昨天我们拆解了 AI Agent 的必备基础组件：

• 大脑（LLM）
• 长期记忆（向量数据库）
• 手脚（API 调用）
• 调度系统（任务管理）

今天，我们就用它们来做一个实战版 AI Agent。
这个 Agent 能够：

1. 根据主题自动搜索最新资料
2. 结合知识库记忆进行分析
3. 自动生成一份可读性强的报告

---

一、功能目标

• 输入一个主题，例如「2025 年 AI 发展趋势」
• Agent 会先调用搜索引擎 API 找到最新资料
• 将资料存入向量数据库作为长期记忆
• LLM 根据资料 + 记忆生成一份结构化报告
• 最终输出 Markdown 格式，方便直接放到文档或公众号，并存储pdf文档

---

二、技术选型

组件	选择
LLM（大脑）	DeepSeek API（性价比高）
向量数据库	FAISS（本地快速、易集成）
API 调用	SerpAPI（搜索引擎）
任务管理	LangChain 的 Agent Executor（轻量）

---

三、项目结构

ai-agent-content-pipeline/
├── backend/
│   ├── app/
│   │   ├── agents/
│   │   │   ├── article_agent.py
│   │   │   ├── layout_agent.py
│   │   │   ├── news_agent.py
│   │   │   ├── report_agent.py
│   │   ├── routes/
│   │   │   ├── content.py
│   │   │   ├── publish.py
│   │   ├── utils/
│   │   │   ├── llm_helper.py
│   │   │   ├── memory_manager.py
│   │   │   ├── serpapi_helper.py
│   │   ├── config.py
│   │   └── __init__.py
│   ├── main.py
│   └── requirements.txt
├── frontend/
│   ├── src/
│   │   ├── pages/
│   │   │   └── Dashboard.jsx
│   │   ├── api/
│   │   │   └── content.js
│   │   ├── App.js
│   │   ├── index.js
│   │   └── ...
│   ├── public/
│   │   └── index.html
│   └── package.json
├── wechat_drafts/         # 生成的 html 草稿
├── reports/               # 生成的 PDF 报告
├── faiss_index/           # 向量数据库持久化目录
├── .env                   # 环境变量
└── README.md

四、核心代码

1. 搜索工具（serpapi_helper.py）

from langchain_community.document_loaders import WebBaseLoader
from app.utils.llm_helper import get_llm
from serpapi import GoogleSearch
import os
SERPAPI_API_KEY = os.getenv("SERPAPI_API_KEY")
def search_ai_news(topic: str = "人工智能AI") -> list:
"""
使用 SerpAPI 搜索指定主题的新闻。
:param topic: 搜索主题，默认为“人工智能AI”
:return: 新闻列表
"""
params = {
"engine": "google",
"q": f"{topic} 新闻 site:36kr.com OR site:techcrunch.com OR site:news.qq.com",
"api_key":SERPAPI_API_KEY,
"tbs": "qdr:w",  # 最近一周
"num": 5,
"hl": "zh-CN",
"gl": "cn"
}
search = GoogleSearch(params)
results = search.get_dict()
return results
def search_resource(topic: str, num_results: int = 5) -> list:
"""
使用 SerpAPI 搜索任意主题的网页，并返回网页内容文档列表。
:param query: 搜索关键词
:param num_results: 返回网页数量
:return: 网页内容文档列表
"""
params = {
"engine": "google",
"q": topic,
"api_key": SERPAPI_API_KEY,
"tbs": "qdr:w",
"num": num_results,
"hl": "zh-CN",
"gl": "cn"
}
search = GoogleSearch(params)
results = search.get_dict()
return results
def get_links_doc(results):
if not results or "organic_results" not in results:
return []
# 提取前几个搜索链接
links = [item["link"] for item in results.get("organic_results", [])[:3]]
print("抓到的链接：", links)
# 加载网页内容
loader = WebBaseLoader(links)
docs = loader.load()
return docs

