企业官网建设流程全解析

一、为什么选择数眼智能构建 AI Agent？—— 解决联网型 Agent 的核心痛点

传统 AI 模型（如 ChatGPT）仅能被动生成回答，普通 AI Agent 虽能调用工具，但在实时联网场景中常踩坑：信息过期（用半年前的数据回答当前问题）、中文网页解析差（广告 / 弹窗淹没核心内容）、合规风险高（爬取数据易踩线）。

而数眼智能作为专为 LLM/AI Agent 设计的 “实时信息获取 + 提纯” 工具，能精准解决这些痛点 —— 它支持毫秒级实时抓取、中文网页深度适配（解析成功率超 99%）、结构化输出（JSON/Markdown）及全链路合规（符合 GDPR/CPRA），让 Agent 真正具备 “实时读懂世界” 的能力。

例如：

• 普通 Agent：用户问 “2025 年 Q3 新能源销量”，仅能返回 “需联网查询” 的提示；
• 数眼智能 Agent：用户问同样问题，能直接调用数眼 API 获取实时销量数据，并以结构化格式输出分析结果。

二、数眼智能 AI Agent 核心执行流程：五步实现 “实时联网 - 精准分析” 闭环

数眼智能 Agent 以 “LLM 决策 + 数眼联网” 为核心，形成完整执行链路，具体流程如下：

1. 用户输入问题：提出需实时信息支撑的需求（如 “2025 年 Q3 中国新能源汽车销量 TOP3”）；
2. 获取数眼工具信息：加载数眼 API 的核心能力（实时抓取、中文解析、结构化输出）；
3. LLM 判断与指令生成：大模型（如 DeepSeek）解析用户意图，判断 “需联网” 后，生成数眼 API 调用指令（含查询词、输出格式等参数）；
4. 调用数眼工具执行：Agent 向数眼 API 发送请求，数眼返回实时、结构化的搜索结果（过滤广告 / 无效信息）；
5. 结果整合与响应：Agent 将数眼返回的数据整理为自然语言回答，若需进一步分析（如 “分析销量增长原因”），可触发新一轮数眼调用。

三、实战开发：用数眼智能 API 搭建 “实时资讯分析 Agent”

本次实战将搭建一个能实时获取行业数据、生成分析报告的 Agent，核心功能为 “联网搜索实时信息 + 结构化输出 + 多轮对话记忆”。

1. 环境准备：安装依赖库

数眼智能提供标准化 RESTful API，仅需安装基础请求库即可调用，执行如下命令：

pip install requests # 用于发送API请求 pip install deepseek-sdk # 用于集成DeepSeek大模型（也可替换为GPT/Claude）

2. 数眼 API 配置：获取密钥与基础参数

首先需在数眼智能官网（https://shuyanai.com/?id=19）申请 API 密钥，配置核心参数：

• API_KEY：数眼账号生成的专属密钥（从环境变量加载，避免硬编码）；
• BASE_URL：数眼 API 的基础地址（官方提供，如 “https://api.shuyanai.com/v1”）；
• 支持参数：query（搜索关键词）、output_format（输出格式：json/markdown）、source_filter（来源过滤：如 “权威媒体 / 政务网站”）。

3. 定义数眼搜索工具：封装 API 调用逻辑

创建shuyan_tools.py，定义调用数眼联网搜索的工具函数，实现 “输入查询词→返回结构化结果” 的功能：

import requests import os # 从环境变量加载数眼API密钥（安全起见，不硬编码） SHUYAN_API_KEY = os.getenv("SHUYAN_API_KEY") SHUYAN_BASE_URL = "https://api.shuyanai.com/v1/search" def search_with_shuyan(query: str, output_format: str = "markdown") -> str: """ 调用数眼智能API进行实时搜索，返回结构化结果 :param query: 搜索关键词（如“2025年Q3中国新能源汽车销量”） :param output_format: 输出格式，支持json/markdown :return: 数眼返回的结构化结果（字符串） """ headers = { "Authorization": f"Bearer {SHUYAN_API_KEY}", "Content-Type": "application/json" } data = { "query": query, "output_format": output_format, "source_filter": "authoritative" # 仅保留权威来源（如政府/行业报告） } try: # 发送POST请求调用数眼API response = requests.post(SHUYAN_BASE_URL, json=data, timeout=10) response.raise_for_status() # 捕获HTTP错误 return response.text # 返回结构化结果（如Markdown表格） except Exception as e: return f"数眼搜索失败：{str(e)}"

4. 初始化 LLM 与 Agent：整合 “决策大脑” 与 “联网工具”

