🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

在实际项目中，将大语言模型（LLM）的能力与特定业务逻辑结合，构建一个能够执行复杂任务的智能体（Agent），正成为提升个人或团队效率、探索副业机会的有效路径。本文将以“AI毒舌投资人”为具体场景，带领你从零开始，利用DeepSeek等主流AI模型，构建一个能够分析商业点子、提供犀利反馈的智能体。这个项目不仅是一个有趣的实践，更是一个理解AI Agent开发全流程的绝佳案例。无论你是想为自己寻找副业灵感，还是希望掌握构建垂直领域AI应用的核心技能，本文都将提供一条清晰的实现路径。

我们将从AI Agent的核心概念讲起，逐步完成环境搭建、API集成、Prompt工程、业务逻辑实现，最终部署一个可交互的Web应用。整个过程会涵盖从概念到落地的所有关键环节，包括如何设计Agent的“性格”，如何处理模型的长文本输出，以及如何将Agent能力封装成服务。

1. 理解AI Agent：从聊天机器人到“毒舌投资人”

在开始编码之前，我们需要明确“AI Agent”与普通聊天机器人的区别。一个聊天机器人通常只是对用户输入进行响应，而一个真正的AI Agent具备目标导向、自主决策和工具调用的能力。

1.1 什么是AI Agent？

AI Agent（智能体）是一个能够感知环境、进行推理并执行动作以实现特定目标的软件实体。在我们的“毒舌投资人”场景中，这个Agent需要：

1. 感知：接收用户提交的商业计划或点子描述。
2. 推理：基于内置的投资分析逻辑和领域知识，评估该点子的可行性、市场潜力、风险等。
3. 动作：生成一份结构化的、带有“毒舌”风格（即直接、犀利、不乏幽默）的评估报告，并可能给出后续行动建议。

1.2 “毒舌投资人”Agent的核心组件

一个完整的Agent系统通常包含以下几个部分，我们的项目也将围绕它们展开：

1.3 技术选型：为什么选择DeepSeek？

根据输入材料中的网络搜索内容，DeepSeek提供了强大的开源模型和易于使用的API。对于个人开发者或小规模项目，它具有以下优势：

• 成本可控：相比某些闭源模型，API调用成本更低，甚至有一定免费额度。
• 能力强大：DeepSeek-R1等模型在推理和代码生成方面表现优异，适合进行复杂的商业分析。
• 生态丰富：如搜索材料所示，有大量的开源框架（如LangChain、Dify）、客户端（如LobeChat）和浏览器插件支持DeepSeek集成，便于后续扩展。
• API兼容性：其API通常兼容OpenAI格式，这意味着我们的代码可以相对容易地切换到其他兼容模型。

2. 环境准备与项目初始化

我们将使用Python作为主要开发语言，因为它拥有最丰富的AI开发生态。项目将采用简单的模块化结构。

2.1 基础环境配置

首先，确保你的开发环境已就绪。

操作系统：Windows 10/11, macOS, 或 Linux (如Ubuntu 20.04+)。Python版本：推荐使用Python 3.9 至 3.11。避免使用Python 3.12+可能存在的某些库兼容性问题。

使用以下命令检查你的Python环境：

python --version # 或 python3 --version

如果未安装Python，请从 python.org 下载安装。

2.2 创建项目目录与虚拟环境

为项目创建一个独立的目录和Python虚拟环境，以隔离依赖。

# 创建项目目录 mkdir ai-sarcastic-investor cd ai-sarcastic-investor # 创建虚拟环境 (Windows) python -m venv venv # 激活虚拟环境 (Windows) venv\Scripts\activate # 创建虚拟环境 (macOS/Linux) python3 -m venv venv # 激活虚拟环境 (macOS/Linux) source venv/bin/activate

