AI Agent Bake Off 第3集：《为创始人构建 GTM 代理》
Source: Dev.to
第三集：AI 代理烘焙赛 – 为创始人构建 GTM（Go‑to‑Market）代理
在本期节目中，我们将展示如何使用 Google AI Agent 框架为创业者打造一个 GTM 代理，帮助他们快速制定市场进入策略、识别目标客户并生成营销文案。整个过程包括：
- 定义代理角色 – 为代理设定明确的职责和语气。
- 准备提示模板 – 编写系统提示（system prompt）和用户提示（user prompt），让模型了解业务背景。
- 实现工具链 – 使用 LangChain、Vertex AI 等工具来调用外部 API（如 Crunchbase、Google Trends）。
- 部署与测试 – 将代理部署到 Cloud Run，使用 Postman 或 curl 进行端到端测试。
下面我们一步步拆解实现细节。
1️⃣ 设定代理角色
name: GTM-Assistant
description: |
为创始人提供 Go‑to‑Market 战略建议，包括市场细分、竞争分析、渠道选择和营销文案生成。
persona: |
你是一位经验丰富的市场顾问，擅长用简洁、可执行的语言帮助创业者快速验证假设。
tone: professional, concise, data‑driven提示：在
description中使用 Markdown 列表可以帮助模型更好地结构化输出。
2️⃣ 编写系统提示（System Prompt）
You are GTM-Assistant, an AI market strategist for early‑stage founders.
Your goal is to:
- Identify the most promising customer segments for the given product.
- Provide a concise competitive landscape overview.
- Recommend 2‑3 go‑to‑market channels with justification.
- Draft a short elevator pitch (max 150 words) and a LinkedIn ad copy (max 80 characters).
Always ask clarifying questions before providing a final answer.
Reference the latest data from Crunchbase and Google Trends where possible.翻译要点：保持技术术语（如 Crunchbase、Google Trends）不变，只翻译说明性文字。
3️⃣ 用户提示（User Prompt）示例
Product: AI‑powered video editing SaaS
Target market: Small‑to‑medium businesses in North America
Current traction: 5 paying customers, $10k MRR这段内容会作为 用户输入 传递给代理，模型会基于系统提示生成相应的 GTM 建议。
4️⃣ 集成外部工具
我们使用 LangChain 来封装对外部 API 的调用，并将其注册为 Agent Tools。
from langchain.tools import BaseTool
import requests
class CrunchbaseSearchTool(BaseTool):
name = "CrunchbaseSearch"
description = "Searches Crunchbase for companies matching a given query."
def _run(self, query: str):
response = requests.get(
"https://api.crunchbase.com/v3.1/odm-organizations",
params={"query": query, "user_key": os.getenv("CRUNCHBASE_KEY")},
)
return response.json()注意：代码块保持原样，不进行翻译。
5️⃣ 构建完整的 Agent
from langchain.agents import initialize_agent, AgentType
tools = [CrunchbaseSearchTool(), GoogleTrendsTool()]
agent = initialize_agent(
tools,
model="gemini-1.5-pro",
agent_type=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
verbose=True,
)此时，agent 已经具备：
- 零样本推理（Zero‑Shot）能力
- 工具调用（Tool Use）能力
- 对话记忆（Conversation Memory）
6️⃣ 部署到 Cloud Run
-
创建 Dockerfile
FROM python:3.11-slim WORKDIR /app COPY requirements.txt . RUN pip install -r requirements.txt COPY . . CMD ["gunicorn", "-b", "0.0.0.0:8080", "main:app"] -
构建并推送镜像
gcloud builds submit --tag gcr.io/$PROJECT_ID/gtm-agent -
部署 Cloud Run 服务
gcloud run deploy gtm-agent \ --image gcr.io/$PROJECT_ID/gtm-agent \ --platform managed \ --region us-central1 \ --allow-unauthenticated
部署完成后，你会得到一个 HTTPS 端点，可通过以下方式调用：
curl -X POST https://gtm-agent-xxxxxx-uc.a.run.app/predict \
-H "Content-Type: application/json" \
-d '{"product":"AI video editing SaaS","market":"SMBs North America"}'7️⃣ 测试结果示例
{
"segments": [
"Digital marketing agencies",
"Online education platforms"
],
"competitors": [
"Descript",
"Adobe Premiere Rush"
],
"channels": [
"Content marketing via YouTube tutorials",
"Partnerships with SaaS marketplaces"
],
"elevator_pitch": "Our AI‑powered video editor lets SMBs create professional videos in minutes, boosting engagement without a video team.",
"linkedin_ad": "Create pro videos in minutes – AI editing for SMBs."
