智能体开发
Level 1: 提示词创建
先做一个角色明确、体验完整、能稳定对话的提示词型智能体
工具：Cherry Studio，豆包，讯飞星火，腾讯元器
编辑智能体：
- 模型设置：模型温度：温度越高，输出的内容越有创意性。
level 2：当任务步骤固定时，用工作流更合适
任务步骤大致确定，希望过程可见、可控、可复用时，优先工作流。
level 3：在 平台里做更完整的平台智能体
| 对比维度 | Coze（扣子） | Dify | n8n |
|---|---|---|---|
| 平台定位 | 更偏零代码智能体与内容应用平台 | 更偏大模型应用开发平台 | 更偏通用自动化与流程编排平台 |
| 适用用户 | 零技术背景的个人、小团队、自媒体运营者 | 开发者、技术团队、需要定制化 AI 的企业 | 开发者和需要复杂自动化的企业 |
| 核心优势 | 上手快、模板多、发布方便、字节生态联动明显 | 工作流、知识库、API、私有化与企业化能力更强 | 集成能力强、节点多、开源程度高 |
| 学习曲线 | 低 | 中 | 较高 |
| 扩展性 | 有限（主要依赖预设模板和插件） | 中等（支持自定义模型和外部工具） | 极强（400+节点，支持代码自定义） |
| 部署方式 | 支持云端托管和私有化部署 | 支持云端和私有化部署 | 支持自托管和云端部署 |
| 成本 | 免费版+积分制付费套餐 | 免费版+分层付费计划 | 完全开源，自托管只需服务器费用 |
| 趋势 | 不错的使用体验，个人用户增长迅速 | 在企业用户中的影响力不断扩大 | 在企业级市场保持着稳定的用户基础 |
优点与缺点分析：
-
Coze 的优缺点：
- Coze 的最大优点是上手极其简单，提供 100+预制模板，无需编写代码就能快速搭建 AI 应用。它与字节系产品（抖音、飞书等）深度集成，一键发布到多个平台。免费版提供基础功能，试错成本低。
- Coze 的局限性在于功能较浅，复杂逻辑难以实现。数据云端存储（虽支持私有化部署，但插件开发者生态仍闭源，私有化部署版本不如云托管版本易用） ，对企业数据安全有顾虑。深度集成能力弱于 n8n 和 Dify。
-
Dify 的优缺点：
- Dify 的突出优势在于大模型应用开发能力强，内置多种模型接口和 RAG 框架。提供企业级功能如多模型热切换、权限管理和操作审计。在低代码和高扩展性之间取得了良好平衡。
- Dify 的缺点是模型调用成本较高，依赖第三方 API 付费接口。对非技术用户仍有一定门槛，需理解“向量数据库”等概念。
-
n8n 的优缺点：
- n8n 的核心优势是开源免费且数据完全自主，满足严格合规需求。拥有强大的集成能力，支持 400+预建节点，几乎可以连接任何系统。可视化+代码双模式兼顾易用性与扩展性。
- n8n 的主要缺点是学习门槛较高，需要理解 API 概念和工作流逻辑。中文资源相对较少，深度功能需参考英文文档。
你可能会问：Coze 和 Dify 先学哪个？ 若你零代码、想最快做出能发布的智能体（如豆包/飞书一键发布），优先跟 Coze；若你有一点开发基础、更在意企业级功能或本地部署，可优先 Dify。两者思路一致（提示词 + 工具/插件 + 知识库），学完一个再学另一个会很快。
1. Coze
工作空间：展示已开发的智能体或资源库列表，用户可在该平台上创建、配置和管理聊天机器人与智能体。 模板：提供大量可复制的模板，部分模板收费。 商店：展示平台上其他用户开发的项目，以及开发时可用的各种插件（如联网、爬虫、股票分析等）。 基本步骤：
- 创建智能体
- 填写提示词
- 模型参数调整/使用插件/使用变量（需要将交互的数据记录下来）
- 设置开场白和预设问题/使用知识库/使用数据库/长期记忆/文件盒子
2. Dify
一个开源的大语言模型(LLM)应用开发平台，为 AI Agent 提供了 50 多种内置工具，如谷歌搜索、DALL·E、Stable Diffusion 和 WolframAlpha 等。
它的具体功能如下： 基于Agent架构构建智能体应用 基于RAG构建私有知识库应用 基于Workflow构建智能工作流应用
Dify 可以本地化部署，保证数据的安全。
基本步骤：
- 创建智能体
- 填写提示词
- 设置开场白和预设问题/审查
Level 4：代码级开发——自己掌控 Loop 与 Harness
前面 Level 1~3 都是平台视角（提示词 → 工作流 → Coze/Dify/n8n），本质是”用别人搭好的运行外壳”。当平台的灵活性不够、或要深度定制时，就下沉到代码级开发，自己掌控 Agent 的运行机制。
这一层要理解两个核心概念（Day 1 的另外两篇）：
- 运行循环（Loop）：Agent”想→做→看→再想”的节奏。如何设计见
loop_engineering.md。 - 运行外壳（Harness）：真正驱动这个循环、把模型武装成 Agent 的那层代码。见
agent_harness.md。