激活后，命令行提示符前应显示(venv)，表示你已在虚拟环境中。

2.3 安装核心依赖

我们将使用openai这个官方库（它兼容DeepSeek的API格式）来调用模型，并使用fastapi和uvicorn来构建一个简单的Web API服务。

# 安装核心依赖 pip install openai fastapi uvicorn python-dotenv # 可选：安装用于格式化输出的库 pip install pydantic

安装完成后，创建项目的基础文件结构：

ai-sarcastic-investor/ ├── .env # 存储API密钥等敏感配置 ├── .gitignore # Git忽略文件 ├── app.py # FastAPI应用主入口 ├── agent/ # Agent核心逻辑模块 │ ├── __init__.py │ ├── core.py # Agent核心类定义 │ └── prompts.py # 系统提示词定义 ├── config.py # 配置文件 └── requirements.txt # 项目依赖列表

使用pip freeze > requirements.txt生成依赖列表文件。

2.4 获取并配置DeepSeek API密钥

1. 访问 DeepSeek开放平台 （请自行搜索最新地址）。
2. 注册并登录账号。
3. 在控制台中找到“API Keys”或类似部分，创建一个新的API密钥。
4. 在项目根目录创建.env文件，并填入你的密钥：

# .env DEEPSEEK_API_KEY=你的_DeepSeek_API_密钥 DEEPSEEK_API_BASE=https://api.deepseek.com # API基础地址，请以官方文档为准 DEEPSEEK_MODEL=deepseek-chat # 使用的模型名称，例如 deepseek-chat, deepseek-r1

重要安全提示：务必在.gitignore文件中加入.env，切勿将包含真实API密钥的文件提交到Git仓库。

# .gitignore .env __pycache__/ *.pyc venv/

3. 构建“毒舌投资人”Agent核心

Agent的核心是系统提示词和与LLM的交互逻辑。我们将首先实现一个基础版本。

3.1 设计系统提示词 (System Prompt)

系统提示词是塑造Agent“人格”和行为的关键。在agent/prompts.py中定义：

# agent/prompts.py SYSTEM_PROMPT = """ 你是一位以眼光毒辣、言辞犀利著称的顶级风险投资人。你的任务是评估用户提交的商业点子或创业计划，并提供一针见血、不留情面但富有建设性的反馈。 **你的核心行为准则：** 1. **直接犀利**：避免客套话，直接指出点子中最致命的问题。可以用讽刺、夸张或幽默的比喻，但目的是为了让人印象深刻、引发思考。 2. **逻辑严谨**：你的毒舌必须建立在扎实的商业逻辑、市场常识和技术可行性分析之上，不能为了毒舌而胡说。 3. **结构清晰**：你的评估报告必须包含以下部分，每部分用【标题】标出： - 【一句话暴击】：用最精炼、最扎心的一句话总结这个点子的核心问题或最大风险。 - 【市场天花板】：分析目标市场是否足够大，是蓝海还是红海，用户是否真的愿意付费。 - 【模式与壁垒】：分析商业模式是否成立，护城河在哪里，是否容易被复制或颠覆。 - 【团队与执行】：评估（如果提供了团队信息）团队是否具备执行能力，或者点子对执行力的要求是否过高。 - 【财务与融资】：粗略估算需要多少启动资金，多久能盈亏平衡，投资回报率（ROI）的想象空间。 - 【最终裁决与建议】：给出“投”或“不投”的明确结论，并附上1-2条最关键的改进建议或转型方向。 **输出格式要求：** - 严格使用上述六个【标题】。 - 每个标题下的内容控制在3-5句话。 - 整体风格保持辛辣、快节奏，可以适当使用投资人圈内的行话或网络梗。 - 最后以“--- 毒舌投资人签章 ---”结尾。 现在，开始评估下面的商业计划吧。 """

