最近在尝试将 AI 编程助手集成到开发工作流中，发现很多开发者对 Codex 这类工具既向往又困惑。向往的是它强大的代码生成和补全能力，能显著提升开发效率；困惑的是，由于网络环境限制，很多优秀的 AI 编程工具在国内使用并不顺畅。其实，现在完全有办法在国内网络环境下，稳定、高效地使用类似 Codex 的 AI 编程能力，核心就在于利用国内可访问的优质大模型，比如 DeepSeek。

本文将为你详细拆解，如何在不依赖特殊网络环境的情况下，通过多种路径将 DeepSeek 等大模型的智能编程能力，无缝集成到你的 IDE、自动化脚本乃至完整的 AI 智能体（Agent）和工作流中。无论你是想提升日常编码效率，还是希望构建更复杂的 AI 应用，都能在这里找到可落地的方案。

1. 核心概念：Codex、AI 智能体与工作流

在开始实战之前，我们先厘清几个关键概念，这有助于理解后续各种方案的定位和选择。

1.1 什么是 Codex 及其同类工具？

Codex 是 OpenAI 发布的一个擅长理解和生成代码的 AI 模型，它是 GitHub Copilot 背后的核心技术。它的核心能力包括：

  • 代码补全 ：根据上下文和注释，自动生成后续代码。
  • 代码生成 ：根据自然语言描述（如“写一个快速排序函数”）生成对应代码。
  • 代码解释 ：解释一段复杂代码的功能。
  • 代码转换 ：将代码从一种语言翻译到另一种，或进行重构。

然而，直接使用原版 Codex 或 Copilot 对国内开发者可能存在访问障碍。幸运的是，市场上有许多 功能类似且对国内网络友好的替代品 ，它们通常通过接入其他大语言模型（LLM）的 API 来实现智能编程功能。

1.2 AI 智能体（AI Agent）是什么？

AI 智能体可以理解为一个更高级、更自主的 AI 应用。它不仅仅是根据指令生成文本或代码，而是具备 感知、规划、决策和执行 的能力。一个典型的编程智能体可能具备以下功能：

  1. 理解复杂需求 ：将模糊的用户需求分解为具体的开发任务。
  2. 调用工具 ：可以执行终端命令、读写文件、调用搜索引擎或第三方 API。
  3. 自主迭代 ：根据执行结果（如错误信息）调整策略，重新尝试。
  4. 管理状态 ：记住对话历史和项目上下文。

在编程领域，智能体可以帮你完成从“创建一个具有用户登录功能的 Web 应用”到最终产出代码文件的整个流程，而不仅仅是写一个函数。

1.3 工作流（Workflow）自动化

工作流是将一系列任务按照特定逻辑和顺序组织起来的过程。在 AI 编程的语境下，工作流自动化意味着：

  • 串联多个 AI 步骤 ：例如，先让 AI 生成代码，再让另一个 AI 进行代码审查，最后自动运行测试。
  • 集成外部工具 ：将 AI 与 Git、CI/CD 管道、项目管理工具（如 Jira）等连接。
  • 事件驱动 ：实现诸如“每次提交代码后，自动让 AI 生成变更摘要”或“每日定时让 AI 检查项目依赖安全性”等自动化场景。

理解了这些概念，我们就可以看到，我们的目标不仅仅是找一个“平替”，而是构建一个 以国内可访问大模型（如 DeepSeek）为核心，覆盖从智能代码补全到复杂智能体应用的全栈解决方案 。

2. 环境与工具准备

在开始集成前，我们需要准备好核心的“引擎”（大模型 API）和“车间”（开发环境）。

2.1 获取 DeepSeek API Key

DeepSeek 提供了强大且对国内开发者友好的 API 服务，是本次所有方案的基础。

  1. 访问平台 ：打开 DeepSeek 开放平台官网。
  2. 注册/登录 ：使用手机号或邮箱完成注册。
  3. 创建 API Key ：
    • 登录后，进入控制台或“API 密钥”管理页面。
    • 点击“创建新的密钥”或类似按钮。
    • 为密钥命名（如 MyVSCodePlugin ），并妥善保存生成的这一长串字符。 注意：API Key 只显示一次，请立即复制保存到安全的地方。

