Hi, 请登录     我要注册     找回密码

开源教程AgentSeed：从零手搓你的第一个Web Agent应用

分类：未分类 阅读() 评论(0)

科技社区Linux.do上发布的开源教程系列《AgentSeed》更新至第三章，主题为从零构建第一个Web Agent应用。该系列教程定位为零基础Agent开发入门，主张用最简单的代码讲解Agent相关核心概念，全部代码托管于GitHub并完整开源。在第三章内容中，作者此前已带领读者了解浏览器、网页与服务器之间的关系，并使用HTML、CSS和JavaScript实现了一个可交互的网页。本章在此基础上，从一个最小化的WebChat程序入手，将此前基于命令行的对话程序逐步迁移到网页环境中，最终完成一个可在浏览器中运行的Web Agent原型机。作者还预告了下一节内容：实现流式输出功能，让模型回复能够逐步呈现在页面上，而非等待完整生成后一次性显示。该教程已在社区完成开源推广认证，项目代码完整开源且无未公开部分，并在项目中链接致谢了Linux.do社区。整个系列包含前言、目录及多个章节，以循序渐进的实践方式，帮助开发者理解Agent核心概念并亲手实现属于自己的Agent原型。

事件分析

该教程的技术看点在于其最小化实现思路：不依赖现成框架封装，而是从浏览器与服务器通信的基础原理出发，用原生HTML、CSS、JavaScript搭建Agent交互界面，这种教学路径有助于开发者理解Web Agent的底层运行机制，而非停留在调用SDK的表层。从产业角度看，Agent开发热潮之下，社区驱动的开源教程正成为官方文档之外的重要补充学习资源，Linux.do等中文技术社区出现此类系统性内容，反映出国内开发者对Agent底层原理的学习需求正在从概念科普转向动手实践。后续走向方面，流式输出仅是起步，此类教程通常将逐步扩展至工具调用、多轮记忆、任务编排等Agent核心能力，有潜力形成完整的开源Agent学习路径。但入门教程与生产级Agent框架之间仍存在明显技术跨度，读者需理性预期。

核心观点：Agent开发教育正从框架调用走向原理拆解，开源社区教程正在填补大模型应用开发的系统性学习空白。

原文链接：Linux.do

C code80.ai · AI 编码 API 聚合 Claude / GPT 多模型统一接入,稳定不限速,按量计费,几行配置接入 Claude Code。 了解一下 ›

相关推荐

抢沙发

评论前必须登录！

立即登录   注册

易安
易安作者
长期关注 AI Agent、软件工程、自动化工作流与个人生产力系统。喜欢把复杂技术拆成普通人也能上手的实践教程,也记录自己在工具链、编程、内容创作和知识管理上的真实折腾。
  • 分享 AI 工具、Agent 工作流与提示词工程的实战经验
  • 记录从想法到产品、从代码到上线的完整实践过程
  • 关注普通人如何用 AI 放大能力,而不是被工具牵着走
阅读作者的全部文章 ›
文章目录

    置顶推荐

    Code80 · AI 编程巴士

    前沿哨所

    • 谷歌Antigravity疑现神秘模型：Gemini 3.8行为突变，或被暗中路由至Gemini 4

      近日，有用户在Linux.do论坛发帖称，在谷歌AI编程工具Antigravity中使用Gemini 3.8模型时发现异常：该模型的思考过程明显比以往持久，单轮最长思考时间达到2分钟，而此前很少出现这种情况。用户表示，在执行数据分析任务时，模型的表述方式和分析逻辑突然发生变化，输出风格也与之前明显不同。为验证变化，该用户测试了一道“抽象版糖果题”，模型不仅完成作答，还主动制作了一个分析页面。基于这些行为特征，用户推测当前请求可能已被路由到尚未正式发布的新模型，即Gemini 4。模型路由是AI厂商常用的灰度发布机制，即在部分用户请求中悄然切换至新版本模型，以收集真实场景下的反馈数据。此前，OpenAI、Anthropic等公司的模型更新也曾多次被社区用户通过行为差异提前察觉，OpenAI甚至曾以匿名代号形式在竞技场中测试未发布模型。截至发稿，谷歌官方尚未对这一猜测作出回应，模型版本变化的确切原因仍无法确认。除新模型路由外，服务端系统提示调整、推理资源配置变化等因素同样可能导致输出风格改变。该帖子目前已引发社区讨论，多位用户表示将跟进测试以验证这一现象是否普遍存在。