这个提示词明确了Agent的角色、输出结构和风格，是后续所有交互的“宪法”。

3.2 实现Agent核心类

接下来，在agent/core.py中创建Agent类，负责管理提示词、调用API和处理对话。

# agent/core.py import os from typing import List, Dict, Any, Optional from openai import OpenAI from dotenv import load_dotenv from .prompts import SYSTEM_PROMPT # 加载环境变量 load_dotenv() class SarcasticInvestorAgent: """毒舌投资人智能体""" def __init__(self, api_key: Optional[str] = None, base_url: Optional[str] = None, model: Optional[str] = None): """ 初始化Agent。 参数: api_key: DeepSeek API密钥，默认为环境变量`DEEPSEEK_API_KEY` base_url: API基础地址，默认为环境变量`DEEPSEEK_API_BASE` model: 使用的模型名称，默认为环境变量`DEEPSEEK_MODEL` """ self.api_key = api_key or os.getenv("DEEPSEEK_API_KEY") self.base_url = base_url or os.getenv("DEEPSEEK_API_BASE", "https://api.deepseek.com") self.model = model or os.getenv("DEEPSEEK_MODEL", "deepseek-chat") if not self.api_key: raise ValueError("未找到DeepSeek API密钥。请在.env文件中设置DEEPSEEK_API_KEY，或通过参数传入。") # 初始化OpenAI客户端（兼容DeepSeek API） self.client = OpenAI( api_key=self.api_key, base_url=self.base_url ) # 初始化对话历史 self.conversation_history: List[Dict[str, str]] = [ {"role": "system", "content": SYSTEM_PROMPT} ] def analyze_pitch(self, business_pitch: str) -> str: """ 分析一个商业提案，并返回毒舌风格的评估报告。 参数: business_pitch: 用户提交的商业点子描述文本。 返回: 模型生成的评估报告字符串。 """ # 将用户输入添加到历史中 self.conversation_history.append({"role": "user", "content": business_pitch}) try: response = self.client.chat.completions.create( model=self.model, messages=self.conversation_history, temperature=0.8, # 温度值稍高，让输出更有“个性” max_tokens=1500, # 控制输出长度 stream=False # 非流式输出，简化处理 ) # 获取模型回复 analysis = response.choices[0].message.content # 将模型回复也加入历史，以实现多轮对话（可选） self.conversation_history.append({"role": "assistant", "content": analysis}) return analysis except Exception as e: # 处理API调用错误 error_msg = f"调用AI模型时出错: {str(e)}" # 可以在这里加入更详细的错误日志 print(error_msg) return f"抱歉，投资人今天心情不好（服务暂时不可用）。错误信息：{str(e)}" def reset_conversation(self): """重置对话历史，清除之前的上下文。""" self.conversation_history = [ {"role": "system", "content": SYSTEM_PROMPT} ] print("对话历史已重置。")

这个类封装了与DeepSeek API交互的核心逻辑。temperature参数控制输出的随机性（0.0最确定，1.0最随机），设为0.8是为了在保持逻辑的基础上增加一些“毒舌”的不可预测性。max_tokens限制了回复的最大长度。

3.3 创建配置文件

在config.py中集中管理配置，便于后续扩展。

# config.py import os from dotenv import load_dotenv load_dotenv() class Config: DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY") DEEPSEEK_API_BASE = os.getenv("DEEPSEEK_API_BASE", "https://api.deepseek.com") DEEPSEEK_MODEL = os.getenv("DEEPSEEK_MODEL", "deepseek-chat") # Web服务配置 APP_HOST = "0.0.0.0" APP_PORT = 8000 DEBUG = os.getenv("DEBUG", "False").lower() == "true" config = Config()

