如何建立 AI 代理程式 — 第 2 部分：建立 MVP

在 第一部分我們通過定義願景、使用案例和成功標準，為我們的 AI 代理人奠定了基礎。現在，是時候將這個願景實現。在第二部分中，我們將逐步介紹構建最低可行產品 (MVP) AI 代理程式的過程，該程序可幫助用戶根據相關性、成本和潛在的投資報酬率決定哪些行業會議值得參加。

讓我們直接深入了解構建。

1.它會如何工作？

在構建任何功能之前，我們需要一個堅實的開發基礎。這包括選擇正確的工具、配置我們的環境，以及設置可實現快速迭代的工作流程。

現在，設計怎麼樣？以下是從輸入到預期輸出的整體工作流程：

我們將每個步驟分為個別的模塊，以防因某種原因我們決定我們想改變事情。該架構實現了靈活性，並允許系統的不同部分（例如內容檢索或投資回報（ROI）評分）獨立進化，而不會破壞系統的其他部分。

或者，我們希望這樣！

您需要什麼：

• 大型語言模型 (LLM) 端點
• Dify.ai 帳戶（不用擔心，它們是免費的！）用於管理 AI 工作流程
• 火焰 — 用於將網站抓取到可用於 LLM 的數據中。我們將使用他們的免費計劃。

取得您的端點

為了我們的目的，我們將使用具有 OpenAI API 兼容性的 GMI 託管 LLM 端點，但您可以使用任何具有類似配置的端點執行此操作。在我們的情況下，只需轉到設置 → 添加「模型提供商」→ 添加與 OpenAI API 兼容。

使用聊天流程創建 Dify 項目

前往 https://cloud.dify.ai/apps，確保您已登錄，然後您可以開始創建一個項目。為了我們的目的，我們將使用聊天流程。

二.資料輸入

我們有我們的流程，現在我們組裝每個單獨的模塊。首先，讓我們看看哪些將被視為輸入，因為正如我們所知：垃圾進入 = 垃圾出！

我們的 AI 代理人需要找出哪些行業活動值得將我們的團隊發送到，因此我們將需要為其提供一種方法，以便基礎 LLM 處理的格式來搜索、提取和彙總該信息。

是時候建造了。

添加輸入參數：

透過 API 搜尋

我們將在搜索結果上添加一個迭代器，以了解源上下文。這個步驟很重要，因為搜索引擎會根據相關性排序的許多結果。事件網站和聚合器往往是頂級結果，迭代器的工作是提取有關這些事件的詳細信息。

這就是火焰火花進行抓取的地方。

‍加入 GMI 法學碩士

使用者提示：

**Instructions:**
You are provided with Markdown content containing information about one or more events.  Your task is to extract the event details and return them in a list of JSON objects. Each JSON object should represent a single event and conform to the following schema:

```json
{
 "title": "string",
 "start_date": "string",
 "location": "string",
 "topic/focus": "string",
 "audience": "string",
 "summary": "string"
}
```

Important Considerations:
Strict Adherence to Schema: Ensure that the output is a valid JSON array containing JSON objects that strictly adhere to the provided schema. Do not include any extra text or explanations outside the JSON array.
Handle Missing Information: If the Markdown content does not provide information for a particular field in the JSON schema, set the value of that field to "N/A".
Multiple Events: If the Markdown describes multiple events, return a JSON array containing one JSON object for each event.
Markdown Variations: Be prepared to handle variations in how event information might be presented in the Markdown. Look for keywords like "Date:", "Time:", "Location:", "Topic:", "Audience:", "Summary:", etc., but also be able to infer information from surrounding text.
Data Extraction: Extract the most relevant information for each field. For example, for the "time" field, extract the start date of the event in format of YYYY-MM-DD. For the "summary" field, provide a concise summary of the event.
JSON Output Only: The only output you should provide is the JSON array. Do not include any introductory or concluding remarks.
Markdown Content:
<Scrape text>

此時，您需要將 LLM 輸出解析為 JSON 格式。 通過轉換為 JSON（結構化格式），這使下游步驟可以輕鬆準確地處理結果。

這是我們使用的代碼：

import json
import re

def main(arg1: str) -> dict:
   json_blocks = re.findall(r'(\[\s*\{.*?\}\s*\])', arg1, re.DOTALL)
   all_events: List[dict] = []
   for block in json_blocks:
       try:
           parsed_str = block.encode('utf-8').decode('unicode_escape')
           parsed_json = json.loads(parsed_str)

