AI Agent 开发变现实战教程

什么是AI Agent

AI Agent = 能自主执行任务的AI。不是简单的聊天——是AI自己规划、执行、反馈、修正。

Agent vs ChatBot：

ChatBot：你问一句，它答一句
Agent：你说"帮我订机票"，它自己查航班、比价、选座、付款

ChatBot = 客服
Agent = 私人助理

商业价值：

• 智能客服Agent：替代5-10个人工客服，月省¥30000+
• 数据分析Agent：自动生成报告，省1个分析师
• 销售Agent：自动跟进客户，提升转化率30%
• 研究Agent：自动收集信息写报告，省50%时间

Agent框架对比

框架	特点	适用场景	学习成本
LangGraph	最灵活，支持复杂流程	企业级Agent	高
CrewAI	多Agent协作	团队任务	中
AutoGen	微软出品，对话式	研究/实验	中
Dify	低代码，可视化	快速搭建	低
Hermes Agent	你的工具，MCP集成	全场景	低

实战1：用LangGraph搭建客服Agent

安装

pip install langgraph langchain-openai

代码

from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
from typing import TypedDict, Annotated

# 状态定义
class State(TypedDict):
    messages: list
    intent: str
    response: str

# 初始化LLM
llm = ChatOpenAI(model="gpt-4o")

# 节点函数
def classify_intent(state: State) -> State:
    """分类用户意图"""
    messages = state["messages"]
    last_msg = messages[-1]["content"]
    
    resp = llm.invoke([{
        "role": "user",
        "content": f"判断以下消息的意图（退货/咨询/投诉/其他），只返回标签：\n{last_msg}"
    }])
    
    return {"intent": resp.content.strip()}

def handle_return(state: State) -> State:
    """处理退货"""
    return {"response": "您好！退货流程：1.打开订单 2.点击退货 3.等待审核。需要我帮您操作吗？"}

def handle_consult(state: State) -> State:
    """处理咨询"""
    return {"response": "您好！请问您想了解什么产品？我可以帮您查询价格、库存和参数。"}

def handle_complaint(state: State) -> State:
    """处理投诉"""
    return {"response": "非常抱歉给您带来不好的体验！请您详细描述问题，我会第一时间为您处理。"}

def handle_other(state: State) -> State:
    """处理其他"""
    return {"response": "您好！请问有什么可以帮您的？"}

def router(state: State) -> str:
    """路由"""
    intent = state.get("intent", "其他")
    if "退货" in intent:
        return "handle_return"
    elif "咨询" in intent:
        return "handle_consult"
    elif "投诉" in intent:
        return "handle_complaint"
    else:
        return "handle_other"

# 构建图
workflow = StateGraph(State)

# 添加节点
workflow.add_node("classify_intent", classify_intent)
workflow.add_node("handle_return", handle_return)
workflow.add_node("handle_consult", handle_consult)
workflow.add_node("handle_complaint", handle_complaint)
workflow.add_node("handle_other", handle_other)

# 添加边
workflow.set_entry_point("classify_intent")
workflow.add_conditional_edges(
    "classify_intent",
    router,
    {
        "handle_return": "handle_return",
        "handle_consult": "handle_consult",
        "handle_complaint": "handle_complaint",
        "handle_other": "handle_other",
    }
)
workflow.add_edge("handle_return", END)
workflow.add_edge("handle_consult", END)
workflow.add_edge("handle_complaint", END)
workflow.add_edge("handle_other", END)

# 编译
app = workflow.compile()

# 运行
result = app.invoke({
    "messages": [{"role": "user", "content": "我买的衣服想退货"}],
    "intent": "",
    "response": "",
})
print(result["response"])