2.2 基础开发环境配置

确保你的本地环境已经就绪：

  • Node.js & npm ：许多 AI 开发工具和 IDE 插件基于 Node.js。建议安装 LTS 版本。
  • Python 3.8+ ：Python 是 AI 应用开发的主流语言，许多框架依赖它。
  • Git ：用于克隆开源项目和进行版本管理。
  • IDE/编辑器 ：Visual Studio Code（VSCode）是大多数方案的首选，因其丰富的插件生态。也可以准备 JetBrains 系列 IDE（如 PyCharm, IntelliJ IDEA）。

2.3 网络连通性测试

在终端中运行以下命令，测试是否能正常访问 DeepSeek API 服务。这将帮助我们排除基础网络问题。

# 使用 curl 测试 API 连通性 (请将 YOUR_API_KEY 替换为你的真实密钥)
curl -X POST https://api.deepseek.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -d '{
    "model": "deepseek-chat",
    "messages": [{"role": "user", "content": "Hello"}],
    "max_tokens": 10
  }'

如果返回一个包含 "choices" 字段的 JSON 响应，说明网络和 API Key 配置正确。如果遇到连接超时等问题，请检查本地网络设置。

3. 方案一：在 IDE 中实现智能编程（最直接的使用场景）

这是提升日常编码效率最直接的方式。我们将 DeepSeek 的能力注入到你的代码编辑器中。

3.1 为 VS Code 安装 AI 编程插件

VSCode 社区有许多优秀的插件支持配置自定义的 OpenAI 兼容 API，从而接入 DeepSeek。

方案A：使用 Continue 插件 Continue 是一个开源、可高度自定义的 AI 编程助手插件。

  1. 安装插件 ：在 VSCode 扩展商店中搜索 “Continue” 并安装。
  2. 配置 API ：
    • 安装后，在 VSCode 中按下 Ctrl+Shift+P (Windows/Linux) 或 Cmd+Shift+P (Mac)，输入 Continue: Open Config 并回车。
    • 这会打开一个 config.json 文件。将其修改为如下内容：
{
  "models": [
    {
      "title": "DeepSeek Coder",
      "provider": "openai",
      "model": "deepseek-coder",
      "apiBase": "https://api.deepseek.com/v1",
      "apiKey": "sk-your-deepseek-api-key-here" // 替换为你的真实 API Key
    }
  ],
  "tabAutocompleteModel": {
    "title": "DeepSeek Coder",
    "provider": "openai",
    "model": "deepseek-coder",
    "apiBase": "https://api.deepseek.com/v1",
    "apiKey": "sk-your-deepseek-api-key-here"
  }
}
  1. 使用 ：在代码中，你可以通过快捷键（默认为 Cmd/Ctrl + I ）唤出 Continue 的聊天界面进行问答，它也能提供强大的代码自动补全功能。

方案B：使用 Cursor 编辑器 Cursor 是一个基于 VSCode 但深度集成 AI 的编辑器，它原生支持配置自定义的 LLM。

  1. 下载安装 ：从 Cursor 官网下载对应系统的安装包。
  2. 设置模型 ：
    • 打开 Cursor，进入 Settings -> AI 。
    • 在 “AI Model Provider” 或类似选项中，选择 “OpenAI Compatible”。
    • 填写端点（Endpoint）为 https://api.deepseek.com/v1 ，并填入你的 API Key。
    • 在模型选择中，可以尝试 deepseek-chat 或 deepseek-coder 。
  3. 体验 ：Cursor 提供了非常流畅的“对话式编程”体验，你可以直接选中代码块，让 AI 解释、重构或生成测试。

3.2 为 JetBrains IDE (IntelliJ, PyCharm等) 安装插件

JetBrains 系列的插件生态同样丰富。

  1. 安装 Continue 插件 ：在 JetBrains IDE 的插件市场中搜索 “Continue” 并安装。其配置方式与 VSCode 版类似，需要在插件设置中指定 DeepSeek 的 API 地址和密钥。
  2. 使用 AI Commit 等专项插件 ：你还可以安装 AI Commit 插件，专门用于生成 Git 提交信息。在插件设置中，将其后端配置为 DeepSeek API。