      事件分析

      从技术机制看，Antigravity作为谷歌面向Agent编程的产品，其模型路由层具备按流量比例切换后端模型的能力，这为灰度测试新模型提供了天然通道。思考时长、推理风格、任务完成形态的变化，正是社区用户识别“隐藏模型”的主要依据——更长的思考链通常意味着更大的模型规模或更强的推理配置。若猜测属实，Gemini 4的暗中测试表明谷歌正加快模型迭代节奏，以应对OpenAI与Anthropic在编程和Agent场景的激烈竞争，Antigravity有望成为新模型的首发载体，强化谷歌“模型+开发工具”的捆绑策略。不过，单一样本观察存在局限，服务端配置调整、上下文差异或负载波动同样可能引发行为变化。后续值得关注社区能否通过大规模基准测试形成一致结论，以及谷歌是否会在近期活动中正式披露新模型。

      核心观点：模型行为异动已成新版本泄露的风向标，灰度路由让实验室模型提前暴露在公众视野，大厂版本保密战越来越难打。

      原文链接：Linux.do

    • GetPlus 的 GEO 做对了什么？好的 AI 站点有这 3 个特征

      GetPlus 的 GEO 做对了什么？好的 AI 站点有这 3 个特征 日报图文

      很多站点还在用旧 SEO 的思路做 GEO：堆关键词、批量发文章、给页面加一段 FAQ Schema，然后期待 ChatGPT、Gemini 或 Perplexity 主动推荐自己。GetPlus AI 的案例说明，生成式引擎优化真正考验的，是能不能把一个商业实体讲清楚、把用户问题覆盖完整、把答案写得方便机器抽取，再用主体信息和外部证据补上信任链。

      这篇文章不把 GetPlus 当成“GEO 神站”来吹。基于对官网公开页面、源代码结构化数据、robots.txt、sitemap 和外部检索结果的分析，可以看出它在高购买意图场景里做对了很多基础工程，也能看出它的短板：原创数据不足，独立背书有限，部分营销承诺仍需要第三方证据支撑。

      核心判断很简单：AI 时代的好站点，重点不在关键词数量，而在于让机器和人都能快速回答四个问题：你是谁、解决什么问题、凭什么可信、下一步怎么做。

      GEO 到底在优化什么

      GEO 是 Generative Engine Optimization，通常译为“生成式引擎优化”。SEO 争取的是搜索结果页上的排名和点击，GEO 争取的是在 AI 生成答案中被识别、提及、引用或推荐。

      用户搜索“ChatGPT Plus 怎么买”时，传统搜索会返回一组网页，用户自己筛选。生成式引擎则可能直接给出一段综合答案，并附上来源。站点要争取的入口，从“排在第几位”变成了“有没有进入答案的候选材料，以及模型是否愿意引用这份材料”。

      这带来几个变化：

      • 关键词仍然有用，但单个词的密度不再是核心；
      • 页面要表达清楚品牌、产品、价格、主体和适用场景之间的关系；
      • 内容要能被模型分段理解和直接摘取；
      • 重要结论需要事实、数字、政策、案例或外部来源支撑；
      • 网站的抓取、索引、结构化数据和内部链接仍然是基础设施。

      GEO 并没有脱离 SEO 另起一套魔法规则。Google 对生成式搜索的公开建议仍然围绕可抓取、可索引、原创、有用、可靠的内容展开，也没有要求网站添加某个专用的“AI 标签”。结构化数据能减少机器理解歧义，却不能替代真实内容和可信证据。

