构建你的第一个 AI Agent 工作流：实用指南（无需框架）

Source: Dev.to

Everyone’s talking about AI agents. LangChain, CrewAI, AutoGen — the frameworks keep multiplying. But here’s something I’ve learned after months of building with them:

You don’t need a framework to build useful AI agent workflows.

In fact, starting with a framework before understanding the core pattern is why most people’s agents are just expensive, slow wrappers around a single API call.

Let me show you how to build a genuinely useful multi‑step AI workflow using nothing but structured prompts and basic scripting.

我们正在构建的内容

一个内容处理流水线，具备以下功能：

• 接收原始笔记/要点作为输入
• 生成结构化摘要
• 提取行动项
• 起草后续邮件
• 根据内容创建社交媒体帖子

这是一套我每周使用的真实工作流。每次可为我节省约 3 小时。

核心模式：提示链

“每个人都把‘代理’模式弄得过于复杂，实际上它很简单：”

Input → Prompt A → Output A → Prompt B → Output B → …

每一步都接收前一步的输出并对其进行转换。就是这样。这就是所有代理框架背后的模式——它们只是在此基础上添加错误处理、记忆和工具使用。

让我们来构建它。

第一步：摘要器

import openai

def summarize(raw_notes: str) -> str:
    response = openai.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {
                "role": "system",
                "content": """You are a concise business writer.
Take raw notes and produce a structured summary with:
- Key points (bullet list)
- Decisions made
- Open questions
Keep it under 200 words."""
            },
            {
                "role": "user",
                "content": f"Summarize these notes:\n\n{raw_notes}"
            }
        ]
    )
    return response.choices[0].message.content

一个聚焦的系统提示，约束输出格式。

第2步：行动项提取器

def extract_actions(summary: str) -> str:
    response = openai.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {
                "role": "system",
                "content": """Extract action items from this summary.
Format each as:
- [ ] [ACTION] — Owner: [person] — Due: [date if mentioned]
Only include concrete, actionable tasks.
Ignore vague items like 'think about X'."""
            },
            {
                "role": "user",
                "content": summary
            }
        ]
    )
    return response.choices[0].message.content

请注意系统提示对输出格式的具体要求。这一点至关重要——模糊的提示会产生模糊的结果。

第3步：邮件草稿

def draft_email(summary: str, actions: str) -> str:
    response = openai.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {
                "role": "system",
                "content": """Draft a follow‑up email based on the meeting
summary and action items. Tone: professional but not stiff.
Structure: brief recap, action items with owners, next steps.
Keep under 150 words."""
            },
            {
                "role": "user",
                "content": f"Summary:\n{summary}\n\nAction Items:\n{actions}"
            }
        ]
    )
    return response.choices[0].message.content

第4步：将其串联起来

def process_notes(raw_notes: str) -> dict:
    # Step 1: Summarize
    summary = summarize(raw_notes)

    # Step 2: Extract actions
    actions = extract_actions(summary)

    # Step 3: Draft follow‑up
    email = draft_email(summary, actions)

    return {
        "summary": summary,
        "actions": actions,
        "email": email
    }

这就是你的“agent”。四个函数，零框架，完全易懂。

为什么这比框架更好（暂时）

• 可调试 – 当出现问题时，你可以准确知道是哪一步失败，并检查中间输出。
• 低成本 – 在大多数步骤中使用 gpt-4o-mini，每次运行的费用仅为几分钱的几分之一。框架通常默认使用昂贵的模型。
• 快速 – 没有框架开销，没有向量数据库查询，没有不必要的复杂性。整个过程在几秒内完成。
• 可修改 – 想添加一步？写一个新函数。想改变邮件语气？编辑一个系统提示。无需四处寻找文档。

让它准备好投入生产

我随着时间添加的一些内容：

import json
import logging

def safe_step(func, input_data, step_name):
    """Wrapper with logging and error handling."""
    try:
        logging.info(f"Starting: {step_name}")
        result = func(input_data)
        logging.info(f"Completed: {step_name} ({len(result)} chars)")
        return result
    except Exception as e:
        logging.error(f"Failed: {step_name} — {e}")
        return None

添加重试逻辑、输出验证，你就拥有了比大多数“代理”演示更稳健的东西。

提示工程要点

这里真正的技能不是 Python，而是编写优秀的系统提示。此流水线中的每个提示：

• 拥有明确的角色（例如“你是一名简洁的商务写手”）
• 明确指定输出格式
• 设定约束（字数限制、包含/排除的内容）
• 可以单独进行测试

优秀的提示就像优秀的函数签名——它们清晰地定义了输入、输出和约束。大多数人失败是因为他们只写“总结一下”，然后惊讶于输出不一致。

扩展规模

一旦你对基本链路熟悉后，可以：

1. 添加并行分支（例如，在起草电子邮件的同时生成社交媒体帖子）。
2. 通过在轻量级 JSON 存储中持久化摘要来引入记忆。
3. 按步骤切换模型——对摘要使用更便宜的模型，对创意写作使用更强大的模型。
4. 使用 argparse 或 FastAPI 将整个流程包装成简易的 CLI 或 Web UI。

关键在于：先从最小化实现开始，理解每个组成部分，然后迭代。你会发现，除非真的需要工具使用编排、长期记忆或多代理协作等功能，否则很少需要重量级框架。此时，几个精心设计的提示和少量函数就足够了。

• 条件分支 — 根据内容类型使用不同的提示
• 工具使用 — 让 LLM 调用函数（网页搜索、数据库查询）
• 记忆 — 在运行之间持久化上下文

这 正是框架开始有意义的时机。但如果在不了解提示链的情况下直接跳到 LangChain，就像在沙子上建房子。

完结语

AI 代理的热潮让人们误以为必须使用复杂的编排框架才能让 LLM 发挥实用价值。其实不需要。先从结构化提示开始，将它们串联起来，只有在真正需要时才增加复杂度。

最难的不是代码——而是编写能够持续产出有用结果的提示。我已经花了太多时间通过反复试验来完善自己的提示。

如果你想快速入手，我已经发布了经过测试的提示集合，分别用于业务工作流和AI 图像生成——采用我在这里描述的相同方法，涵盖了数百个真实场景，让你无需从零开始构建。

祝开发顺利。 🛠️

觉得有帮助？关注@anonimousdev_获取更多实用的 AI/自动化指南。