说明：需要申请SERPAPI，我使用的是免费版 每月有250次搜索记录

2. 长期记忆管理（memory_manager.py）

from langchain_community.vectorstores import FAISS
from langchain_huggingface import HuggingFaceEmbeddings
from langchain.docstore.document import Document
import os
class MemoryManager:
def __init__(self, persist_dir="faiss_index"):
self.embeddings = HuggingFaceEmbeddings( model_name="shibing624/text2vec-base-chinese")
self.persist_dir = persist_dir
self.vectorstore = None
def create_or_load(self):
if os.path.exists(self.persist_dir) and os.listdir(self.persist_dir):
# 加载本地索引时允许反序列化
self.vectorstore = FAISS.load_local(
self.persist_dir,
self.embeddings,
allow_dangerous_deserialization=True
)
else:
self.vectorstore = None
return self.vectorstore
def add_texts(self, texts):
docs = [Document(page_content=t) for t in texts]
if self.vectorstore is None:
# 首次创建
self.vectorstore = FAISS.from_documents(docs, self.embeddings)
else:
self.vectorstore.add_documents(docs)
self.vectorstore.save_local(self.persist_dir)
def search(self, query, k=5):
if self.vectorstore is None:
self.create_or_load()
return self.vectorstore.similarity_search(query, k=k)

3. 报告生成 Agent（report_agent.py）

from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate
from app.utils.llm_helper import get_llm
from app.utils.serpapi_helper import search_resource, get_links_doc
from app.utils.memory_manager import MemoryManager
from fpdf import FPDF
import os
def save_report_to_pdf(report_content: str, topic: str, output_dir: str = "reports") -> str:
"""
将报告内容保存为 PDF 文件
:param report_content: 报告正文（Markdown或纯文本）
:param topic: 报告主题（用于文件名）
:param output_dir: 保存目录
:return: 文件路径
"""
if not os.path.exists(output_dir):
os.makedirs(output_dir)
safe_title = "".join(c for c in topic if c.isalnum() or c in (' ', '_', '-')).rstrip()
filename = f"{safe_title or 'report'}.pdf"
filepath = os.path.join(output_dir, filename)
pdf = FPDF()
pdf.add_page()
pdf.add_font('SimHei', '', 'SimHei.ttf', uni=True)  # 需要有 SimHei.ttf 中文字体文件
pdf.set_font('SimHei', '', 14)
for line in report_content.split('\n'):
pdf.multi_cell(0, 10, line)
pdf.output(filepath)
return filepath
def generate_report(topic: str = "大模型") -> str:
# 1. 新闻检索与网页加载
search_results = search_resource(topic)
docs = get_links_doc(search_results)
if not docs:
return "未能获取相关内容，无法生成报告。"
# 2. 写入长期记忆（向量库）
memory_manager = MemoryManager()
vectorstore = memory_manager.create_or_load()
memory_manager.add_texts([doc.page_content for doc in docs])
# 3. 取出 vectorstore
vectorstore = memory_manager.vectorstore
if vectorstore is None:
return "向量库初始化失败，无法生成报告。"
# 4. 构建检索增强生成 Agent
retriever = vectorstore.as_retriever(search_kwargs={"k": 5})
prompt_template = """
你是一个专业的研究员，根据提供的资料，生成一份 Markdown 格式的结构化报告。
主题：{question}
要求：
1. 摘要最新关键信息
2. 列出 3~5 个重要趋势或要点
3. 用数据或实例支撑结论
4. 最后加上未来展望
资料：
{context}
"""
prompt = PromptTemplate(template=prompt_template, input_variables=["question", "context"])
llm = get_llm()
qa_chain = RetrievalQA.from_chain_type(
llm=llm,
retriever=retriever,
chain_type_kwargs={"prompt": prompt},
return_source_documents=False  # 需要的话可设 True
)
# 5. 生成报告（注意传入 dict，key 为 "query"）
result = qa_chain.invoke({"query": topic})
# 6. 兼容不同 LangChain 版本的返回结构
if isinstance(result, dict):
report_content = result.get("result") or result.get("output_text") or ""
else:
report_content = str(result)
# 7. 保存为 PDF
pdf_path = save_report_to_pdf(report_content, topic)
print(f"报告已保存为 PDF: {pdf_path}")
return report_content