创建 Agent 类，集成 DeepSeek 大模型（作为决策大脑）和数眼搜索工具（作为执行器），实现 “理解需求→判断是否联网→调用工具→整合结果” 的逻辑：

from deepseek import DeepSeekClient from shuyan_tools import search_with_shuyan class ShuyanAgent: def __init__(self, llm_client: DeepSeekClient): self.llm = llm_client # 大模型客户端（决策核心） self.tools = {"search": search_with_shuyan} # 注册数眼搜索工具 self.system_prompt = """ 你是一个具备实时联网能力的AI智能体，需遵循以下规则： 1. 若用户需求涉及实时/动态信息（如最新数据、近期事件），必须调用“search”工具获取数眼智能的搜索结果； 2. 若需求无需联网（如常识问题），直接用自身知识回答； 3. 调用工具后，需将数眼返回的结构化结果整理为自然语言，避免直接输出原始数据。 """ def run(self, user_query: str, history: list = None) -> str: """ 执行Agent逻辑：处理用户查询，调用工具（如需），返回结果 :param user_query: 用户输入问题 :param history: 对话历史（用于多轮上下文） :return: 最终回答 """ history = history or [] # 1. 构造对话上下文（系统提示+历史+当前查询） messages = [{"role": "system", "content": self.system_prompt}] + history messages.append({"role": "user", "content": user_query}) # 2. 让LLM判断是否需要调用工具 llm_response = self.llm.chat.completions.create( model="deepseek-chat", messages=messages, tools=[{"type": "function", "function": {"name": "search", "parameters": {"type": "object", "properties": {"query": {"type": "string"}, "output_format": {"type": "string"}}}}] ) # 3. 若需调用工具，执行数眼搜索；否则直接返回LLM回答 if llm_response.choices[0].message.tool_calls: tool_call = llm_response.choices[0].message.tool_calls[0] if tool_call.function.name == "search": # 提取工具参数（查询词、输出格式） query = tool_call.function.arguments["query"] output_format = tool_call.function.arguments.get("output_format", "markdown") # 调用数眼搜索工具 search_result = self.tools["search"](query, output_format) # 将搜索结果传入LLM，生成最终回答 messages.append({"role": "tool", "content": search_result, "tool_call_id": tool_call.id}) final_response = self.llm.chat.completions.create(model="deepseek-chat", messages=messages) return final_response.choices[0].message.content else: return llm_response.choices[0].message.content

5. 对话交互逻辑：实现多轮对话与历史记录管理

添加交互函数，支持用户多轮提问（如 “先查销量，再分析原因”），并限制历史记录长度（避免冗余）：

def main(): # 初始化DeepSeek客户端（作为Agent的决策大脑） deepseek_client = DeepSeekClient( api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com" ) # 创建数眼智能Agent agent = ShuyanAgent(llm_client=deepseek_client) history = [] MAX_HISTORY = 5 # 保留最近5轮对话（每轮含问题+回答） print("数眼智能实时资讯Agent已启动，输入'quit'结束对话\n") while True: user_query = input("请输入你的问题：") if user_query.lower() in ["quit", "exit"]: print("对话结束，感谢使用！") break # 调用Agent获取回答 response = agent.run(user_query, history) # 打印结果 print(f"\nAgent回答：\n{response}\n") # 更新对话历史 history.extend([ {"role": "user", "content": user_query}, {"role": "assistant", "content": response} ]) # 限制历史记录长度（超过后保留最新） if len(history) > MAX_HISTORY * 2: history = history[-MAX_HISTORY * 2:] if __name__ == "__main__": main()

6. 完整代码整合：main.py

将上述逻辑整合为完整可执行的main.py，需确保环境变量中已配置SHUYAN_API_KEY和DEEPSEEK_API_KEY：

import requests import os from deepseek import DeepSeekClient # ---------------------- 数眼搜索工具定义 ---------------------- SHUYAN_API_KEY = os.getenv("SHUYAN_API_KEY") SHUYAN_BASE_URL = "https://api.shuyanai.com/v1/search" def search_with_shuyan(query: str, output_format: str = "markdown") -> str: headers = { "Authorization": f"Bearer {SHUYAN_API_KEY}", "Content-Type": "application/json" } data = { "query": query, "output_format": output_format, "source_filter": "authoritative" } try: response = requests.post(SHUYAN_BASE_URL, json=data, timeout=10) response.raise_for_status() return response.text except Exception as e: return f"数眼搜索失败：{str(e)}" # ---------------------- Agent类定义 ---------------------- class ShuyanAgent: def __init__(self, llm_client: DeepSeekClient): self.llm = llm_client self.tools = {"search": search_with_shuyan} self.system_prompt = """ 你是一个具备实时联网能力的AI智能体，需遵循以下规则： 1. 若用户需求涉及实时/动态信息（如最新数据、近期事件），必须调用“search”工具获取数眼智能的搜索结果； 2. 若需求无需联网（如常识问题），直接用自身知识回答； 3. 调用工具后，需将数眼返回的结构化结果整理为自然语言，避免直接输出原始数据。 """ def run(self, user_query: str, history: list = None) -> str: history = history or [] messages = [{"role": "system", "content": self.system_prompt}] + history messages.append({"role": "user", "content": user_query}) llm_response = self.llm.chat.completions.create( model="deepseek-chat", messages=messages, tools=[{"type": "function", "function": {"name": "search", "parameters": {"type": "object", "properties": {"query": {"type": "string"}, "output_format": {"type": "string"}}}}] ) if llm_response.choices[0].message.tool_calls: tool_call = llm_response.choices[0].message.tool_calls[0] if tool_call.function.name == "search": query = tool_call.function.arguments["query"] output_format = tool_call.function.arguments.get("output_format", "markdown") search_result = self.tools["search"](query, output_format) messages.append({"role": "tool", "content": search_result, "tool_call_id": tool_call.id}) final_response = self.llm.chat.completions.create(model="deepseek-chat", messages=messages) return final_response.choices[0].message.content else: return llm_response.choices[0].message.content # ---------------------- 交互逻辑 ---------------------- def main(): deepseek_client = DeepSeekClient( api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com" ) agent = ShuyanAgent(llm_client=deepseek_client) history = [] MAX_HISTORY = 5 print("数眼智能实时资讯Agent已启动，输入'quit'结束对话\n") while True: user_query = input("请输入你的问题：") if user_query.lower() in ["quit", "exit"]: print("对话结束，感谢使用！") break response = agent.run(user_query, history) print(f"\nAgent回答：\n{response}\n") history.extend([ {"role": "user", "content": user_query}, {"role": "assistant", "content": response} ]) if len(history) > MAX_HISTORY * 2: history = history[-MAX_HISTORY * 2:] if __name__ == "__main__": main()

