🚀 一、AI Agent（智能体）开发需要掌握的技术栈（完整清单）

✅ 1. 基础语言 & 运行环境

智能体主流语言：

• Node.js（JS/TS）

• Python

• （你之前问过 Node + Nest.js，我重点围绕这两个说）

如果使用 Nest.js 开发智能体 API 层：
必须会：

• Node.js 18+

• TypeScript

• Nest.js（模块、Controller、Service、Provider、Middleware）

• Axios / Fetch（调用 OpenAI、DeepSeek API）

• Webhook / SSE（智能体实时响应）

---

✅ 2. 大模型相关

必须会：

⭐ 大模型 API 使用

• OpenAI API（GPT-4.1 / GPT-o1 / Assistant API）

• DeepSeek API

• 阿里 Qwen

• Moonshot Kimi

• 讯飞星火 / 百度文心等

⭐ Prompt Engineering（提示词工程）

• 角色设定

• 多轮记忆

• 工具调用（Function Call）

• Agent 思维链（Chain-of-Thought）

---

✅ 3. Agent “工具调用”技术（核心）

智能体必须具备：

工具类型	技术说明
网络请求	调用 API、爬虫、搜索
Python 代码执行	调用 Python 环境执行脚本
数据库操作	MySQL/MongoDB/Redis
文档处理	PDF, Excel, Word
计划分解	Task decomposition
浏览器控制	Playwright / Puppeteer

Node.js 常用：

• LangChain JS

• LobeHub

• OpenAI Assistants API

• Vercel AI SDK

---

✅ 4. RAG（检索增强）技术

AI Agent 必备能力之一。

必须掌握：

• 文档切分（如 RecursiveCharacterTextSplitter）

• 向量 Embedding（OpenAI / BGE / jina）

• 向量数据库（Milvus / pgvector / Pinecone）

• RAG pipeline（检索→重排→总结）

---

✅ 5. 插件 / Agent 扩展开发

包括：

✔ OpenAI GPTs 插件（Action）

• OpenAPI 规范

• HTTPS 服务器

• OAuth 验证

• JSON Schema

✔ 智能体插件（Tools）

如：

• 天气查询

• 股票行情

• 网页爬取

• 自动写报告

• 自动跑脚本

---

✅ 6. 智能体系统架构

一个稳健的 AI Agent 系统包含：

[前端] → [Agent 服务层] → [工具层] → [大模型] → [向量库] → [计划执行器]

---

🧭 二、学习路线图（最快路径）

第 1 阶段：AI 基础

✔ Prompt
✔ 大模型 API
✔ JSON schema
✔ Function Call

第 2 阶段：Node.js / Nest.js + AI 接口

✔ Nest.js Controller
✔ OpenAI SDK
✔ Tool Calling
✔ SSE 流式输出

第 3 阶段：Agent 核心能力

✔ 多步推理
✔ 任务拆解
✔ 工具自动规划
✔ 多工具编排

第 4 阶段：RAG 能力

✔ 上下文检索
✔ 段落匹配
✔ 向量数据库

第 5 阶段：插件开发

✔ OpenAPI + Action
✔ 智能体自定义工具

第 6 阶段：构建完整 AI Agent

✔ 自主规划
✔ 自主行动
✔ 工具调度
✔ 日志和监控

---

🟦 三、Nest.js + OpenAI 实现一个最小智能体 Demo（可直接运行）

文件：src/agent/agent.service.ts

import { Injectable } from '@nestjs/common';
import OpenAI from 'openai';

@Injectable()
export class AgentService {
  private openai = new OpenAI({
    apiKey: process.env.OPENAI_API_KEY,
  });

  // 智能体主函数
  async runAgent(userInput: string) {
    const response = await this.openai.chat.completions.create({
      model: "gpt-4.1",
      messages: [
        { role: "system", content: "你是一个智能体，可以调用工具执行任务。" },
        { role: "user", content: userInput },
      ],
      tools: [
        {
          type: "function",
          function: {
            name: "searchWeather",
            description: "查询城市天气",
            parameters: {
              type: "object",
              properties: {
                city: { type: "string" },
              },
              required: ["city"],
            },
          },
        }
      ]
    });

    const msg = response.choices[0].message;

    // 如果模型要求调用工具
    if (msg.tool_calls) {
      const tool = msg.tool_calls[0];
      if (tool.function.name === "searchWeather") {
        const { city } = JSON.parse(tool.function.arguments);
        const toolResult = await this.fakeWeather(city);

        // 再把结果发给大模型
        const final = await this.openai.chat.completions.create({
          model: "gpt-4.1",
          messages: [
            ...response.messages,
            { role: "tool", tool_call_id: tool.id, content: JSON.stringify(toolResult) }
          ]
        });

        return final.choices[0].message.content;
      }
    }

    return msg.content;
  }

  // Tool 示例：查天气
  private async fakeWeather(city: string) {
    return {
      city,
      temp: "26°C",
      condition: "晴"
    };
  }
}

---

🟣 四、AI 插件模板（OpenAI Actions）

这是 GPTs 可直接对接的 JSON Schema：

openapi: 3.1.0
info:
  title: Demo Plugin
  version: 1.0.0
paths:
  /weather:
    get:
      summary: 查询天气
      parameters:
        - in: query
          name: city
          schema:
            type: string
      responses:
        "200":
          description: OK

Nest.js weather.controller.ts：

@Get('weather')
getWeather(@Query('city') city: string) {
  return { city, temp: '28°C', condition: 'Sunny' };
}

---

🟢 五、RAG 示例项目（Node.js）

最小 RAG pipeline：

import { OpenAI } from "openai";
import { readFileSync } from "fs";

const client = new OpenAI();

async function ragQuery(question) {
  // 1. 分割文档
  const text = readFileSync("./docs/law.txt", "utf8");
  const chunks = text.match(/.{1,300}/g);

  // 2. Embedding
  const embeddings = await Promise.all(
    chunks.map(c => client.embeddings.create({
      model: "text-embedding-3-large",
      input: c
    }))
  );

  // 3. 找最相近的片段
  // (简单实现，可用向量数据库)
  const userEmbedding = await client.embeddings.create({
    model: "text-embedding-3-large",
    input: question
  });

  // 4. RAG 构造提示词
  const ctx = chunks[0]; // 简化：取第一个

  const answer = await client.chat.completions.create({
    model: "gpt-4.1",
    messages: [
      { role: "system", content: `参考内容: ${ctx}` },
      { role: "user", content: question }
    ]
  });

  return answer.choices[0].message.content;
}

---