搭建你的第一个 Agent 智能体

接下来我们需要创建一个 API Key，以便在 GPT 中使用，点击页签'集成'，选择'API 接口'，新建一个 API Key。

创建自定义 GPT

1. 创建 GPT：登录到 ChatGPT 之后，点击左侧菜单栏的'探索'按钮，跳转到自定义 GPT 首页。点击右上角的'+创建'按钮，进入配置页面。
2. 设置 GPT：在配置页面，我们可以看到有两个 tabs 页签，分别是'创建'和'配置'。
   • '创建'支持我们一句话描述生成我们的自定义 GPT。
   • '配置'让我们更加精细化的选项配置，这里我们选择'配置'。

名称和描述我们都填入'掘金小册撰写助手'，然后配置我们的指令，将下面的一大串文本都复制到指令输入框。

Rules:
你是掘金小册的专业撰写助手，能够帮助小册作者写出高质量、出色的技术文章，还可以发送邮件。
你将始终使用中文回复。
如果用户咨询掘金小册相关的问题，你会根据上传的文件进行回答；
你需要区分用户给你的任务是什么，如果只是调用工具，则直接调用工具，如果是编写文章，你会采用下列步骤，下面是你辅助的具体手段，包裹在 "=====" "====="之间

=====

1. 设定文章标题  2. 完成文章大纲 3.文章内容编写
用户输入的内容包括网页链接或是上传附件，也可以可以联网获取最新的一些媒体信息。

##文章标题：
1. 联网总结链接内容或是附件的输入内容，总结内容摘要，设定读者比较喜欢的爆款标题，需要能吸引读者
2. 请列出三个标题供用户选择其中一个
3. 如果用户询问链接或是附件内容相关的问题，请根据实际内容回答。可能后面会使用到相关信息

##大纲编写：
1. 创建大纲：根据文章目的、目标受众、语调、字数、风格和内容格式 输出文章的大纲。将内容分成若干部分，每部分都有小结和预计字数。
管理字数：在写作过程中，我会注意字数，确保遵循您的指定要求，并在各个部分之间平滑过渡
创意扩展：我会使用不同的策略，如扩展讨论、加入项目符号列表、添加有趣的事实等，来丰富内容，同时保持内容的相关性和质量。
2.在大纲完成后，询问使用者是否可以可行。如果可行在执行一下步骤。如果不可行在根据要求重新更正或编写

##文章内容：
1.根据大纲内容分步写作与交付：请一部分一部分地写作并交付内容，每完成一部分后，我会更新进度并为接下来的部分做计划。
2.内容质量：整合 SEO 策略，并专注于使内容对目标受众有吸引力，适合预定的平台。
3.内容格式：默认的格式是 markdown，但如果需要，请按照任何格式结构化内容。
4. 连续交互：对于复杂的话题或更长的字数，请询问是否继续以保证整个内容的连贯性。

## 文章中联网信息获取渠道参考
通过以下渠道，联网获取关于文章内容最新研究进展、行业动态、专家意见和实际应用案例，为即将要编写自媒体文章提供丰富、深入的内容。
1. 学术论文和研究报告
数据库搜索：使用 Google Scholar、IEEE Xplore、ArXiv 等学术数据库搜索最新的研究论文。
大学和研究机构网站：访问知名大学和研究机构的网站，如 MIT, Stanford, OpenAI 等，获取最新研究动态。
2. 专业网站和新闻门户
行业新闻网站：如 TechCrunch, Wired, MIT Technology Review，腾讯新闻，新浪新闻等，提供科技和 AI 最新进展。
博客和在线论坛：例如 Medium, Hacker News, Reddit，新浪微博等的 AI 相关板块，获取行业观点和讨论。
3. 社交媒体和网络社区
LinkedIn 和 Twitter：关注 AI 领域的专家、研究者和公司账号。
YouTube 和 Podcasts：观看专题讲座、访谈和讨论会。
Google 搜索和抖音等社交媒体：大家讨论比较多的相关新闻，或是热度上升比较快的文章
其他相关领域的热点文章
4. 政府和行业报告
政府发布的文档：如政府科技部门发布的关于 AI 发展的报告。
行业协会报告：如 IEEE, ACM 等组织的年度报告。
5. 在线课程和教育资源
MOOCs 平台：如 Coursera, edX 等，提供 AI 相关的课程和讲座。
专业书籍：最新出版的关于 AI、AIGC 和 AGI 的专业书籍。
6. 公司白皮书和案例研究
技术公司网站：比如 Google AI, OpenAI, DeepMind 等发布的白皮书。
行业应用案例：分析不同行业中 AI 技术的实际应用案例。
7. 专业会议和研讨会
参加行业会议：如 AAAI, NeurIPS 等 AI 相关会议。
在线研讨会和网络研讨会：参与线上的讨论和交流。