      GetPlus 先把“自己是谁”定义清楚了

      GetPlus 的首页、购买页和专题页反复表达一个清晰实体：GetPlus AI 是 ChatGPT Plus / Pro 的第三方充值服务。

      页面同时覆盖 ChatGPT Plus、ChatGPT Pro、GPT 代充、Codex 充值、30 天质保、开发票、企业批量采购等词。这些词被放在产品、价格、流程、风险和采购场景里，形成了较完整的实体关系：

      GetPlus AI
├── 运营主体：HONG KONG AIGC LIMITED
├── 产品：ChatGPT Plus / Pro 第三方充值
├── 服务：激活、质保、退款、发票、企业采购
├── 支付：支付宝、微信、银行卡、对公付款
└── 关系：独立第三方服务，不是 OpenAI 官方或授权代理

      对于 AI 来说，这种关系网比一句“我们提供优质 AI 服务”有用得多。模型需要判断一个站点是什么实体、卖什么产品、服务谁、和其他品牌是什么关系。名称、产品、价格、公司、联系方式、免责声明在多个页面保持一致，机器就更容易完成实体归类。

      “独立第三方服务，不属于 OpenAI 官方或授权代理”这一点尤其值得借鉴。很多商业站点担心这句话影响转化，反而把主体关系写得模糊。GetPlus 选择把边界讲出来，减少了冒充官方的误解，也让模型更容易准确描述它：这是一个独立第三方充值服务，和 OpenAI 官方渠道有明确边界。

      实体清晰度是 GEO 的第一道门槛。模型连站点是谁都判断不准，后面的引用和推荐就没有基础。

      好的 GEO 站点，会围绕用户决策链建内容

      GetPlus 的内容结构没有只盯着“ChatGPT 充值”这个大词，而是覆盖了用户从产生需求到完成交易的连续问题。

      购买类问题

      • ChatGPT Plus 怎么买；
      • ChatGPT Plus 怎么开通；
      • 没有海外银行卡怎么办；
      • 是否支持支付宝、微信或银行卡；
      • 充值失败怎么处理。

      选择类问题

      • ChatGPT Plus 和 Pro 怎么选；
      • 不同套餐有什么区别；
      • 代充和其他购买方式有什么差异；
      • Codex 相关额度和服务怎么理解。

      风险类问题

      • 是否需要提供 ChatGPT 密码；
      • 代充是否安全；
      • 会不会封号；
      • 充值失败能否退款；
      • 购买后是否自动续费。

      企业类问题

      • 能否开票；
      • 能否签合同；
      • 是否支持对公付款；
      • 能否批量采购。

      这些页面形成了一个典型的主题集群：

      ChatGPT 充值
├── 产品与价格
├── Plus / Pro 选择
├── 支付与开通
├── 密码、安全、封号
├── Codex 与额度
└── 企业采购、发票、合同

      用户可能从任何一个问题进入。没有海外银行卡的用户，会进入支付页面；担心风险的用户，会进入安全 FAQ；企业用户，会进入采购页面。不同问题最终都能回到同一个品牌实体。

      这比围绕一个关键词写十篇相似文章更有效。AI 不只需要知道“这个站点提到 ChatGPT 充值”，还要知道它在价格、支付、安全、售后和企业采购问题上分别能回答什么。

      答案可抽取性，决定内容能不能进入 AI 答案

      许多网页从人的阅读角度看很完整，机器却很难使用。原因通常是结论埋在长段落里，问题和答案相隔很远，价格、限制条件和例外情况没有明确表达。

      GetPlus 大量使用问答式结构：

      • 没有海外银行卡怎么买？
      • ChatGPT Plus 多少钱？
      • 需要提供密码吗？
      • 会不会封号？
      • 购买后多久能到账？
      • 是否支持企业采购？
      • 能不能开发票？

      问题下面紧跟答案，答案里有明确结论、数字、条件和限制。例如“本站提供单次一个月激活服务，不会在 GetPlus 自动续费”，就比“提供灵活、安心的订阅体验”更适合被 AI 引用。前一句可以直接回答用户问题，后一句只能作为宣传语。

