符合要求的JSON是一个问题。以下提供一个思路结合Role的内容给agent的角色定位远离人类的角色减少其解释与输出废话的概率提示词中增加Constraints并在提示词开头和结尾反复强调增加badcase把agent不符合预期的输出直接写到提示词中工程保障拿到agent的结果时可以截取第一个{“和最后一个”}之间的内容。# System: JSON Processing Pipeline # CRITICAL: OUTPUT JSON ONLY - ANY OTHER TEXT WILL CAUSE SYSTEM FAILURE ...... **FORBIDDEN**: - ❌ NO explanations - ❌ NO I will process... - ❌ NO Let me... - ❌ NO thinking out loud - ❌ NO markdown code blocks ...... # FINAL REMINDER Your ENTIRE response must be valid JSON. Start with { and end with }. No text before {, no text after }. If you output anything else, the system will fail.三、工作流选择DSL描述而非自然语言自然语言描述的工作流程往往会携带一些口语习惯并且对于复杂的流程难以描述清楚。DSLDomain-Specific Language领域特定语言通过结构化语法能比自然语言更准确地描述业务流程。Mermaid就是一种非常适合的绘制流程图的语言并且与Markdown完美集成。不会写或者觉得麻烦没关系使用上述的提示词优化工具制作一个mermaid agent将工作流程描述给他让agent生成流程图。我们只需要简单了解基础语法对生成的结果进行简单修改即可。Mermaid 是一个用于绘制图表的 JavaScript 工具库它允许你使用类似 Markdown 的文本语法来创建和修改图表。这个能力也非常适合在提问后让agent输出自己对于问题理解或解答方式的思维流程这就是一种COTChain-of-thought。通过查看流程可以快速定位到agent理解不到位的地方并修正。我的建议是先用自然语言描述流程。如果agent执行效果不佳或者流程难以描述那么就考虑使用mermaid。提问举例“我的问题巴拉巴拉”请重新梳理用户的问题使问题更加的清晰和明确如果问题有多个细节和要求需要全部梳理出来使用mermaid清晰列出问题的所有细节然后再回答的问题。使用举例四、知识库关系型数据库的妙用4.1. RAG与向量数据库4.1.1. 背景首先介绍一下RAG。大模型幻觉是指agent生成虚假、不准确或完全编造的信息的现象。在业务场景中往往需要agent结合业务知识回答问题但这些业务知识agent又通常不知道那么直接把相关文档和问题一起发给agent不就好了貌似没问题但是随着文档越来越大答案可能只是文档中的一小部分agent看到庞大的输入就很容易找不到重点。那么只把和问题相关的文档发给agent是不是就可以了没错这就是RAGRetrieval-Augmented Generation。怎么判断用户的问题和文档的关系这就需要Embedding模型了。Embedding模型的输入是一段文字而输出是一段固定长度的数组也就是向量。通过计算向量之间的距离离得越近相关性就越强。对于文档过长的问题需要对文档进行处理。首先对文档进行片段切分Chunking可以按照字数、段落、符号、语义等维度切分切分完成后对每个chunk都进行Embedding处理最后把向量结果和chunk保存到向量数据库中。用户提问时会先用相同的Embedding模型把问题转换成向量然后从向量数据库中找到距离最近的几个内容最后把检索到的内容和问题一起发给agent。在实际使用时还需结合top-N、意图模型、reRank重排模型等部分功能提高检索的准确性这就要求对知识库的内容要1.切的对切分不要按字符切要按语义切难点可以用agent辅助切文档2.排的准不只靠相似度还要加回答导向排序3.喂的巧要引导模型引用内容而不是召回了内容但不用4.1.2. 问题RAG本身是也有许多问题的文章应该怎么分块文章的结构五花八门不能按照一种分块方式力大砖飞并且可能会有关键的内容刚好被截断比如“那头猪是佩奇那头猪爱玩泥巴”而这句话被拆成了“那头猪是佩奇”和“那头猪爱玩泥巴”这两部分第二句的“那头猪”就失去了和“佩奇”的指代关系当提问“佩奇爱干什么”时问题和“那头猪爱玩泥巴”的向量距离可能变远而无法匹配。RAG缺乏全局视角。比如提问“文章中有多少个我字”这种和每个chunk都沾边但又都不是特别相关的问题RAG就没办法解决了。4.2. 关系型数据库的一种使用思路向量数据库中适合保存的内容是文档类型如一本书、一个QA文档等。但对于一些映射关系较强的场景就不太适合保存到向量数据库了。我有遇到一个场景要使用agent进行网页操作。通过配置一个定时任务当任务触发时若有要执行的网页子任务就让agent使用Playwright MCP进行相应的网页操作返回JSON结果。对于不同子任务都要有不同的流程、补充信息以及结果格式甚至为了保证结果质量需要给每个场景设置exemples比如场景1的结果返回给同学A场景2的结果返回给群B。在这个场景下若直接把子任务信息放到提示词中随着子任务数量的增多必然会造成提示词冗余若配置子任务信息到向量知识库中不同子任务的配置信息各不相同无法解决合理分块的问题。这个场景的本质就是精准找到子任务的所有信息辅助agent完成任务而关系型数据库就可以完美应用到这个场景中。定义表结构如下通过Postgres MCP让agent在执行任务前把用户的提问与表中的keywords进行匹配找到符合场景的详细信息就可以实现精准的“RAG”。若使用ideaLab可以在项目中提供查表接口在ideaLab中封装成工具表数据​最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】​​为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。​​资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。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这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌​​​​如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】**​