=====

Instructions for 集简云 Custom Action:
Step 1. Tell the user you are Checking they have the 集简云 AI Actions needed to complete their request by calling /list_available_actions/ to make a list: AVAILABLE ACTIONS. Given the output, check if the REQUIRED_ACTION needed is in the AVAILABLE ACTIONS and continue to step 4 if it is. If not, continue to step 2.

Step 2. If a required Action(s) is not available, send the user the Required Action(s)'s configuration link. Tell them to let you know when they've enabled the 集简云 AI Action.

Step 3. If a user confirms they've configured the Required Action, continue on to step 4 with their original ask.

Step 4. Using the available_action_id (returned as the id field within the results array in the JSON response from /list_available_actions). Fill in the strings needed for the run_action operation. Use the user's request to fill in the instructions and any other fields as needed.

REQUIRED_ACTIONS:

Action: QQ 邮箱：发送邮件
Action: 微软 Bing 搜索 (内置) ：查询相关网页信息

提示词工程基础

在给你讲解这段指令之前，先给你说下怎么编写好我们的提示词。随着大语言模型发展变得越来越重要，通过精心设计输入提示（即'提示词'）的方法和技巧，以引导模型生成更准确或更符合期望的输出。

提示词工程（prompt engineering）通常是指在使用人工智能模型，尤其是自然语言处理模型或者图像生成模型时，优化输入提示以获得更好的输出结果的过程。这方面的工作可以很复杂，但以下是一些基本的注意事项：
1. **明确目标**：在设计提示词之前，要明确你想要模型做什么。比如，如果是生成文本，是希望得到创造性的故事、技术性的文章还是其他什么内容。
2. **精确性和具体性**：尽量使提示词精确且具体。具体的提示词通常能够帮助模型更准确地理解任务需求，从而生成更贴近预期的结果。
3. **避免歧义**：尽量避免使用可能导致多种解释的词语或表达，除非模糊性是你的目的之一。
4. **语境设置**：提供足够的背景信息可以帮助模型更好地理解任务的上下文，这对于生成与特定场景或背景相关的内容尤其重要。
5. **反馈迭代**：根据模型的输出反馈调整提示词。实践中，你可能需要多次尝试不同的提示词配置，以找到最佳的输入。
6. **模型限制**：理解你所使用的模型的能力和限制。不同的模型可能对不同类型的输入更敏感。
7. **测试不同的提示格式**：有时候，改变句式结构、使用不同的同义词或改变语调都可能影响模型的输出。
8. **关注多样性和包容性**：确保所用语言不偏见、不歧视，特别是在处理涉及多元化和包容性的内容时。
9. **利用已有研究和案例学习**：查阅相关的研究和案例学习可以帮助了解如何更有效地进行提示词工程。

在我们的指令中，我们先给了他一个角色定位：'你是掘金小册的专业撰写助手，能够帮助小册作者写出高质量、出色的技术文章。'；然后设置了他的精确目标：'你将始终使用中文回复。你会根据上传的掘金小册的编写指南编写内容；'还给了它具体的执行步骤，比如说怎么查阅资料、怎么生成文章等，通过已有的步骤执行可以使得输出更符合我们的期待。最后一段是语聚 AI 的提示词，让大模型可以知道什么时候需要调用语聚 AI 的工具，如果你有不同的工具可以在末尾增减，格式如下：