3.3 为 Neovim/Vim 配置 AI 插件

对于终端爱好者，Neovim 也有优秀的解决方案。

使用 llm.nvim 插件 ：

  1. 安装插件 ：使用你喜欢的插件管理器（如 lazy.nvim ）安装 dense-analysis/llm.nvim 。
  2. 配置 ：在你的 Neovim 配置文件中（如 ~/.config/nvim/init.lua ）添加如下配置：
require('llm').setup({
  api = {
    url = 'https://api.deepseek.com/v1/chat/completions',
    headers = {
      ['Authorization'] = 'Bearer ' .. vim.fn.getenv('DEEPSEEK_API_KEY'), -- 建议将API Key设为环境变量
      ['Content-Type'] = 'application/json',
    },
    model = 'deepseek-chat', -- 或 deepseek-coder
  },
  -- 设置快捷键，例如将 Ctrl-G 绑定为向选中的代码提问
  keymaps = {
    ask = '<C-g>',
  },
})
  1. 使用 ：在 Visual 模式下选中代码，按下 <C-g> ，输入你的问题，AI 的回答会显示在一个分割窗口中。

4. 方案二：构建自动化 AI 工作流

当你需要将 AI 能力嵌入到更复杂的自动化流程中时，就需要用到工作流引擎。

4.1 使用 n8n 构建可视化工作流

n8n 是一个强大的开源工作流自动化工具，拥有图形化界面，非常适合构建包含 AI 节点的复杂流程。

  1. 安装 n8n ： 
    # 使用 npm 全局安装
npm install -g n8n
# 或者使用 Docker
docker run -it --rm --name n8n -p 5678:5678 -v ~/.n8n:/home/node/.n8n n8nio/n8n
  2. 启动并访问 ：访问 http://localhost:5678 ，完成初始设置。
  3. 安装 DeepSeek 节点 ：在 n8n 的 “Community Nodes” 中搜索安装 n8n-nodes-deepseek 。如果社区节点中没有，你也可以使用通用的 HTTP Request 节点。
  4. 构建一个“代码审查”工作流 ：
    • 触发器 ：使用 “Schedule Trigger” 节点设置每天定时运行，或 “Webhook” 节点监听 Git 平台的推送事件。
    • 获取代码 ：使用 “Git” 节点拉取最新代码，或 “HTTP Request” 节点调用 GitHub API。
    • AI 处理 ：使用 “DeepSeek” 节点（或配置好的 “HTTP Request” 节点），将代码片段和审查指令（如“请审查这段代码的安全性和性能问题”）发送给 DeepSeek API。
    • 输出结果 ：使用 “Email” 节点将审查报告发送给开发者，或用 “Slack” 节点发送到团队频道。

下图展示了一个简化的 n8n 工作流结构：

[Schedule Trigger] -> [Git Clone] -> [Extract Code] -> [DeepSeek Node] -> [Format Report] -> [Send Email/Slack]

4.2 使用 Python 脚本构建轻量级工作流

对于更喜欢代码控制的开发者，用 Python 脚本构建工作流非常灵活。

示例：自动生成数据库变更的 SQL 脚本和解释 假设你有一个用自然语言描述的数据表变更需求，以下脚本可以调用 DeepSeek 生成 SQL 并解释其作用。

  1. 安装依赖 ：

    pip install openai python-dotenv

    注意 ：虽然我们使用 openai 库，但通过修改 base_url 可以指向 DeepSeek 的兼容端点。

  2. 编写脚本 sql_workflow.py ：

    import os
from openai import OpenAI
from dotenv import load_dotenv

# 加载环境变量，将你的 API Key 放在 .env 文件中：DEEPSEEK_API_KEY=sk-xxx
load_dotenv()

# 初始化客户端，指向 DeepSeek 的端点
client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1" # 关键：指定 DeepSeek 的地址
)

def generate_sql_and_explanation(requirement: str, current_schema: str = "") -> dict:
    """
    根据需求生成 SQL 并解释。
    
    Args:
        requirement: 自然语言需求，如“为用户表添加一个‘最后登录时间’字段”。
        current_schema: 可选的当前表结构。
    
    Returns:
        包含 SQL 和解释的字典。
    """
    prompt = f"""
    你是一个资深的数据库管理员。请根据以下需求生成相应的 SQL 语句，并简要解释这个 SQL 做了什么。