      答案可抽取性可以拆成四个检查点：

      1. 问题明确：小标题直接使用用户会问的话；
      2. 结论靠前：第一句先回答，不要让模型从五段话里猜结论；
      3. 条件完整：价格、周期、限制、例外和适用对象写在同一块内容里；
      4. 语义独立：脱离上下文后，这一段仍然能被理解。

      FAQ 不能只停留在“加几个问题”。如果答案没有事实密度，FAQ Schema 只会把空话机器可读化。

      结构化数据有用，但不会自动带来 GEO 权重

      GetPlus 首页和购买页可以看到多段 JSON-LD，覆盖的类型包括：

      • Organization：品牌、法律主体、官网、Logo、地址和邮箱；
      • WebSite：站点身份和搜索入口；
      • WebPage：页面类型与层级；
      • Product：产品、价格、货币和库存状态；
      • FAQPage：常见问题与答案；
      • BreadcrumbList：页面层级和导航关系。

      结构化数据的价值，在于给机器一份更规整的实体说明。页面正文说“GetPlus 提供 ChatGPT Plus 代充”，Product 和 Organization 又把产品、品牌、主体和价格关系写成可解析的数据，模型和搜索引擎更少需要猜测。

      但 Schema 不能替代正文，更不能把一个没有证据的承诺变成可信事实。Google 已经明确说明，生成式搜索仍然依赖网站基础质量，不存在加上 FAQ Schema 就自动获得 GEO 权重的捷径。

      实践上可以把结构化数据当成“接口层”：正文是给人读的业务逻辑，Schema 是给机器解析的结构。接口写得很漂亮，后端返回空数据，系统仍然不可用；网站也是同样的道理。

      商业站点必须补齐信任证据

      AI 推荐商业服务时，价格和功能只是其中一部分。用户还会关心主体是否真实、出了问题找谁、是否需要交出密码、失败怎么退款、能不能拿到发票。

      GetPlus 在公开页面中补充了不少交易决策需要的信息：

      • 运营主体和注册地址；
      • 客服邮箱；
      • 30 天质保；
      • 充值失败退款；
      • 3—5 分钟到账的服务说明；
      • 支持支付宝、微信、银行卡；
      • 支持开票、合同和对公付款；
      • 不需要 ChatGPT 密码；
      • 明确声明不是 OpenAI 官方或授权代理。

      这些内容同时服务两类读者。人需要它们来判断是否值得交易，AI 需要它们来判断推荐时应该附带哪些边界条件。

      这里也有一个需要保持克制的地方：网站自述不等于独立证据。“正规渠道”“不封号”“3—5 分钟到账”等表述，如果没有订单统计、退款记录、第三方评价或官方规则引用，仍然属于营销信息。好的 GEO 站点不能只增加承诺，还要给承诺配上可核验材料。

      抓取基础设施，决定内容有没有机会被看到

      内容再好，爬虫进不去也没有意义。GetPlus 的 robots.txt 对主要内容开放，只限制 API、后台、订单成功页等不适合公开抓取的路径，并提供 sitemap。

      站点还准备了简体中文、繁体中文和英文页面，以及多套 ChatGPT、Pro、Codex 相关专题页。多语言页面的价值不只是翻译流量，也在于覆盖不同地区用户向 AI 提问时使用的表达方式。

      这一层属于 GEO 的“地基”，经常被内容团队忽略。发布大量文章之前，至少要检查：

      • 重要页面是否返回正常 HTTP 状态；
      • robots.txt 是否误封内容目录；
      • sitemap 是否包含核心页面；
      • 页面是否存在可见正文，避免完全依赖客户端渲染；
      • 页面之间是否有清晰的内部链接；
      • 标题、描述、正文和结构化数据是否互相矛盾。

