从零搭建智能体：AI 学习路径、设计模式与业务提效实战
2025 年 10 月 29 日晚，WaytoAGI 社区「晚八点共学」邀请二师兄、x、寻鱼三位讲师，围绕「AI 智能体实战」展开分享。二师兄从自身从房地产行业转战 AI 的经历出发，梳理了新手学习 AI 的常见误区与可行路径；x 以扣子（Coze）为工具，拆解了六种基础智能体设计模式，并分享了 agentic retrieval 等前沿思路；寻鱼则结合服装行业的一线案例，展示了如何用扣子与飞书多维表格组装 AI 效率工具，实现数百倍的业务提效。本文适合刚接触 AI、想系统学习智能体搭建，或希望将 AI 落地到具体业务场景的读者。
新手学习 AI：先摆正心态，再找对路径
二师兄坦言，自己去年还是完全不懂计算机的房地产从业者，踩过不少坑。他总结了新手初期最容易遇到的几个问题：没有学习目标、不知道怎么把 AI 用到工作上、模型太多不知道选哪个、学了就忘。他特别提到自己曾花大量时间研究 stable diffusion，但画图对他的日常工作毫无帮助，浪费了不少精力。
针对这些问题，他给出 8 条建议：
- 不追求完美或速成：学习是持续积累的过程，需要试错时间。
- 重视底层基本知识：不需要懂算法或编程，但要了解 AI 是怎么训练、怎么工作的，这样才能理解 AI 的能力边界。他建议不要浪费时间去看清华北大等高校的大模型课程，「我可以赌 10 块钱，新手小白是真的听不懂的」。
- 实时记录沉淀：把学到的技巧和踩过的坑写进知识文档。
- 养成 AI 思维：遇到任何问题，第一时间问 AI，可以用豆包或 DeepSeek。没有明确需求时，也可以尝试「PUA」它，练习提示词技巧。
- 聚焦业务场景：花几秒钟想想日常工作中最重复、最耗时但有价值的小场景，从解决这些小任务入手，不要盲目跟风技术热点。
- 分阶段学习：从认知入门到掌握工具，再到实操应用和进阶优化，每个阶段设定明确目标。
- 选择合适路径：用 Kimi、豆包、DeepSeek 等模型做事算 0.5 阶段；开始用 0 代码工具搭建 AI 分身或工作流，才算进入 1 阶段。
- 加入社区：一个人容易放弃，加入社区一起学习、参加训练营和比赛，以赛代练，能获得真实反馈和经验积累。
在认知层面，二师兄提醒要避免两个极端：认为 AI 无所不能，或认为 AI 只是个简单工具。他建议把 AI 当作实习生，自己作为主管去审核和验证它做的事；同时要明白自动化和智能化是两条不同的技术路线，不能指望 AI 一次性搞定全部任务；从高频小场景切入，先解决小任务再扩充能力。
关于提示词，二师兄指出很多人收藏了大量模板却感觉没用，因为随着模型能力增强，真正要掌握的是人与 AI 之间的交流技巧。他给出四点建议：语言表达简洁但包含必要关键信息（他举例有人给大模型写了 2000 多字提示词，效果反而不理想）；分清不同模型和场景下提示词的差异，多尝试对比；搞明白指令和提示词的区别——提问和让 AI 写文章属于指令，给 AI 设定角色身份才是提示词，绘画场景中的图像标签也是提示词；及时反馈和修正，输出不理想时补充没说清楚的内容。
扣子（Coze）：新手从 0 到 1 的推荐工具
二师兄重点推荐了扣子作为新手入门智能体的工具，原因有四：零门槛，不需要编程背景，全部通过拖拉拽完成；涉及系统性基础知识，如变量、数组、对象等概念，用扣子能自然学到；有大量案例模板可以直接复制拆解学习；使用成本低，每天有免费额度，充值也很便宜。
扣子的核心能力包括：
- AI 分身：搭建智能体，设定身份提示词和专属知识库，适用于智能客服、新员工培训等场景。
- Workflow（工作流）：像工厂流水线一样，把材料从一头塞进去，另一头出来产品。完全可视化，像搭乐高，把各个步骤节点用线穿起来，可以实现从输入到输出的端到端自动化。
- 扣子空间：通用智能体，能自动规划任务路径、调用工具完成任务。比如让它做 PPT，它会自动写大纲、生成定稿文件，下载后可直接编辑。
- 扣子罗盘：可以测试不同模型下不同提示词的输出效果，快速验证提示词好不好、模型选得对不对。
学习路径上，二师兄建议先从最简单的 AI 分身开始，比如做一个纯粹的 AI 翻译或画图智能体；再尝试设计或拆解工作流；最后根据业务场景迭代强化。