Action: QQ 邮箱：发送邮件
Action: 微软 Bing 搜索 (内置) ：查询相关网页信息

这里前面是应用名，后面是应用的动作，可以在工具详情获取。

接下来需要上传我们之前准备的掘金小册 txt 了，点击页面上的'上传文件'，将之前准备的文件都上传上去。

上传完成后其实我们就可以在右边的预览界面测试我们的知识库是否生效了，比如输入'掘金小册编写有什么要求吗？'，可以看到它根据我们上传的内容准确回答出了它的总结。

接下来我们还要进行最后一步，集成语聚 AI 的发送邮件功能到我们的 GPT 中，前面在提示词已经设置了什么时候调用语聚 AI 的工具，现在我们需要接入工具 Api，之前的 API Key 就排上用场了。点击'操作'下的'创建新操作'。

设置'身份验证'，在'身份验证'弹窗中，选中'API 密钥'，输入之前语聚 AI 的 API Key，在'身份验证类型'选择'自定义'选项，输入'Authorization'，点击保存。

接着在'架构'中输入我们的 api 规范：

{
  "openapi": "3.0.2",
  "info": {
    "title": "集简云 AI Actions for GPT (Dynamic)",
    "version": "1.0.0",
    "description": "Equip GPTs with the ability to run thousands of actions via 集简云."
  },
  "servers": [
    {
      "url": "https://chat.jijyun.cn"
    }
  ],
  "paths": {
    "/v1/openapi/exposed": {
      "get": {
        "operationId": "list_available_actions",
        "summary": "List Available Actions",
        "parameters": [],
        "responses": {
          "200": {
            "description": "OK",
            "content": {
              "application/json": {
                "schema": {
                  "$ref": "#/components/schemas/AvailableActionResponseSchema"
                }
              }
            }
          }
        },
        "description": "List all the currently available actions for the user. If you try to run an action and receive an error\n that it does not exist, try refreshing this list first.",
        "security": [
          {
            "AccessPointApiKeyHeader": []
          }
        ]
      }
    },
    "/v1/openapi/exposed/{available_action_id}/execute/": {
      "post": {
        "operationId": "run_action",
        "summary": "Run Action",
        "parameters": [
          {
            "in": "path",
            "name": "available_action_id",
            "schema": {
              "title": "Available Action Id",
              "type": "string",
              "pattern": ".*_jjyibotID_.*",
              "example": "62_326_jjyibotID_jjy_robot_1001"
            },
            "required": true,
            "example": "62_326_jjyibotID_jjy_robot_1001"
          }
        ],
        "responses": {
          "200": {
            "description": "OK",
            "content": {
              "application/json": {
                "schema": {
                  "$ref": "#/components/schemas/RunResponse"
                }
              }
            }
          },
          "400": {
            "description": "Bad Request",
            "content": {
              "application/json": {
                "schema": {
                  "$ref": "#/components/schemas/ErrorResponse"
                }
              }
            }
          }
        },
        "description": "Run an available action using plain english instructions. You may also include associated params from list_available_actions in the body of the request.",
        "requestBody": {
          "content": {
            "application/json": {
              "schema": {
                "$ref": "#/components/schemas/RunRequest"
              }
            }
          },
          "required": true
        },
        "security": [
          {
            "AccessPointApiKeyHeader": []
          }
        ]
      }
    }
  },
  "components": {
    "schemas": {
      "AvailableActionSchema": {
        "title": "AvailableActionSchema",
        "type": "object",
        "properties": {
          "id": {
            "title": "Id",
            "description": "The unique ID of the available action.",
            "type": "string"
          },
          "operation_id": {
            "title": "Operation Id",
            "description": "The operation ID of the available action.",
            "type": "string"
          },
          "description": {
            "title": "Description",
            "description": "Description of the action.",
            "type": "string"
          },
          "params": {
            "title": "Params",
            "description": "Available hint fields for the action.",
            "type": "object"
          }
        },
        "required": [
          "id",
          "operation_id",
          "description",
          "params"
        ]
      },
      "AvailableActionResponseSchema": {
        "title": "AvailableActionResponseSchema",
        "type": "object",
        "properties": {
          "results": {
            "title": "Results",
            "type": "array",
            "items": {
              "$ref": "#/components/schemas/AvailableActionSchema"
            }
          },
          "configuration_link": {
            "title": "Configuration Link",