    需求：{requirement}

    {f"当前表结构：{current_schema}" if current_schema else ""}

    请以以下 JSON 格式回复：
    {{
        "sql": "生成的 SQL 语句",
        "explanation": "对 SQL 语句作用的简要中文解释"
    }}
    """
    
    try:
        response = client.chat.completions.create(
            model="deepseek-chat", # 使用 deepseek-coder 可能对代码生成更友好
            messages=[{"role": "user", "content": prompt}],
            temperature=0.1, # 低温度使输出更确定
            response_format={ "type": "json_object" } # 要求返回 JSON
        )
        import json
        result = json.loads(response.choices[0].message.content)
        return result
    except Exception as e:
        print(f"调用 API 时出错: {e}")
        return {"sql": "", "explanation": "生成失败"}

if __name__ == "__main__":
    # 示例需求
    user_requirement = "为用户表 `users` 添加一个名为 `last_login_at` 的字段，类型为 TIMESTAMP，允许为 NULL，并添加注释‘用户最后登录时间’。”
    current_table_schema = """
    CREATE TABLE users (
        id INT PRIMARY KEY AUTO_INCREMENT,
        username VARCHAR(50) NOT NULL,
        email VARCHAR(100) NOT NULL UNIQUE,
        created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
    );
    """
    
    result = generate_sql_and_explanation(user_requirement, current_table_schema)
    
    print("生成的 SQL：")
    print(result.get("sql", ""))
    print("\n解释：")
    print(result.get("explanation", ""))
    
    # 你可以在这里添加将 SQL 写入文件或直接执行的逻辑
    # with open('migration.sql', 'a') as f:
    #     f.write(result.get("sql") + '\n')

  3. 运行脚本 ：

    # 确保在项目根目录下有 .env 文件，内容为 DEEPSEEK_API_KEY=你的密钥
python sql_workflow.py

    这个脚本会输出生成的 ALTER TABLE SQL 语句及其解释。你可以将此脚本集成到你的数据库迁移流程中，实现需求到 SQL 的半自动化转换。

5. 方案三：开发与集成 AI 智能体（Agent）

智能体代表了更高级的自动化，它能理解目标、规划步骤并执行。

5.1 使用 LangChain 框架构建智能体

LangChain 是当前构建 AI 应用最流行的框架之一，它提供了丰富的组件来连接 LLM、工具和记忆。

示例：构建一个能查询天气并生成穿衣建议的编码助手智能体

  1. 安装 LangChain 及相关库 ：

    pip install langchain langchain-community langchain-openai requests

  2. 编写智能体脚本 coding_agent.py ：

    import os
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_openai import ChatOpenAI # 注意：我们用它来连接 DeepSeek
from langchain.tools import Tool
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.agents.format_scratchpad import format_to_openai_function_messages
from langchain.agents.output_parsers import OpenAIFunctionsAgentOutputParser
import requests
from dotenv import load_dotenv

load_dotenv()

# 1. 定义工具函数
def get_weather(city: str) -> str:
    """获取指定城市的当前天气。这是一个模拟函数，实际应用中应接入真实天气API。"""
    # 模拟数据
    weather_data = {
        "北京": "晴，15°C，微风",
        "上海": "多云，18°C，东南风2级",
        "深圳": "阵雨，22°C，南风3级",
    }
    return weather_data.get(city, f"未找到{city}的天气信息。")

def write_python_script(code: str, filename: str = "output.py") -> str:
    """将生成的 Python 代码写入文件。"""
    try:
        with open(filename, 'w', encoding='utf-8') as f:
            f.write(code)
        return f"代码已成功写入文件：{filename}"
    except Exception as e:
        return f"写入文件时出错：{e}"

# 2. 将函数封装为 LangChain Tool
tools = [
    Tool(
        name="GetWeather",
        func=get_weather,
        description="当用户问题涉及天气、穿衣建议或出行计划时，使用此工具查询城市的天气。输入应为城市名称，如‘北京’。"
    ),
    Tool(
        name="WritePythonFile",
        func=write_python_script,
        description="当需要将生成的Python代码保存到本地文件时使用此工具。输入应为包含代码内容的字符串，以及可选的文件名。"
    ),
]

# 3. 初始化 LLM，连接到 DeepSeek
llm = ChatOpenAI(
    model="deepseek-chat",
    openai_api_key=os.getenv("DEEPSEEK_API_KEY"),
    openai_api_base="https://api.deepseek.com/v1",
    temperature=0,
)