为什么说扣子是学习其他 AI 工具的基础？二师兄对比了 n8n 等工具——n8n 第一步就要下载 Docker 或在命令行输入命令，对小白太难。而扣子里能学到插件工具、变量类型、画布、提示词、上下文、知识库、数据库、循环等知识点，还能打通飞书多维表格，理解模型能力和多 agent 协作。
六种智能体设计模式：从链式到自主推理
x 是一名软件开发工程师，从 2023 年六七月份就开始用扣子。他认为了解 agent 设计模式有三个原因：每个人对 agent 的理解不同，同一个结果可以有无数种设计模式；开发者可以根据任务自由交叉叠加或改造这些模式；使用者了解后能看懂 agent 背后的工作流程，更好地使用它。
他介绍了六种基础设计模式：
链模式（Chain）：把大任务拆成若干小任务依次运行，后一个任务可能用到前几个任务的结果。比如写公众号文案：输入主题 → 生成大纲 → 扩展内容 → 排版发布。
并行模式（Parallel）：接受任务后分给多条链路同时执行。比如输入一个文章主题，并行分给三个大模型分别写散文、诗歌、小说，最后汇聚结果。扣子中还有「批处理」模式，相当于开多个线程同时处理多个任务。
路由模式（Routing）：根据任务需求分配到合适路径。扣子中封装成了「意图识别」节点，典型场景是客服电话的「遇到什么问题请按 1，请按 2」。
评优器模式（Evaluator）：agent 产生结果后，由另一个 agent 或人工根据质量标准评审，反馈优化意见，再对初次内容进行优化。可以循环执行不断优化。二师兄做绘本工作流时就用到了 for 循环加人工介入，把每张绘本图片和提示词展示出来，人工调优评审。
编排器模式（Orchestrator）：与前面几种不同，不是自己拆分设计工作流，而是由一个主 agent 作为管理协调者，把复杂任务拆分成子任务及任务说明，存放在缓存中（扣子中可以是变量或数据库），然后选择适配的 agent 执行，执行完成后在缓存中标记任务结束。扣子空间和 Manus 都是基于这个概念。x 强调一个重要的思维模式：每个 agent 都可以封装成一个工具调用，可以封装成 MCP 或 tools 让大模型识别调用。
ReAct Agent 模式：即 reason and action，先推理再行动。适用于开放性问题，无法事先明确工作流的情况。agent 根据提示词或工作流程安排，自主决定何时调用工具、工作流或改变缓存状态。在扣子中，就是建立一个 AI 智能体，添加工具、工作流、变量、数据库等，但不由人为控制，而是由左侧的 agent 大脑自主决定调用时机。
前沿思路：agentic retrieval 与 text to SQL 实践
x 分享了他观看 LangChain 和 Claude Code 开发者访谈的启发：随着 AI 能力提升，过去认为复杂甚至需要专业背景的问题正变得越来越容易解决。
访谈中提到的 agentic retrieval 提供了一个不同于 RAG 的新思路——不再依赖预先构建和处理好的知识库，而是相信大模型本身的能力。它只用两个工具加两个文件：文件读取工具和 Grep 工具（支持正则表达式的模糊匹配检索），以及一份目录地图（包含文档链接和文档描述）。工作步骤很简单：接受用户查询 → AI 阅读目录地图 → 根据用户请求和文档描述判断答案可能在哪个文档 → 必要时调用 Grep 工具匹配内容 → 输出答案。相比之下，传统 RAG 需要整理知识库、分块、向量化，逻辑复杂且对小白不友好。x 提到，在 LangGraph 文档上的测试中，这种模式的效果明显高于 RAG。
x 自己负责的 text to SQL 项目也用了类似思路：抛开传统方法，让大模型解析——把所有表名和表描述放在一个文档中，把所有字段（包含字段描述、类型、关联信息）放在不同文档中，AI 阅读文档匹配相关联的表名，获取字段描述，再根据描述生成 SQL 语句。他对比了把后端 API 接口封装成工具调用的方案，这种方式的准确率比传统 text to SQL 工作流高很多。
业务提效实战：服装行业的 AI 组装案例