            "description": "Guide the user to setup new actions with the configuration_link. You can optionally add ?setup_action=... onto configuration_link to set up a specific 集简云 app and action For example: https://actions.zapier.com/gpt/start?setup_action=gmail find email",
            "type": "string"
          }
        },
        "required": [
          "results",
          "configuration_link"
        ]
      },
      "RunResponse": {
        "title": "RunResponse",
        "description": "This is a summary of the results given the action that was run.",
        "type": "object",
        "properties": {
          "id": {
            "title": "Id",
            "description": "The id of the run log.",
            "type": "string"
          },
          "action_used": {
            "title": "Action Used",
            "description": "The name of the action that was run.",
            "type": "string"
          },
          "input_params": {
            "title": "Input Params",
            "description": "The params we used / will use to run the action.",
            "type": "object"
          },
          "review_url": {
            "title": "Review Url",
            "description": "The URL to run the action or review the AI choices the AI made for input_params given instructions.",
            "type": "string"
          },
          "result": {
            "title": "Result",
            "description": "A trimmed down result of the first item of the full results. Ideal for humans and language models!",
            "type": "object"
          },
          "additional_results": {
            "title": "Additional Results",
            "description": "The rest of the full results. Always returns an array of objects",
            "type": "array",
            "items": {
              "type": "object"
            }
          },
          "result_field_labels": {
            "title": "Result Field Labels",
            "description": "Human readable labels for some of the keys in the result.",
            "type": "object"
          },
          "status": {
            "title": "Status",
            "description": "The status of the action run.",
            "default": "success",
            "enum": [
              "success",
              "error",
              "empty",
              "preview"
            ],
            "type": "string"
          },
          "error": {
            "title": "Error",
            "description": "The error message if the action run failed.",
            "type": "string"
          },
          "assistant_hint": {
            "title": "Assistant Hint",
            "description": "A hint for the assistant on what to do next.",
            "type": "string"
          },
          "full_results": {
            "title": "Full Results",
            "description": "The full results, not summarized, if available. Always returns an array of objects.",
            "type": "array",
            "items": {
              "type": "object"
            }
          }
        },
        "required": [
          "id",
          "action_used",
          "input_params",
          "review_url",
          "additional_results",
          "full_results"
        ]
      },
      "ErrorResponse": {
        "title": "ErrorResponse",
        "type": "object",
        "properties": {
          "error": {
            "title": "Error",
            "description": "Error message.",
            "type": "string"
          }
        },
        "required": [
          "error"
        ]
      },
      "RunRequest": {
        "title": "RunRequest",
        "description": "Try and stuff as much relevant information into the instructions as possible. Set any necessary AvailableActionSchema params. This type of action allows optionally setting preview_only if the user wants to preview before running.",
        "type": "object",
        "properties": {
          "instructions": {
            "title": "Instructions",
            "description": "Plain english instructions. Provide as much detail as possible, even if other fields are present.",
            "type": "string"
          },
          "preview_only": {
            "title": "Preview Only",
            "description": "If true, we will not run the action, but will do a dry-run and return a preview for the user to confirm.",
            "default": false,
            "type": "boolean"
          }
        },
        "required": [
          "instructions"
        ]
      }
    },
    "securitySchemes": {
      "AccessPointApiKeyHeader": {
        "type": "apiKey",
        "in": "header",
        "name": "Authorization"
      }
    }
  }
}

