software

每个网站的 AI Agent

发布: (2025年12月30日 GMT+8 11:08)
9 min read
原文: Dev.to

Source: Dev.to

请提供需要翻译的正文内容，我将为您翻译成简体中文。

介绍

这将是 2025 年的最后一篇博客，提前祝大家新年快乐。

ChatGPT 和 OpenAI 的创始人 Sam Altman 今年表示：“下一场革命将是 AI 代理——AI 代理构建网站、撰写内容、发布和安排内容，以及更多其他任务。”

我阅读了今年的 2025 YC 融资统计博客（链接），其中指出 420 家公司中有 359 家是 AI 方向的初创企业。构建 AI 代理将成为软件开发中下一个热门技能。

这无疑为你抓住下一个工作机会或实现下一个创意打开了道路。

我如何学习新技术

  • YouTube – 我最喜欢的面向初学者的频道是 Hitesh Code Lab
  • 在线课程 – Udemy（或任何其他平台）是我的首选资源
  • 阅读 – 我会持续阅读大量的在线文章、博客和新闻通讯（比如这篇 😁）

AI 代理是未来。我们将在未来几年里都使用 AI 代理——让我把这些点连起来：

时代里程碑
1990s神经网络出现，使机器能够从数据中学习模式。
2000s语言模型发展到使用神经网络预测下一个词或 token。
2018‑2021大型语言模型（LLMs）出现，基于海量数据集进行训练，以实现更深入的理解。
2022ChatGPT 让日常用户也能使用对话式 AI。
2024具备使用工具并自主执行真实任务的代理式 AI 系统出现。
2025‑2026AI 融入各平台，自动化工作流，减少人工操作。

随意评价 😂

Source: …

未来的网站会是什么样子？

有一点是确定的：作为消费者和创作者，我们将使用纯英文提示，并在单一聊天输入框中阐述我们的想法。随后会加入几层——语音代理、图像读取/感知的大语言模型（LLM）——把电脑变成一个可以说话、理解并执行操作的 Jarvis。

一个快速的想象练习表明，几乎所有未来的网站都会拥有某种 AI 聊天组件。例如：

  • SaaS 网站 – AI 聊天机器人回答查询，代理处理手动工作。
  • 文档站点 – AI 聊天即时解答疑问。
  • 健康 / 金融 / CRM / ERP / 电商站点 – 并行运行的 LLM 代理代表用户执行任务。
  • 教育平台 – 为更好的学习定制 AI 解决方案（个性化测验、课程、深度研究、内容抓取）。

聚合平台和社交媒体平台，如 ThereIsAnAIForThat、Twitter、Reddit 和 YouTube，帮助我理解并预测未来。

“在线是未来。如果你懂得如何使用在线渠道和社交媒体，金钱会随之而来，机会也会很多。”

帮助内容创作者的 AI 工具正在赚取巨额的月经常性收入（MRR）——这不是因为它们是潮流，而是因为它们 有效 且 必需。

人们连接人——从小社区到像 Twitter、Medium 这样的大流量站点——通过人际网络产生收入。

示例：BoringCashCow

BoringCashCow 是一个简单的聚合站点，每月约有 5 万访客。它展示了小型在线业务如何产生巨额收入/利润。关于这些“无聊”站点如何赚取数百万的 YouTube 视频不计其数；其秘诀在于它们为人们解决了至少 一个真实问题。

AI 驱动的 React CRM 模板

我们的一位 React CRM 模板 客户问道，“为什么我们没有一个简单的 AI 聊天输入框，可以接受我的提示并在现有模板中进行更改？”

这就是我在 React CRM 模板 中添加 v0.dev 和 lovable.dev 链接的原因，使用户能够购买并使用 AI 网站构建器进行自定义。

帮助企业的一个绝佳方式是提供一个坚实的基础，然后让客户/用户根据需要进行更改。

自由受到喜爱!!

给人们提供自由的工具对我来说总是有效——它建立信任。这也是我相信像 gettemplate.website 这样的平台对未来同样重要的原因。

GetTemplate 提供在线网站模板以供灵感，同时也是构建在线业务的第一步。

GetTemplate 提供的内容

  • 80+ 免费网站模板 – 复制粘贴代码或下载仓库自行构建。
  • 10+ 生产级后端及数据库集成 API（例如 CRM、文档、SaaS 构建器模板），帮助快速启动在线业务。

我在过去五年里与 50+ 客户 合作过，其中大多数都有相似的需求：作品集网站、CRM、ERP、API 自动化、表单等。这种共性促使我推出了 GetTemplate。

获取源码 → 快速轻松地实现你的想法

提供自由能够建立信任，而这几乎受到所有人的喜爱。

构建 AI 代理——如何？

AI 代理由三个核心组件组成：

  1. Memory – 存储上下文和过去的交互。
  2. Task orchestration – 决定哪些子代理应当行动以及执行顺序。
  3. Monitoring – 监控执行过程并处理错误或重试。

可以把 parent agent 看作是决定整体流程的经理。child agents 则像是为经理执行具体任务的初级销售员或开发人员。

人们常常忽视这一概念：AI 代理是一个 系统，而不仅仅是一组独立的机器人。系统负责决定、执行并监控任务。

示例：

  • 主 ChatGPT 界面是一个单一代理，接受用户提问并给出答案。
  • 次要代理可以是一个网络爬虫，用于从互联网上收集信息，然后将结果反馈给主代理进行综合。

通过将代理串联起来，你可以构建强大且自主的工作流，端到端地处理复杂的多步骤问题。

概览

目标是创建一个 本地版 Perplexity，能够：

  1. 通过网页抓取获取最新数据（天气、金融、新闻等）。
  2. 将抓取到的信息输入 LLM，以生成准确的答案。

架构

  1. Web‑Scraping API – 从给定的 URL 抓取任何数据。
  2. Internet‑URL Scraping API – 从公共网页检索数据。
  3. LLM (AI Agent) –
    • 接受用户的问题。
    • 调用抓取 API 收集相关信息。
    • 将抓取的数据与原始提示结合。
    • 生成最终答案。

Workflow

flowchart TD
    A[User submits prompt] --> B[AI agent parses prompt]
    B --> C[AI agent formulates web query]
    C --> D[Web‑scraping API fetches data]
    D --> E[Scraped data + original prompt]
    E --> F[LLM generates answer]
    F --> G[Answer returned to user]
  1. 用户添加提示 →
  2. AI 代理理解提示 →
  3. AI 代理为互联网创建查询 →
  4. Web‑scraping API 使用查询获取数据 →
  5. 将抓取的数据（加上初始提示）输入 LLM →
  6. LLM 将最终答案返回给用户.

对比

  • 该流水线镜像了 Claude 和 Perplexity 等服务在底层的工作方式。
  • “agentic” 行为本质上是相同的：LLM 决定要获取什么，进行检索，然后给出答案。

下一步

今天的内容就到这里。下次见！

— Shrey

Back to Blog

相关文章

阅读更多 »