寻鱼来自服装行业，他分享的核心观点是：学完 AI 要应用到场景提效，方法是「找场景，组装 AI」。他区分了两类智能体：Manus 那种自主规划的智能体和扣子、Dify 这类 workflow 智能体。有标准 SOP 流程的业务场景，适合用 workflow 扣子类智能体。
他分享了三个服装行业的落地案例：
服装设计：以往设计一款衣服以周为单位，从设计师出稿到选面料、打样，流程很长。现在用 AI 生成线稿图 → 转实物图 → 用 AI 工具把衣服穿到模特身上做整体展示，方便预售测款。他基于 Nano Banana 组装了适合设计师场景的工具，可以实现改款、图案设计等功能，比如「把红色的玻璃球换成心形的形状」一句话就能完成。背后的逻辑是：Nano Banana 对提示词很敏感，直接使用需要写很精准的提示词，通过扣子 workflow 做一个提示词优化模块，把简单需求自动转换成适合 Nano Banana 的 prompt，再传给模型生成效果图。
验货智能体：服装门店新品上店需要员工背 FAB（卖点话术）来讲解。他开发了一个验货智能体：输入款号，自动拉取数据库里衣服的所有信息，生成练货话术，并给出话术评价、评分理由和优化建议，还会根据当地天气给出重点话术。这个智能体直接部署到飞书机器人上，员工在飞书里就能用，无缝衔接。
批量抠图：视觉中心处理图片的抠图任务繁重，以往用 PS 硬抠，一天抠不了多少张。现在用扣子加多维表格实现一键批量抠图，300 张图片 1～3 分钟全部完成，效率提升几百倍。背后的工作流极其简单：一个输入节点、一个抠图节点、一个结束节点，代码节点甚至可以忽略。
寻鱼总结了几点思路：玩 AI 最重要的是「快」，快速掌握、快速基于业务场景找到合适的 AI 能力并组装起来，把原本需要 12345 步的问题简化成一步；可以先从简单的 workflow 玩起，拿到正反馈后再考虑 Manus 那种自主规划的多 agent 玩法；参考社区的《AI 智能体设计实战》书籍，直接复制案例和设计思想，甚至可以尝试把多个智能体拼到一起创新。当足够多的业务场景应用 AI 能力形成「AI 基础点」，再串联成大的工作流，就可能形成全面性甚至行业性的智能体。
现场问答
问：先锋官在训练营中有什么优势？
小鱿鱼：结业模式分为能力结业和贡献结业两种。贡献结业中先锋官有优势，会看两个数据：一是别人报名时有多少人因为你的名字通过报名，二是完成作业时有多少人通过你的帮助写了你的名字。达到要求会颁发先锋官证书，具体内容开营时会详细讲解。
问：怎么买书？京东卖得比这个贵。
韩薇娜：社区找出版社要了首发五折价，两本书一起买有折上折，双十一还有微信渠道优惠券。可以到视频号橱窗或 WaytoAGI 社区微信号推文购买。开发票问题需要问机械工业出版社官方客服，社区有老师给自己公司采购几十本，确认是可以开发票的。
问：飞书多维表格能不能再安排几节课？
韩薇娜：建议收到了，会安排直播间的小伙伴去找对应老师协调，但需要看老师的时间和课程准备情况。
要点回顾
- 新手学 AI 先摆正心态：不追求速成、重视底层原理、实时记录沉淀、养成 AI 思维、聚焦重复耗时的小场景。
- 扣子是新手从 0 到 1 的推荐工具：零门槛、能学到系统性基础知识、有大量模板、成本低；核心能力包括 AI 分身、Workflow、扣子空间、扣子罗盘。
- 六种基础智能体设计模式：链模式、并行模式、路由模式、评优器模式、编排器模式、ReAct Agent 模式，可根据任务自由交叉叠加或改造。
- agentic retrieval 是 RAG 之外的新思路：只用文件读取工具和 Grep 工具加一份目录地图，让大模型直接阅读自然语言判断答案位置，更简洁易维护。
- 业务提效从找场景开始：有标准 SOP 的业务适合用 workflow 类智能体；服装设计、验货、批量抠图三个案例证明，组装 AI 工具能带来数百倍效率提升。
- 玩 AI 最重要的是「快」：先玩起来、先用起来，拿到正反馈后再考虑更复杂的自主规划智能体；当足够多场景形成 AI 基础点并串联成大工作流，可能形成全面性智能体。
直播回放约 116 分钟
播放器来自飞书妙记 · 在新窗口打开