      GEO 也需要工程团队参与。抓取、索引、页面结构和内容治理缺一环，最终都会影响模型是否拿得到材料。

      外部提及能补上“只有自己在说”的问题

      外部检索结果显示，一些 AI 工具目录、产品导航、评测站和教程文章开始描述 GetPlus，常见描述包括 ChatGPT Plus / Pro 充值、Codex、支付宝、微信、发票和企业采购。

      这些页面形成了“官网自述 + 外部页面描述”的交叉确认信号。对模型来说，多个独立页面用相近的事实描述同一个实体，比只有官网单方面介绍更容易完成主题归类。

      但外部提及的质量差异很大。自动生成目录、低质量聚合页和缺少作者信息的文章，不能和真实客户案例、行业媒体、独立评测、官方合作或一手研究等量齐观。外链数量本身没有那么重要，来源是否真实、内容是否具体、页面是否有持续维护，才值得关注。

      如果站点想把这一层做扎实，可以积累几类外部证据：

      • 有明确作者和测试过程的独立评测；
      • 脱敏后的真实客户案例；
      • 可复核的行业数据或长期统计；
      • 对官方政策的准确引用；
      • 合作伙伴、媒体或社区的具体提及。

      GetPlus 做得好的地方，和还没补上的地方

      从公开页面观察，GetPlus 的 GEO 能力可以这样评价：

      维度 评价 判断依据
      主题相关性 高 全站聚焦 ChatGPT 充值、Pro、Codex
      用户问题覆盖 高 购买、价格、安全、封号、密码、企业采购均覆盖
      内容可抽取性 高 FAQ、步骤、数字、短结论较多
      实体清晰度 高 品牌、公司、产品、价格、服务关系明确
      结构化数据 高 Organization、Product、FAQ、Breadcrumb 齐全
      抓取可用性 较高 robots 开放，提供 sitemap
      信任证据 中高 主体、地址、邮箱、条款、质保、非官方声明较完整
      外部权威性 中等 有外部提及，但高质量独立引用还不够强
      原创数据 偏弱 缺少行业独家数据、一手研究和长期统计
      承诺验证 中等 部分营销话术仍主要依赖网站自述

      它当前最强的是相关性、问题覆盖、答案可抽取性和实体清晰度。它相对欠缺的是独立权威、原创数据和对营销承诺的外部验证。

      这也是一个很有用的提醒：GEO 做得好，不等于所有问题上的权威性都高。一个站点可能在“怎么买”类问题里很容易被 AI 推荐，在“行业研究”“第三方评测”“长期成功率”类问题里却没有足够材料进入答案。

      AI 时代，好的 GEO 站点应该怎样建设

      把 GetPlus 的案例抽象成一套可执行方法，可以分成七步。

      1. 先定义实体，不要先写文章

      先写一页 Entity Brief：品牌名称、运营主体、产品、服务对象、适用场景、价格范围、地域、与相关大品牌的关系、不能做出的承诺。

      这页内容要成为首页、About、Product、FAQ 和结构化数据的共同底稿。不同页面各说一套，模型会得到多个互相冲突的实体。

      2. 从真实问题画出主题集群

      把用户从“想了解”到“准备购买”会问的问题全部列出来，按产品、价格、选择、支付、风险、售后和企业采购分类。每个问题决定一个页面，或者决定一个页面中的独立区块。

      不要为了数量批量生成同义页面。页面之间应该承担不同决策节点，并通过内部链接串起来。

      3. 按答案单元写内容

      每个页面先给结论，再补条件、证据和下一步。一个答案单元应该能脱离页面上下文独立成立，模型摘取时不会丢掉主语、时间、价格或限制条件。

      4. 把商业承诺和证据绑定

      价格、到账时间、质保周期、退款条件、安全承诺都要记录来源和适用范围。能提供统计就提供统计，能引用规则就给出链接，暂时没有证据的内容就降低语气，别把推测写成保证。

      5. 用 Schema 表达关系，用正文解释关系

      Organization、Product、FAQ、Breadcrumb 等结构化数据值得配置，但必须和页面正文保持一致。产品价格变化后，正文、Schema、标题和购买按钮要一起更新。