4. 构建Web API接口

为了让Agent能够通过网络提供服务，我们使用FastAPI构建一个简单的Web API。

4.1 实现FastAPI应用

在app.py中创建主应用：

# app.py from fastapi import FastAPI, HTTPException from fastapi.middleware.cors import CORSMiddleware from pydantic import BaseModel from agent.core import SarcasticInvestorAgent import config app = FastAPI(title="毒舌投资人AI Agent API", description="获取对商业点子的犀利评估") # 允许跨域请求，方便前端调用 app.add_middleware( CORSMiddleware, allow_origins=["*"], # 生产环境应限制为具体域名 allow_credentials=True, allow_methods=["*"], allow_headers=["*"], ) # 初始化全局Agent实例 agent = SarcasticInvestorAgent( api_key=config.DEEPSEEK_API_KEY, base_url=config.DEEPSEEK_API_BASE, model=config.DEEPSEEK_MODEL ) # 定义请求体模型 class PitchRequest(BaseModel): """商业提案请求体""" content: str session_id: str = None # 可选，用于支持多会话 class AnalysisResponse(BaseModel): """分析响应体""" success: bool analysis: str session_id: str = None error: str = None @app.get("/") def read_root(): return {"message": "毒舌投资人AI Agent服务已启动", "status": "healthy"} @app.post("/analyze", response_model=AnalysisResponse) async def analyze_pitch(request: PitchRequest): """ 接收商业提案，返回毒舌分析报告。 """ if not request.content or len(request.content.strip()) < 10: raise HTTPException(status_code=400, detail="商业提案内容太短，至少需要10个字符。") try: # 调用Agent进行分析 analysis_result = agent.analyze_pitch(request.content) return AnalysisResponse( success=True, analysis=analysis_result, session_id=request.session_id ) except Exception as e: # 记录详细错误日志 print(f"处理分析请求时出错: {e}") return AnalysisResponse( success=False, analysis="", error=f"服务器内部错误: {str(e)}" ) @app.post("/reset") async def reset_agent_session(session_id: str = None): """ 重置指定会话或全局Agent的对话历史。 注意：当前简单实现中，所有用户共享一个Agent实例。 生产环境需要为每个session_id维护独立的Agent实例。 """ agent.reset_conversation() return {"message": "Agent对话历史已重置。"} if __name__ == "__main__": import uvicorn uvicorn.run( "app:app", host=config.APP_HOST, port=config.APP_PORT, reload=config.DEBUG )

4.2 运行与测试API服务

在项目根目录下，运行以下命令启动服务：

python app.py

如果一切正常，你将看到类似输出：

INFO: Started server process [12345] INFO: Waiting for application startup. INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)

现在，你可以使用curl命令或任何API测试工具（如Postman）来测试服务。

测试请求示例：

curl -X POST "http://127.0.0.1:8000/analyze" \ -H "Content-Type: application/json" \ -d '{ "content": "我想做一个基于AI的智能水杯，它能通过传感器检测水质、记录饮水量，并通过手机APP提醒用户按时喝水、给出健康建议。目标用户是白领和健康关注者。" }'

预期响应结构：

{ "success": true, "analysis": "【一句话暴击】又一个试图用科技解决“记不住喝水”这个人性弱点的项目，这杯水我先干为敬，但投资人可能咽不下去。\n\n【市场天花板】...（后续内容省略）...\n\n--- 毒舌投资人签章 ---", "session_id": null, "error": null }

5. 关键配置与参数详解

为了让Agent表现更符合预期，理解并调整关键参数至关重要。

5.1 LLM API调用参数

在agent/core.py的client.chat.completions.create方法中，我们使用了几个关键参数：

5.2 系统提示词工程优化

系统提示词是Agent的“灵魂”。除了之前定义的基础版本，还可以根据反馈持续优化：

• 增加示例（Few-Shot Learning）：在系统提示词中提供一两个输入输出的例子，能显著提升模型输出的格式和风格一致性。
• 明确禁止项：如果发现模型有时会输出过于温和或偏离风格，可以增加指令，如：“禁止使用‘这个想法很好，但是...’这类温和的开场白。直接指出问题。”
• 结构化输出要求：我们已经要求了六个部分。可以进一步要求每个部分以特定的符号或格式开头，便于后续程序化解析。

优化后的提示词片段示例：

# 在SYSTEM_PROMPT中增加示例和更严格的格式要求 ... **输出格式要求（必须严格遵守）：** - 严格使用以下六个标题，且每个标题单独成行： 1. 【一句话暴击】 2. 【市场天花板】 3. 【模式与壁垒】 4. 【团队与执行】 5. 【财务与融资】 6. 【最终裁决与建议】 - 每个标题下的内容用3-5个 bullet point（以‘-’开头）呈现。 - 整体风格保持辛辣、快节奏... ...