四、执行流程实战演示：实时新能源销量分析案例

以 “获取 2025 年 Q3 中国新能源汽车销量 TOP3 品牌，并分析各品牌增长原因” 为例，演示 Agent 完整执行过程：

1. 用户输入问题

请输入你的问题：获取2025年Q3中国新能源汽车销量TOP3品牌，并分析各品牌增长原因

2. Agent 决策与工具调用

• LLM 解析需求：判断 “2025 年 Q3 销量” 为实时数据，需调用数眼搜索工具；
• 生成工具指令：query="2025年Q3中国新能源汽车销量TOP3品牌及增长原因"，output_format="markdown"；
• 调用数眼 API：数眼实时抓取中汽协、乘联会等权威来源数据，过滤广告后返回结构化结果（示例）：

# 2025年Q3中国新能源汽车销量TOP3品牌 | 排名 | 品牌 | 销量（万辆） | 同比增长 | 核心增长原因 | |------|------|--------------|----------|--------------| | 1 | 比亚迪 | 85.2 | 18.5% | 混动车型（秦PLUS DM-i）销量破20万，海外市场（东南亚）增长40% | | 2 | 理想 | 32.1 | 25.3% | L9 Max车型交付量创新高，家庭用户订单占比超70% | | 3 | 蔚来 | 28.7 | 30.1% | 新ES6车型上市，换电网络覆盖新增100座城市 |

3. Agent 整合结果输出

Agent回答： 根据数眼智能获取的2025年Q3中国新能源汽车权威销量数据（来源：中汽协、乘联会），销量TOP3品牌及增长原因如下： 1. **比亚迪（85.2万辆，同比+18.5%）** 核心增长依赖混动车型与海外扩张：旗下秦PLUS DM-i混动车型本季度交付量突破20万辆，占品牌总销量23.5%；同时东南亚市场表现亮眼，销量同比增长40%，成为海外第一增长极。 2. **理想（32.1万辆，同比+25.3%）** 家庭用户需求持续释放：旗舰车型L9 Max凭借“六座大空间+智能座舱”优势，本季度交付量达14.8万辆，占品牌销量46.1%；此外，理想L7的改款车型新增“儿童安全监测”功能，进一步吸引家庭群体。 3. **蔚来（28.7万辆，同比+30.1%）** 新产品与换电网络双重驱动：新ES6车型于Q3初上市，首月订单破3万辆，带动品牌整体销量；同时换电网络新增100座城市，覆盖全国90%以上地级市，缓解用户补能焦虑。

五、总结：数眼智能如何重塑联网型 AI Agent 开发

通过数眼智能 API 与 DeepSeek 大模型，我们用不足 200 行代码实现了 “实时联网 + 精准分析” 的 AI Agent，其核心价值体现在三点：

1. 解决联网痛点：毫秒级实时数据、中文网页深度适配、全链路合规，让 Agent 摆脱 “信息过期”“内容杂乱”“合规风险” 的困扰；
2. 降低开发门槛：标准化 RESTful API + 结构化输出，无需开发复杂爬虫，几行代码即可集成联网能力；
3. 拓展应用边界：从 “实时资讯分析” 可延伸至舆情监控（实时跟踪品牌负面）、金融数据（股票行情更新）、政务查询（政策文件抓取）等场景，适配企业级需求。

未来，随着数眼智能对多源信息验证、跨模态搜索（图文 / 音频）的优化，联网型 AI Agent 将进一步打通 “实时信息获取→深度分析→决策建议” 的全链路，成为企业数字化转型的核心工具。