      6. 给爬虫铺一条稳定路径

      检查 robots、sitemap、状态码、canonical、内部链接和多语言页面。把后台、订单、个人信息等不该公开的内容隔离出来，把真正希望被引用的页面保持可抓取和可访问。

      7. 把外部证据当成长期工程

      别只追求目录收录数量。优先争取真实客户案例、独立评测、行业引用、合作伙伴页面和有作者的专业文章。外部页面要描述具体事实，不能只留下一个品牌名和一条链接。

      最后，GEO 的本质是“可理解、可引用、可验证”

      GetPlus 的案例最值得学的地方，不在 FAQ 数量，也不在某个页面放了多少关键词。它把一个商业站点拆成了机器容易理解的几层：清晰的品牌实体，覆盖决策链的问题页面，紧跟问题的短答案，完整的产品与主体关系，基础抓取设施，以及一定数量的外部提及。

      好的 GEO 站点可以用三个词检查：

      • 可理解：AI 能准确说出站点是谁、卖什么、服务谁；
      • 可引用：页面里有独立、清晰、带条件的答案单元；
      • 可验证：主体、价格、政策、案例和承诺有证据可追溯。

      如果只能做一件事，建议先做实体和用户问题地图。把“品牌—产品—问题—证据—行动”这条链路画出来，再去决定写哪些文章、加哪些 Schema、做哪些外链。顺序反过来，往往会得到一堆看起来很像 GEO，实际无法回答用户问题的页面。

      本文分析对象：https://www.getplus.ai/
      分析日期：2026-10-10
      资料范围：GetPlus 官网公开页面、源代码结构化数据、robots.txt、sitemap、公开外部检索结果。无法直接观测各生成式引擎内部权重，文中的“可见性较高”指相关问题中被召回、提及或引用的相对概率较高。

      参考来源

      1. GetPlus AI 官网
      2. GetPlus AI 关于我们
      3. GetPlus AI ChatGPT Plus 购买页
      4. GetPlus AI robots.txt
      5. GetPlus AI sitemap.xml
      6. GEO: Generative Engine Optimization
      7. Google Search Central：生成式 AI 内容使用指南

    • 独立开发者推出 AI Photo Animator：老照片、宠物照一键变动态视频

      开发者在 V2EX 分享了一款名为 AI Photo Animator 的图生视频工具，可将静态照片转换为短视频。用户上传照片后输入一句动作描述，例如「看向镜头，轻轻微笑」或「猫咪歪着脑袋，镜头慢慢靠近」，即可生成对应的动态视频。工具主要面向四类场景：一是老照片动态化，让照片中的人物微笑、眨眼、轻轻转头；二是宠物照片动画，为猫狗生成趣味片段；三是插画与风景动态化，使角色产生动作，让云、水和光影流动起来；四是视频模板功能，用户无需撰写提示词，套用模板并替换照片即可生成同款效果。底层接入了 Seedance、可灵、海螺等多个现成视频生成模型，开发者的工作集中在模型选择、素材上传、模板管理与生成流程的整合。除照片驱动外，工具还支持文字生成视频、首尾帧控制等进阶玩法。商业模式采用积分制，新用户注册赠送免费积分，每次生成前显示积分消耗，后续按积分付费。开发者同时提示，生成效果取决于照片质量与动作描述的复杂度，复杂动作未必一次就能达到满意效果。目前项目正面向 V2EX 用户征集实际使用反馈，包括生成效果、流程体验和尚未支持的效果需求，并欢迎从事图生视频相关开发的用户交流。