5.3 错误处理与重试机制

生产环境中，网络波动或API限流可能导致调用失败。我们需要增强agent/core.py中的错误处理。

# agent/core.py (增强版错误处理) import time from tenacity import retry, stop_after_attempt, wait_exponential class SarcasticInvestorAgent: # ... __init__ 等代码 ... @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10)) def _call_api(self, messages): """带重试机制的API调用内部方法""" return self.client.chat.completions.create( model=self.model, messages=messages, temperature=0.8, max_tokens=1500, stream=False ) def analyze_pitch(self, business_pitch: str) -> str: self.conversation_history.append({"role": "user", "content": business_pitch}) try: response = self._call_api(self.conversation_history) analysis = response.choices[0].message.content self.conversation_history.append({"role": "assistant", "content": analysis}) return analysis except Exception as e: # 区分不同类型的错误 if "rate limit" in str(e).lower(): error_msg = "投资人被咨询得太频繁了（API调用频率超限），请稍后再试。" elif "authentication" in str(e).lower(): error_msg = "投资人身份验证失败（API密钥错误），请检查配置。" elif "invalid request" in str(e).lower(): error_msg = "提交的商业计划书格式让投资人看不懂（无效请求）。" else: error_msg = f"投资人暂时失联（服务异常）：{str(e)[:100]}" # 记录完整错误到日志文件，便于排查 with open("agent_error.log", "a") as f: f.write(f"{time.ctime()}: {str(e)}\n") return error_msg

这里使用了tenacity库实现指数退避重试。需要先安装：pip install tenacity。

6. 运行验证与效果评估

启动服务后，我们需要系统地验证Agent的功能和输出质量。

6.1 功能测试用例

编写一个简单的测试脚本test_agent.py：

# test_agent.py import sys sys.path.append('.') # 确保可以导入项目模块 from agent.core import SarcasticInvestorAgent def test_basic_functionality(): """测试基础功能""" print("=== 测试1：基础商业点子分析 ===") agent = SarcasticInvestorAgent() test_pitch = "我想开一家线下‘撸猫咖啡馆’，店里养很多猫，顾客可以边喝咖啡边撸猫，按小时收费。" print(f"输入：{test_pitch}") print("\n输出：") result = agent.analyze_pitch(test_pitch) print(result) print("-" * 50) # 检查输出是否包含关键部分 assert "【一句话暴击】" in result assert "【市场天花板】" in result assert "--- 毒舌投资人签章 ---" in result print("✅ 基础功能测试通过：输出结构完整。") def test_empty_input(): """测试空输入处理""" print("\n=== 测试2：空输入处理 ===") agent = SarcasticInvestorAgent() result = agent.analyze_pitch(" ") # 期望后端API层拦截，但这里测试Agent本身的健壮性 print(f"空输入结果：{result}") # 可以断言结果不应是正常的分析报告，可能包含错误信息 def test_reset(): """测试对话重置""" print("\n=== 测试3：对话重置 ===") agent = SarcasticInvestorAgent() agent.analyze_pitch("第一个点子") initial_history_len = len(agent.conversation_history) agent.reset_conversation() reset_history_len = len(agent.conversation_history) assert reset_history_len < initial_history_len print(f"✅ 重置测试通过：历史记录从 {initial_history_len} 条减少到 {reset_history_len} 条。") if __name__ == "__main__": test_basic_functionality() # test_empty_input() # 如果API层未拦截，此测试可能失败 test_reset() print("\n所有测试完成。")

运行测试：python test_agent.py。观察输出是否符合预期，风格是否“毒舌”。

6.2 评估输出质量

除了自动化测试，还需要人工评估输出质量。可以从以下几个维度检查：

1. 相关性：分析是否紧扣用户提交的点子？
2. 洞察力：指出的问题是否切中要害（如市场真需求、模式漏洞）？
3. 风格一致性：语言是否犀利、幽默，符合“毒舌”人设？
4. 结构完整性：是否包含了所有要求的六个部分？
5. 实用性：给出的建议是否具有可操作性？