           # If the parsed JSON is a list, extend the result
           if isinstance(parsed_json, list):
               all_events.extend(parsed_json)
           # If it's a single object, append it
           elif isinstance(parsed_json, dict):
               all_events.append(parsed_json)
       except json.JSONDecodeError:
           continue

   return {
       "events": all_events
   }

接下來是什麼？好吧，我們現在有輸入數據，但在 AI 代理程序開始處理之前，需要清理和排序它。因此，現在是時候從不同搜索結果彙總結構化事件，刪除重複和按日期排序了。

這是我們使用的代碼：

import json
from datetime import datetime

def main(arg1: list) -> dict:
   unique_events = {event["title"]: event for event in arg1}.values()
   def sort_key(event):
       try:
           return datetime.strptime(event["start_date"], "%Y-%m-%d")
       except ValueError:
           return datetime.max  # Assign max date to push invalid dates to the end
   sorted_events = sorted(unique_events, key=sort_key)
   sorted_events = sorted_events
   return {
       "events": sorted_events,
   }

這就是數據輸入步驟！到目前為止，我們已經創建了一個工作流程模式：

• 使用火焰收集數據
• 為該數據添加了上下文
• 將數據解析為可用的格式
• 彙總、刪除重複和排序最終解析的資料

接下來，是時候教我們的代理人在這些數據中搜索我們希望它做的事情了。

三.搜尋和使用資料

現在，我們已經構建了一個簡單的模式（撰寫網絡查詢 → 網絡搜索 → 使用 LLM 解析輸出），我們可以利用它在確定 ROI 時搜索兩個關鍵因素： 機票價格和酒店價格

注意：為了更準確/高級搜索（例如，帶折扣的股票價格），我們可以擴展此步驟，詢問專門為此目的構建的單獨代理商。

現在，我們彙總結果和輸出。

‍

4.測試與版序

沒有驗證，任何 MVP 都不會完成。我們執行了多輪測試，以確保代理商提供價值。

驗證資料準確性

我們檢查了：

• 正確的事件是否被提取？
  
• 成本數據準確合理嗎？
  
• 不相關的事件是否被過濾掉？
  

用戶反饋和細化

我們與內部利益相關者分享 MVP，以及早收集反饋。基於此，我們：

• 提高摘要的清晰度
  
• 調整投資報酬率評分公式
  
• 針對利基主題的增強過濾
  

效能最佳化

我們還：

• 通過緩存結果降低抓取延遲
  
• 通過更好的提示提高 LLM 解析可靠性
  
• 新增臨界值以最大限度地減少假陽性
  

5.部署與下一步

最後的階段是使 MVP 進入可用的狀態，進行更廣泛的測試。

託管注意事項

我們測試了兩種部署策略：

• 本機碼頭部署 用於快速迭代和隔離測試
  
• 雲端部署 關於可擴展性和遠端存取的 GMI 雲端基礎架構
  

擴展 MVP

隨著核心工作，未來的版序可以：

• 新增更多活動資料來源 (RSS 摘要、精選電子報、LinkedIn 活動)
  
• 使用微調的 ML 模型或嵌入來改善投資報酬率模型
  
• 整合即時航班和酒店 API 來擴大成本估算
  

未來的增強功能

展望未來，潛在的下一個功能包括：

• 根據個人目標或偏好的個人化賽事得分
  
• 以團隊為基礎的建議（例如，「這是否值得發送我們的 BD 團隊？」）
  
• 擴展到其他領域，例如產品發布或網絡聚會
  

最後的想法

這個 AI 代理起初是一個簡單的想法 —— 幫助忙碌的專業人士決定哪些活動值得參加。通過方法開發、反覆測試和正確的工具，我們通過精簡、靈活的 MVP 將這個想法實現。

在第 3 部分中，我們將探討如何將此 MVP 發展為可生產的系統，以最佳化效能，並將其更深入整合到業務決策工作流程中。

在此之前，快速建置，保持好奇心，並讓 AI 完成重大工作。

順便說一句，你看過我們的 構建 AI 驅動的語音翻譯器指南?它只使用開源工具！

構建無限制的 AI！