      事件分析

      该项目的价值不在底层技术，而在应用层整合：将 Seedance、可灵、海螺等多个视频生成模型统一接入一个面向普通用户的产品流程中，降低了使用门槛。这延续了语言模型时代「套壳应用」的路径，基础模型能力外溢后，独立开发者以体验整合和场景细分切入市场。当前图生视频赛道的竞争集中在模型层，快手可灵、字节 Seedance、MiniMax 海螺等均已开放 API，为应用层产品提供了土壤，但也意味着技术护城河较浅，模型厂商随时可能将同类功能收编进自家产品。后续走向取决于模板运营与垂直场景（如老照片修复、宠物内容）能否形成差异化，以及积分付费模式的用户留存表现。

      核心观点：视频模型能力外溢催生应用层封装潮，独立开发者的机会在体验整合，护城河却仍握在底层模型厂商手中。

      原文链接：V2EX 分享发现

    • 开源教程AgentSeed：从零手搓你的第一个Web Agent应用

      科技社区Linux.do上发布的开源教程系列《AgentSeed》更新至第三章，主题为从零构建第一个Web Agent应用。该系列教程定位为零基础Agent开发入门，主张用最简单的代码讲解Agent相关核心概念，全部代码托管于GitHub并完整开源。在第三章内容中，作者此前已带领读者了解浏览器、网页与服务器之间的关系，并使用HTML、CSS和JavaScript实现了一个可交互的网页。本章在此基础上，从一个最小化的WebChat程序入手，将此前基于命令行的对话程序逐步迁移到网页环境中，最终完成一个可在浏览器中运行的Web Agent原型机。作者还预告了下一节内容：实现流式输出功能，让模型回复能够逐步呈现在页面上，而非等待完整生成后一次性显示。该教程已在社区完成开源推广认证，项目代码完整开源且无未公开部分，并在项目中链接致谢了Linux.do社区。整个系列包含前言、目录及多个章节，以循序渐进的实践方式，帮助开发者理解Agent核心概念并亲手实现属于自己的Agent原型。

      事件分析

      该教程的技术看点在于其最小化实现思路：不依赖现成框架封装，而是从浏览器与服务器通信的基础原理出发，用原生HTML、CSS、JavaScript搭建Agent交互界面，这种教学路径有助于开发者理解Web Agent的底层运行机制，而非停留在调用SDK的表层。从产业角度看，Agent开发热潮之下，社区驱动的开源教程正成为官方文档之外的重要补充学习资源，Linux.do等中文技术社区出现此类系统性内容，反映出国内开发者对Agent底层原理的学习需求正在从概念科普转向动手实践。后续走向方面，流式输出仅是起步，此类教程通常将逐步扩展至工具调用、多轮记忆、任务编排等Agent核心能力，有潜力形成完整的开源Agent学习路径。但入门教程与生产级Agent框架之间仍存在明显技术跨度，读者需理性预期。

      核心观点：Agent开发教育正从框架调用走向原理拆解，开源社区教程正在填补大模型应用开发的系统性学习空白。

      原文链接：Linux.do

    • AI产品都绕不开对话框？一款社交AI产品的迭代复盘

      这是一篇来自开发者社区的产品实践笔记，作者围绕”AI产品是否都需要对话框”这一设计问题，结合自己的产品”连连AI”的迭代经历展开分析。连连AI是一个通过AI连接不同用户的社交小程序，最初的核心流程是：用户发帖表达需求，系统匹配感兴趣的人，再由AI自动进行沟通。这一设计试图摆脱传统对话框形态，让AI代表用户与其他用户的AI进行交互。然而实践结果表明，去掉对话框后用户反而无所适从，团队最终将其放回首页。作者由此得出结论：对于基于大语言模型的AI应用，任何试图淡化对话框、将其从核心交互流程中移除的做法都注定失败。文章给出三点理由：第一，对话框是成本最低的交互方式，新用户可以快速理解产品能力并以熟悉的方式开始，若AI功能入口隐藏过深，用户甚至无法感知产品的价值所在；第二，用户往往并不清楚自己的真实需求，发帖机制假设用户能将需求整理成完整内容，但社交场景中需求是在交流中逐渐明确的，对话框允许AI通过追问背景和预期，协助用户形成明确需求；第三，对话框是自由度最高的交互方式，它不限制按钮功能和操作步骤，用户只需表述需求即可。作者最终认为，现阶段对话框是AI产品最好的交互形态，几乎没有之一。