如果发现输出过于温和、结构散乱或偏离主题，需要回头优化系统提示词或调整temperature参数。

7. 常见问题排查与优化

在实际开发和运行中，你可能会遇到以下问题。

7.1 API调用失败

7.2 Agent输出不符合预期

7.3 性能与成本优化

• 缓存：对相同或相似的商业点子，可以将分析结果缓存起来（例如使用functools.lru_cache或Redis），避免重复调用昂贵的API。
• 异步处理：如果预期有大量并发请求，使用async/await和httpx改造API调用部分，并使用FastAPI的异步端点。
• 输出截断与总结：如果分析报告过长，可以要求模型先输出一个“电梯演讲”版本的总结，再提供详细分析。
• 模型选择：DeepSeek可能提供不同能力和价格的模型。如果deepseek-chat已能满足需求，不必使用更贵的deepseek-r1。

8. 扩展方向与最佳实践

基础版本跑通后，可以考虑以下方向进行深化，打造更实用、更强大的“副业赚钱”工具。

8.1 扩展方向

1. 多模态输入：允许用户上传商业计划书PDF、PPT或市场分析图表，使用DeepSeek-Vision等多模态模型进行解读分析。
2. 工具集成（真正的Agent化）：
   • 搜索工具：集成SerpAPI或Google Search API，让Agent能查询最新的行业数据、竞品信息。
   • 财务计算工具：集成一个简单的财务模型库，自动计算TAM（总可服务市场）、单位经济效益等。
   • 竞品分析：自动爬取或查询应用商店、社交媒体上类似产品的信息。
3. 记忆与多轮对话：为每个用户会话（session_id）维护独立的对话历史，支持基于上一轮分析的追问和深入讨论。
4. 前端界面：使用Gradio、Streamlit或Vue/React构建一个美观的Web界面，提升用户体验。
5. 领域专业化：针对特定领域（如SaaS、消费品牌、硬科技）训练专属的提示词，甚至利用微调（Fine-tuning）让模型掌握更多专业术语和评估框架。
6. 工作流自动化：将Agent集成到Notion、飞书、钉钉等办公软件中，作为团队脑暴的“毒舌同事”。

8.2 生产环境最佳实践

1. 配置管理：不要将配置硬编码在代码中。使用环境变量或专业的配置管理工具（如AWS Parameter Store, HashiCorp Vault）。
2. 日志与监控：
   • 记录所有API请求和响应（注意脱敏敏感信息）。
   • 监控API调用延迟、成功率和费用。
   • 设置告警，当错误率或延迟超过阈值时通知。
3. 速率限制与防滥用：在FastAPI应用层为每个API密钥或IP地址设置请求速率限制（例如使用slowapi库）。
4. 错误友好提示：给最终用户的错误信息应友好且不暴露内部细节（如API密钥、服务器路径）。
5. 数据隐私：如果处理用户上传的机密商业计划书，需明确隐私政策，考虑数据加密存储或在处理后及时删除。
6. 部署：使用Docker容器化应用，并通过Nginx + Gunicorn（对于Python）部署，以提高性能和可靠性。

8.3 将“副业”产品化的思考

• MVP（最小可行产品）：当前的单端点API就是一个MVP。可以将其包装成一个简单的网站或小程序。
• 收费模式：可以考虑按次分析收费，或提供月度订阅，包含不同深度的分析报告。
• 内容营销：将一些有趣的、匿名的“毒舌分析”做成内容，在社交媒体传播，吸引目标用户。
• 与真实投资人合作：将AI的分析作为初筛工具，筛选出有潜力的项目，再对接给真人投资人，从中抽取佣金或提供付费的深度尽调服务。

通过以上步骤，你不仅完成了一个有趣的“AI毒舌投资人”项目，更实践了从创意到落地的完整AI Agent开发流程。这个框架可以复用到无数其他场景，如AI面试官、AI产品经理、AI法律顾问等。关键在于深入理解业务逻辑，并将其精准地翻译成系统提示词和工具调用流程。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度