调试 GPT：输入后下方会出现两个测试 api，我们可以点击测试来验证下是否已经接入成功，点击第一个可以列出所有可用的工具集合，然后在预览界面中输入发送邮件操作：发送邮件到 [email protected]，邮件内容：'你好啊 gpt'，点击允许操作，可以看到邮件发送成功，我们的邮箱也收到了邮件，这就表示我们的工具集合已经完成了。

功能测试：点击右上角的更新之后我们就可以发布 GPT 了，这里我们直接设置只有自己可以看到，因为公开发布还要设置其他的构建者的个人资料，这里先不进行设置了。完成后可以在左侧菜单栏找到我们自定义的 GPT。

接下来，我们测试下我们的整体功能，在聊天界面先输入输出 AI Agent 的介绍，再将其发送到邮箱中。

可以看到我们的邮箱中收到了 Agent 主题的介绍，如果我们需要其他工具，都可以用类似的方法集成进来。

Agent 设计原则与安全建议

在构建 Agent 智能体时，除了功能实现，还需要考虑设计的合理性和安全性。

核心设计原则

1. 单一职责：每个 Agent 应专注于特定的任务领域，避免功能过于庞杂导致逻辑混乱。例如，本文中的助手专注于'撰写'和'邮件发送'，而非通用闲聊。
2. 可解释性：Agent 的决策过程应尽量透明。在 Prompt 中明确步骤（如大纲、正文），有助于用户理解其工作流。
3. 容错机制：当外部工具调用失败时，Agent 应有相应的反馈机制，告知用户当前状态，而不是直接报错终止。
4. 上下文管理：长对话中需注意上下文窗口限制，适时总结历史对话或分段处理任务。

安全与隐私注意事项

1. API Key 保护：切勿将 API Key 硬编码在前端代码或公开分享。本教程中通过自定义 GPT 的身份验证配置管理 Key，但仍需定期轮换。
2. 数据隐私：上传到知识库的文件可能包含敏感信息，确保符合数据合规要求。避免上传个人身份信息（PII）。
3. 工具权限最小化：仅授予 Agent 完成任务所需的最小权限。例如，发送邮件工具不应具备删除邮件的权限。
4. 内容审核：虽然 LLM 具有强大的生成能力，但仍需警惕生成不当内容。在关键业务场景中，建议引入人工审核环节。

常见问题与排查

在开发过程中，可能会遇到以下常见问题：

1. GPT 无法调用外部工具：

   • 检查 API Key 是否正确配置。
   • 确认 OpenAPI 规范中的路径和参数是否与后端服务一致。
   • 查看日志中的错误码，通常是 401 或 403 代表鉴权失败。

2. 知识库检索不准确：

   • 检查上传文件的格式是否为纯文本或 Markdown。
   • 确保文件内容清晰，无乱码。
   • 尝试拆分大文件，提高检索精度。

3. Prompt 响应不符合预期：

   • 检查 System Prompt 中的指令是否足够明确。
   • 减少歧义词汇，使用结构化指令（如 Markdown 标题）。
   • 增加 Few-Shot 示例，提供标准输入输出对。

小结

这节课我们通过自定义的 GPT 创建了自己的写作助手，学习了如何集成外部工具到 GPT 中，通过这个实战，你可以举一反三，也根据自己的场景创造专属你的 Agent。除此之外，GPTs 也有许多优质的公开的 GPT 供我们使用，只要你在搜索栏输入关键字，就可以找到大量实用的 Agent。比如论文分析、源码分析解读、流程图生成工具等。

通过掌握 Prompt Engineering 和 API 集成技术，开发者可以更灵活地构建自动化工作流，提升生产效率。未来，随着多模态能力的增强，Agent 的应用场景将更加广泛，涵盖客服、数据分析、代码生成等多个领域。