# 4. 构建智能体提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", """你是一个聪明的编程助手，同时也能查询天气。你可以使用工具来获取天气信息或保存代码文件。
    请严格遵循以下规则：
    1. 如果用户的问题与天气、穿衣、出行相关，你必须调用 GetWeather 工具。
    2. 如果用户要求生成代码并保存，你必须在生成代码后调用 WritePythonFile 工具。
    3. 用中文友好地回答用户。
    """),
    ("user", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"),
])

# 5. 绑定工具，创建智能体
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True)

# 6. 运行智能体
if __name__ == "__main__":
    # 示例查询1：结合天气的编码建议
    result1 = agent_executor.invoke({"input": "我今天在北京，想写一个爬取天气数据的Python脚本，今天的天气适合出门吗？"})
    print("查询1结果:", result1["output"])
    print("-" * 50)
    
    # 示例查询2：生成并保存代码
    result2 = agent_executor.invoke({"input": "帮我写一个计算斐波那契数列的Python函数，并保存到 fib.py 文件里。"})
    print("查询2结果:", result2["output"])
    
    # 检查文件是否生成
    try:
        with open('fib.py', 'r') as f:
            print("\n生成的 fib.py 内容：")
            print(f.read())
    except FileNotFoundError:
        print("\n文件未生成。")

  3. 运行智能体 ：

    DEEPSEEK_API_KEY=你的密钥 python coding_agent.py

    你会看到智能体的思考过程（因为它设置了 verbose=True ）：它先识别用户意图，然后决定调用 GetWeather 工具查询北京天气，再生成爬虫脚本建议。对于第二个请求，它会生成代码并调用 WritePythonFile 工具保存。

5.2 探索其他智能体框架

除了 LangChain，开源社区还有许多优秀的框架，你可以根据项目需求选择：

  • Dify ：一个开源的 LLM 应用开发平台，提供可视化界面构建 AI 助手、工作流和智能体， 原生支持 DeepSeek 。它降低了 AI 应用开发的门槛，适合快速构建和部署。
  • FastGPT ：一个基于 LLM 的开源知识库问答平台，同样支持 DeepSeek。它擅长基于私有知识库构建问答智能体。
  • BotSharp ：一个开源的多智能体应用开发框架，支持 RAG、知识库和会话管理，官方文档提到已用 DeepSeek V3 进行详细测试。
  • Coze（扣子） ：字节跳动推出的 AI 智能体开发与部署平台，虽然是一个云平台，但其“工作流”和“插件”功能强大，可以便捷地构建复杂智能体，并且通常在国内访问顺畅。

6. 常见问题与排查指南

在集成和使用过程中，你可能会遇到以下问题：

问题现象 可能原因 排查步骤与解决方案
API 调用返回 401 或 403 错误 1. API Key 错误或失效。
2. API Key 未正确传入请求头。		 1. 检查 API Key 是否复制完整，前后有无空格。
2. 登录 DeepSeek 平台，确认密钥是否有效、未过期。
3. 检查代码中请求头的格式： Authorization: Bearer sk-xxx 。
连接超时或无法访问 api.deepseek.com 1. 本地网络防火墙或代理设置问题。
2. DNS 解析问题。		 1. 在终端使用 ping api.deepseek.com 或 curl -I https://api.deepseek.com 测试连通性。
2. 检查系统代理设置，尝试关闭或正确配置。
3. 刷新 DNS 缓存或更换 DNS 服务器（如 114.114.114.114）。
插件或脚本报错 模型不存在 1. 指定的模型名称错误。
2. API 端点不支持该模型。		 1. 确认 DeepSeek 当前可用的模型名，常用的是 deepseek-chat 和 deepseek-coder 。
2. 确保 apiBase 或 base_url 指向 https://api.deepseek.com/v1 。
代码补全或生成质量不理想 1. 提示词（Prompt）不够清晰。
2. 模型参数（如 temperature ）设置不当。
3. 上下文信息不足。		 1. 在请求中提供更详细的代码上下文和清晰的指令。
2. 调整 temperature （创造性，0-1之间，代码生成建议设低如0.1-0.3）。
3. 尝试使用 deepseek-coder 模型，它在代码任务上通常表现更好。
智能体陷入循环或执行错误工具 1. 工具的描述（ description ）不够准确。
2. 系统提示词对智能体的约束不够强。		 1. 仔细打磨每个工具的 description ，明确其用途、输入格式和适用场景。
2. 在系统提示词中强化规则，例如“你必须先调用工具A获取信息，再回答问题”。
工作流执行缓慢 1. API 调用网络延迟。
2. 工作流逻辑复杂，串行步骤多。		 1. 考虑对非实时任务使用异步调用或队列。
2. 审查工作流，将可以并行的步骤（如多个独立的 API 调用）改为并行执行。