}解读：代理成功返回了细分市场、竞争对手、渠道建议以及两段营销文案，满足了系统提示中列出的所有输出要求。
📌 小结
- 角色设定 与 系统提示 决定了代理的行为边界。
- 工具链（Crunchbase、Google Trends）让模型能够访问实时数据，提升建议的可信度。
- Zero‑Shot ReAct 让代理在不需要大量示例的情况下完成复杂任务。
- Cloud Run 提供了无服务器、自动扩缩的部署方式，适合快速迭代。
通过本案例，你可以把同样的框架迁移到其他业务场景——比如 产品定位助手、招聘顾问 或 财务分析师。只需更改系统提示和工具，即可生成专属的 AI 代理。
祝你玩得开心，期待看到你们的创意实现！ 🚀
提示
使用 #Gemini 和 #ADK 为创始人构建一个 GTM 代理，使其同时具备 MultiModel（超越文本）和 MultiAgent（不仅仅是 AI 包装器）的特性。
The Setup
这就是我们三个团队所报名的——1 位开发者，1 位 Googler，1 个 AI Studio API Key，以及 Google 的 Agent Development Kit（ADK）。
知识库
我们还为他们提供了一个 Go‑To‑Market 开源仓库，以帮助他们快速起步：
https://github.com/goabego/ai-gtm-playbook
这就是我们给他们的全部（好吧，还有午餐和大量咖啡）。我们收获颇丰：从上下文填充最佳实践到快速的 A2A 部署（后面会详细介绍）。
本集你将看到什么？
我们将视频分为三部分：挑战日、演示和评委评议。
挑战日
在拍摄当天，我们给团队安排了一个 2 小时的迷你黑客马拉松，让他们的代理在六项不同的测试中发挥极限——完成最多的即获胜。
完整挑战细节： https://gist.github.com/goabego/d7e3ff6897c6891f315030cdbda80ec5
演示
接下来你将看到各团队使用 ADK 构建 AI 代理的细节。你会了解 ADK Web、Gemini、子代理架构、管理上下文的技巧等。下面是其中一个团队的架构图示例（全部开源，见下方）。
评委
也许最受欢迎的环节是评委与团队之间的问答。在本集我们邀请了 Ivan（Google Cloud AI 开发者关系）、Shubham（Google Cloud AI 产品经理）和 Annie（Google Cloud AI 开发者关系）。他们提问、分享想法，并选出获胜者。
想要更具互动性的观看体验？
我们打造了一个更具教育意义的体验，加入了卡片、代码片段和实用链接。立即在此尝试：ai-agent-bakeoff.com – 你可以提问，我们会作答。我们还在该网站上添加了开源内容，便于学习。
所有参赛者的源代码和架构图均可在网页应用的第一张卡片中查看。
关键学习在 WebApp 中
在 WebApp 中，我们深入探讨了游戏节目中的以下洞见（但不限于此）：
- 使用 Python 和 Google 的 ADK 构建标准化的 MCP 服务器。
- 实现发现和执行处理程序，以实现无缝的工具集成。
- 使用 MCP Toolbox 将代理连接到企业数据库。
- 使用 A2A 实现不同 AI 框架之间的协作。
- 利用 Gemini 3 Pro 进行高级多模态代理推理。
- 通过 Vertex AI 和 GKE 将代理部署到生产环境。
- 使用 ADK Web 快速原型设计并可视化代理流程。
- 使用开源 AI GTM 手册扩大采用规模。
- 通过使用子代理绕过上下文衰减来优化性能。