4、封装fastapi

from fastapi import APIRouter
from pydantic import BaseModel
from app.agents.report_agent import generate_report
router = APIRouter()
# 请求模型
class GenerateRequest(BaseModel):
topic: str
@router.post("/generate_report")
def get_report(req: GenerateRequest):
report = generate_report(req.topic)
return {
"topic": req.topic,
"report": report
# "pdf_path": pdf_path  # 如有需要可加上
}

五、运行效果

​```markdown
# 2025年AI发展趋势报告
## 摘要
2025年上半年，AI领域呈现加速演进态势，核心趋势聚焦于**智能代理（Agent）的普
及化**、**多模态推理能力的突破**以及**行业竞争格局的重塑**。技术突破与场景落
地双向驱动，AI正从工具型应用向自主决策的智能体转型，算力资源与数据交互成为竞
争关键要素。--
## 核心趋势与要点
### 1. 智能代理（Agent）成为应用主流-
**关键动态**：通用类Agent产品（如OpenAI的ChatGPT
Agent）通过整合多工具能力，完成复杂任务（如市场调研、数据分析），交付形式扩
展至可视化报告、交互式海报等。
**数据支撑**：AI编程工具Cursor年收入突破5亿美元，验证Agent在垂类场景的商业价
值。
**技术延伸**：模型上下文协议（MCP）快速发展，解决模型与外部信息交互的标准化
问题。
### 2. 多模态推理能力显著提升
**模型进展**：大模型端到端融合视觉与文本能力，实现跨模态深度推理（如处理图像-文本混合任务）。- **案例**：Gemini 2.5 Pro发布顶尖视频生成模型Veo 3，多模态性能达SOTA水平。
**评估变革**：传统静态评测榜单（如MMLU）快速饱和，动态实用任务成为新评估方向
。
### 3. 技术范式向多智能体与实时交互演进- **前沿方向**：
- **Multi-Agent系统**：OpenAI等厂商探索协作式问题求解，构建复杂AI生态。-
**经验学习（Era
Experience）**：谷歌提出模型通过实时交互学习，减少对人类数据的依赖。
of
**技术瓶颈**：AI生成内容验证成本高，代码验证成为自动化提升关键（如AI编程领域
）。
### 4. 行业竞争格局重构- **头部玩家动态**：
- xAI发布Grok 4跻身第一梯队，OpenAI技术优势弱化。
- 中美技术差距缩小，中国企业在多模态领域表现突出（如视频生成、语义理解）。- **算力竞赛**：头部厂商计算集群达数十万卡规模，强化学习算力需求超过预训练。--
## 未来展望
1. **Agent生态扩展**：垂直领域Agent将深度整合工作流，自然语言交互成为标配。
2.
**多模态工业化**：视觉Agent与文本中枢结合，推动医疗、教育等场景的自动化升级
。
3.
**技术边界突破**：多智能体协作与实时经验学习可能催生新一代通用人工智能（AGI
）框架。
4.
**地缘竞争加剧**：算力与数据资源将成国家战略资产，开源社区与商业闭源模式持续
博弈。
> **报告来源**：量子位智库《2025上半年AI核心成果及趋势报告》
>
**完整报告**：[下载链接](https://jkhbjkhb.feishu.cn/wiki/W5D7wuDcbiPXDLkaRLQ
cAJpOn8f)

注：报告基于假设性资料（2025年）生成，实际进展需以实时数据为准。

六、今日总结

今天我们完成了一个能查资料（搜索 API）、存记忆（向量数据库）、生成报告（LLM + 模板）的agent demo，代码我也在整理中，稍后会上传到git 方便学习的伙伴运行代码。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！