      事件分析

      这篇文章折射出AI产品设计中的一个核心张力：开发者追求差异化的交互创新，而用户习惯与模型能力共同锁定了对话式交互的主导地位。从技术角度看，大语言模型的核心能力是理解与生成自然语言，对话框恰好是这一能力的最短路径载体；绕开对话框的设计需要额外的界面层来翻译用户意图，反而抬高了认知成本与开发成本。从产业层面看，ChatGPT确立的对话范式已成为AI应用的事实标准，创业公司想要突破这一形态，通常需要等待多模态交互、主动式Agent等技术的进一步成熟。文中连连AI的教训也提示，AI产品的核心能力应尽早以低学习成本的方式呈现，需求理解本身可以成为产品价值的一部分。后续值得关注的方向包括：语音交互与GUI编排是否会稀释对话框的中心地位，以及Agent自主执行任务后，人机交互的重心是否从”输入指令”转向”审核结果”。

      核心观点：对话框胜出并非设计惰性，而是大模型以自然语言为核心接口的必然，用户需求的模糊性决定了对话式引导暂不可替代。

      原文链接：V2EX 分享发现

    • 让 Agent 画出可直接使用的中文图表：diagram-design-zh 开源项目发布

      开发者 patrick-xin 在 Linux.do 社区发布开源项目 diagram-design-zh。该项目受 Andrej Karpathy 关于大模型输出形式的观点启发，Karpathy 认为，让 LLM 输出内容时，写文档不如让模型画图，画图不如直接生成 HTML 页面。作者据此 fork 了在 GitHub 上获得 4.7 万 star 的 diagram-design 项目，并针对中文和正式场景进行重构。新版设计将中文作为一等公民，默认白底、去除渐变和阴影，符合正式场合的视觉规范。项目目前支持 45 种图表类型，涵盖架构图、流程图、时间线、甘特图等常用形式，冷门图表类型亦有覆盖。交付流程中增加了质检环节，确保每次出图效果一致。输出格式默认为 HTML，同时支持 PNG 和 SVG，Mermaid 与 draw.io 格式的图表可直接导入。成品为单文件 HTML，断网也可打开，CJK 排版规则全部内置，Agent 无需额外指令即可产出可用图表。项目采用 MIT 协议开源，用户可直接 fork 定制个人风格，作者同时提供了图表画廊供预览实际效果。

      事件分析

      该项目的核心价值在于解决 LLM 生成图表的中文排版痛点：CJK 字体换行、字距、标点规则等问题常导致 AI 生成的图表需要二次手工调整，diagram-design-zh 将排版规则预置到产物中，并引入交付质检环节，把生成推进到生成即可用。这一思路呼应了 Karpathy 提出的模型输出层级（文档、图、HTML、视频），显示社区正围绕 Agent 产出物质量进行工程化打磨，技能细分与垂直场景定制正在成为开源生态的新方向。对 Mermaid、draw.io 格式的兼容降低了存量图表的迁移门槛，有望推动中文技术文档团队在 AI 绘图工作流中实际落地。后续值得观察其图表类型扩展速度与社区维护节奏，以及这类单文件离线交付模式能否成为 Agent 输出的事实标准。

      核心观点：Agent 竞争焦点正从能否生成转向生成即可用，中文排版等本地化细节成为开源工具差异化突围的关键。

      原文链接：Linux.do

    最新文章

    热门专题

    热门标签

    AI编程claude大模型AIAI Agent人工智能开源项目Gemini开发者工具开源GitHubClaude Code开源工具AI工具开发工具谷歌openaideepseek提示词工程cursor网络安全anthropicAI应用ChatgptAI开发agentAI安全自动化智能体AI智能体

    网站统计

    • 日志总数：29000
    • 评论总数：7
    • 标签总数：17919
    • 用户总数：3675
    • 最后更新：2026-10-11