实战2：用CrewAI搭建研究Agent

from crewai import Agent, Task, Crew

# 定义Agent
researcher = Agent(
    role="研究员",
    goal="收集和分析{topic}的最新信息",
    backstory="你是一个资深研究员，擅长从多个来源收集信息并综合分析。",
    llm=ChatOpenAI(model="gpt-4o"),
    verbose=True,
)

writer = Agent(
    role="报告撰写者",
    goal="将研究结果写成结构化报告",
    backstory="你是一个专业的报告撰写者，擅长将复杂信息整理成清晰的报告。",
    llm=ChatOpenAI(model="gpt-4o"),
    verbose=True,
)

# 定义任务
research_task = Task(
    description="研究{topic}的最新发展、市场趋势和关键玩家。",
    expected_output="详细的研究笔记，包含数据和来源",
    agent=researcher,
)

report_task = Task(
    description="根据研究结果撰写一份5000字的分析报告。",
    expected_output="结构化的分析报告，包含执行摘要、详细分析和建议",
    agent=writer,
)

# 运行
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, report_task],
    verbose=True,
)

result = crew.kickoff(inputs={"topic": "AI Agent市场"})
print(result)

实战3：销售跟进Agent

class SalesAgent:
    def __init__(self):
        self.llm = ChatOpenAI(model="gpt-4o")
        self.leads_db = {}  # 客户数据库
    
    def process_message(self, lead_id: str, message: str) -> str:
        """处理客户消息"""
        # 获取客户历史
        history = self.leads_db.get(lead_id, {
            "messages": [],
            "stage": "new",  # new/interested/negotiating/closed
            "interests": [],
        })
        
        # AI分析
        analysis = self.llm.invoke([{
            "role": "user",
            "content": f"""
            客户消息：{message}
            客户阶段：{history['stage']}
            历史对话：{history['messages'][-5:]}
            
            分析：
            1. 客户意图
            2. 购买意向（1-10分）
            3. 推荐回复
            """
        }])
        
        # 更新客户状态
        history["messages"].append({"role": "user", "content": message})
        self.leads_db[lead_id] = history
        
        return analysis.content
    
    def auto_follow_up(self, lead_id: str) -> str:
        """自动跟进"""
        history = self.leads_db.get(lead_id, {})
        
        if history.get("stage") == "new":
            return "您好！感谢关注我们的产品，有什么可以帮您的？"
        elif history.get("stage") == "interested":
            return "您好！上次您提到对我们的产品感兴趣，要不要安排一个演示？"
        else:
            return None  # 不需要跟进

商业化方案

方案1：Agent开发服务

客户需求 → 设计Agent → 开发 → 测试 → 部署

报价：
├── 简单Agent（单功能）：¥5000
├── 中等Agent（多步骤）：¥15000
├── 复杂Agent（多Agent协作）：¥30000-50000
└── 持续维护：¥3000/月

方案2：Agent SaaS产品

产品：AgentHub — Agent搭建平台
功能：
├── 可视化搭建Agent（拖拽式）
├── 预设模板（客服/销售/研究/分析）
├── 知识库集成
├── API接口
├── 多渠道部署（Web/微信/飞书）

定价：
├── 免费版：1个Agent，100次/月
├── 专业版：¥199/月，5个Agent
├── 企业版：¥999/月，无限Agent

方案3：行业解决方案

电商Agent套餐：¥20000
├── 客服Agent
├── 选品Agent
├── 数据分析Agent
└── 月维护¥3000

教育Agent套餐：¥25000
├── 教学Agent
├── 作业批改Agent
├── 学生管理Agent
└── 月维护¥3000

月收入预估

Agent开发服务：
├── 3个项目/月 × ¥15000 = ¥45000
├── 5个维护客户 × ¥3000 = ¥15000
└── 总计：¥60000/月

Agent SaaS（100用户）：
├── 月收入：¥20000-50000
└── 成本：¥2000/月

你的优势

你已有：

• Hermes Agent（完整的Agent框架）
• 82个工具（Agent可以调用的工具）
• 24个MCP Server（标准化工具接口）
• 完整的技能系统

你不是在学Agent——你已经在做Agent了。把你的Hermes Agent商业化就是最好的Agent服务。