把 Level 1~4 连起来看：提示词决定 Agent 的角色 → 工作流/编排决定固定流程 → Loop 决定动态循环节奏 → Harness 是承载这一切运行的机器。平台（Coze/Dify）帮你把 Harness 藏起来了；代码级开发则是自己造或用 LangChain/LangGraph 这类现成 Harness。
代码级选型阶梯
| 阶段 | 工具 | 何时用 |
|---|---|---|
| 搞懂原理 | 纯 Python 手写 while 循环 | 学习、想看清 Agent 到底怎么转 |
| 快速起步 | LangChain AgentExecutor | 原型、单 Agent、标准 ReAct |
| 复杂可控 | LangGraph（graph-based runtime） | 分支、多 Agent、需要强可控性和可观测性 |
建议路径：先手写一遍最小循环（体会判停、状态、错误处理），再用 LangChain，最后按需上 LangGraph。顺序反了容易被框架概念淹没，却不懂它在解决什么。
开发路径全景图
零代码 ────────────────────────────────────────▶ 全代码
│ │ │ │
提示词型 工作流型 平台智能体 代码级 Agent
(Cherry等) (步骤固定) (Coze/Dify/n8n) (LangChain/LangGraph/手写)
│ │ │ │
角色+对话 流程可见可控 知识库+插件+发布 自己掌控 Loop & Harness
└─ loop_engineering.md
└─ agent_harness.md
选型直觉：越往右越灵活但越重。需求能被平台满足就别下沉；平台卡住了（要自定义循环、特殊工具编排、深度可观测）再上代码级。
常见坑（复习重点）
- 一上来就写代码 → 简单需求用 Coze/Dify 几分钟搞定，非要手写循环属于过度工程。
- 一直停在平台层 → 遇到平台表达不了的复杂逻辑还硬凑，此时该下沉到代码级。
- 跳过手写直接上 LangGraph → 不理解 Loop/Harness，框架就是黑盒，出问题不会查。
- 温度参数乱设 → 需要稳定输出的任务（如结构化提取）把温度调高，导致结果飘（呼应”AI 可预测性”，Day 2）。
Agent 表现不好，该拉哪根杠杆？（排障决策框架）
Agent 效果差时，常见的错误反应是”赶紧微调模型”。其实有三根不同的杠杆，对应三种不同根因，且成本天差地别。先诊断症状，再对症下药。
| 症状 | 根因 | 拉哪根杠杆 | 成本 |
|---|---|---|---|
| 不知道某事实 / 最新信息 / 私有知识 | 缺知识 | RAG（检索喂进上下文），见 embedding_model.md | 低~中 |
| 知道但不听指令 / 格式不对 / 风格不对 / 不会调工具 | 缺行为 | SFT 微调，见 foundation_model.md + sft.md（Day 3） | 高 |
| 单步没问题，但多步就乱：忘前文、死循环、工具报错就崩、该停不停 | 缺工程 | Harness / Loop / Context，见 agent_harness.md、loop_engineering.md | 低 |
⚠️ 关键认知：很多看起来像”模型不行”的问题，其实是 Harness / 上下文问题。
- Agent”忘了”前面说的话 → 多半是状态管理没把历史喂回去（Loop/Context），不是模型笨。
- Agent 工具老调错 → 可能是工具描述写得烂（Harness 的上下文组装），不该急着微调。
排障顺序：便宜 → 贵
① 先调 Prompt / Context ← 最便宜，改几行字
② 再查 Harness / Loop ← 状态、工具描述、错误处理、判停
③ 缺知识 → 上 RAG ← 中等成本
④ 缺行为且前三步都试过 → SFT ← 最贵，最后手段
一句话：微调是最后手段，不是第一反应。 先怀疑工程（Harness/Context），再怀疑知识（RAG），最后才怀疑模型行为（SFT）。
呼应”两个基座”（见
foundation_model.md）：RAG/微调动的是基座模型①（模型地基），Harness 动的是基座②脚手架（系统地基）——它们是并列的不同杠杆。
关联概念
loop_engineering.md：代码级开发绕不开的运行循环设计。agent_harness.md：承载循环的运行外壳，平台帮你藏起来了。foundation_model.md：两个”基座”辨析；RAG vs 微调动的是模型地基。agent.md：Agent = 模型 + 工具 + 循环 + 状态；workflow vs agent 的取舍。mcp.md/tool_calling.md：给 Agent 接能力。openai_compatible_sdk.md：代码级开发里”调哪个模型”的统一客户端层，换供应商只改base_url。n8n.md：Level 3 平台智能体之一，可视化工作流自动化 + AI Agent 节点（与 Coze/Dify 并列）。