7. 最佳实践与进阶建议

掌握了基础集成后，遵循以下实践能让你的 AI 编程体验更安全、高效和强大。

7.1 安全与成本管理

  • API Key 保护 ：永远不要将 API Key 硬编码在代码或提交到 Git 仓库。使用环境变量（ .env 文件）、密钥管理服务或 IDE 的本地配置存储。
  • 设置用量限额 ：在 DeepSeek 平台为 API Key 设置每月或每日的使用限额和频率限制，防止意外超支。
  • 审查生成代码 ：AI 生成的代码必须经过人工审查和测试后才能用于生产环境，尤其是涉及安全、资金或核心逻辑的部分。

7.2 提升提示词（Prompt）质量

高质量的提示词是发挥 AI 能力的关键。

  • 角色设定 ：明确告诉 AI 它的角色，如“你是一位经验丰富的 Python 后端开发专家”。
  • 任务清晰 ：将复杂任务拆解成清晰的步骤。
  • 提供上下文 ：在请求中附上相关的代码片段、错误信息或数据结构。
  • 指定输出格式 ：明确要求输出格式，如“请以 JSON 格式返回”，或“在代码块中输出”。
  • 迭代优化 ：根据输出结果不断调整你的提示词。

7.3 工程化与性能优化

  • 缓存结果 ：对于相同或相似的查询（如固定的代码解释），可以将 AI 的回复缓存起来，避免重复调用 API，节省成本和时间。
  • 流式输出 ：对于需要长时间生成的内容（如长篇文章或复杂代码），使用 API 的流式响应（streaming）来提升用户体验。
  • 降级方案 ：在你的应用或脚本中设计降级逻辑。当 DeepSeek API 不可用时，可以切换到其他备用模型或提供基础功能。
  • 日志与监控 ：记录所有 AI 调用的请求和响应（注意脱敏），便于调试和效果分析。监控 API 的响应时间和成功率。

7.4 探索更复杂的应用模式

  • RAG（检索增强生成） ：结合向量数据库（如 Milvus, Chroma），让 AI 能够基于你的私有文档、代码库进行问答和生成，实现“企业知识库助手”。
  • 多智能体协作 ：使用像 agentUniverse 这样的框架，创建多个各司其职的智能体（如“架构师”、“开发”、“测试”），让它们协作完成一个完整的软件开发任务。
  • 与开发流程深度集成 ：将 AI 能力嵌入 CI/CD 管道，实现自动化的代码审查、生成测试用例、更新文档等。

通过本文介绍的从 IDE 插件、工作流自动化到智能体开发的多种路径，你已经掌握了在国内网络环境下，利用 DeepSeek 等大模型构建强大 AI 编程助手的核心方法。关键在于选择适合你当前场景的工具，从一个小点开始实践，例如先配置好 VSCode 的代码补全，再尝试用 Python 脚本自动化一个重复任务，逐步构建起属于你自己的智能开发工作流。

# DeepSeek
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

企业级AI Agent服务商盘点:云大厂、开源平台与垂直行业玩家

例如“调研某个行业并制作一份管理层汇报”，它会确定研究范围、搜索公开资料、筛选可信来源、整理竞争格局、提取关键数据、运行分析、制作图表、形成观点并生成 PPT，同时检查文字溢出或图表错误。用户只需要说明目标、提供必要资料、划定操作边界，它就可以围绕成果组织任务，调用浏览器、代码、文件、数据和内容工具，持续推进多个步骤，直到交付可以直接使用的成果。代码与数据处理：拥有代码执行环境，可直接读取原始文件

avatar AI Agent技术社区

AI Agent智能体大模型LLM市场

1、https://platform.deepseek.com/sign_in，官方的，现在采用高峰调价，价格涨了一倍，估计是原先亏了。2.4、https://open.cherryin.ai/console/token，这个是cherry in 最低重置10美元。2.3、https://ecloud.10086.cn/mobilecloud/act/tokenplan，移动的。2.2、https

avatar AI Agent技术社区
cover

企业级AI Agent ROI测算模型：投入成本与业务价值量化评估

avatar AI Agent技术社区