企业官网建设流程全解析

我前两年帮人搭过不少大模型应用，但真正让我觉得“这事能当个正经副业干”的，是最近半年连续接的几个智能体工作流定制单子。这些单子有个共同特点：客户不是缺技术，而是缺一套能把AI真正嵌进业务流程里的东西。他们试过ChatGPT、试过各种通用助手，最后发现通用工具解决不了行业specific的问题，才转头来找我这种做垂直定制的人。

先说结论：2026年这个方向确实值钱，但值钱的地方不在于“会调API”，而在于“懂业务、懂流程、懂怎么把大模型变成生产力工具”。这篇文章不聊虚的，直接拆解这个副业从定位、定价到交付的完整链路，把我自己踩过的坑和验证过的做法都摊开讲。

1. 这个副业为什么“值钱”：本质是帮客户省掉一个开发团队

1.1 初创公司真正的痛点不是“没有AI”，而是“AI用不起来”

先纠正一个误区。很多人觉得初创公司缺AI能力，其实不对。现在随便一家初创公司，老板手机上可能装了五六个AI工具，团队里也有人用各种大模型API写代码、做图、写文案。但你去问他们业务跑得顺不顺，他们会告诉你：AI是AI，业务是业务，两回事。

我接的第一个单子就是这种情况。一家做跨境电商选品的初创团队，五六个人，每天要手动从几十个信息源里抓产品趋势、竞品价格、社交媒体热度，再汇总成日报。他们试过用通用对话助手来做，但每次都要把格式重新调整一遍，提示词写了几十版还是不稳定，最后干脆放弃，继续手工干。

这种场景就是智能体工作流的典型切入点。不是给客户一个“能聊天”的东西，而是给客户一个“到点自动跑、跑完自动出结果、结果格式永远一致”的自动化流程。换句话说，客户要的不是AI，是“不用人盯着的AI”。

1.2 为什么找“垂直领域定制”而不是买现成SaaS

市面上不是没有现成的AI工具。做客服的有客服机器人，做数据分析的有各种BI插件，做内容的有各种写作助手。但初创公司的需求往往卡在“半标准化”的状态——流程大概固定，但细节千奇百怪。

比如那家跨境电商团队，他们的日报需要包含：哪些产品在哪些平台出现了销量异动、竞品价格变动多少、哪些关键词热度在上升、社交媒体上有没有新的爆款苗头。任何单一工具都只能覆盖其中一部分，而且字段格式对不上他们自己的选品模型。

这时候就需要定制。把大模型、外部数据源、内部数据库、通知渠道串成一个完整的工作流，每个环节按照客户的业务逻辑来设计。这种活SaaS做不了，因为SaaS卖的是标准化，而定制卖的是“贴合”。

换个角度理解：初创公司如果自己招人做这套东西，至少需要一个懂大模型的工程师、一个懂业务的运营，再加上几周甚至几个月的开发调试时间。但找我这种外部服务商，两三周就能上线，成本可能只是招人的零头。这就是这个副业值钱的根本逻辑——用专业服务帮客户省时间、省人力、省试错成本。

1.3 这个副业的天花板在哪里

不是所有副业都能越做越贵，但这个方向有，而且天花板很高。

第一阶段，你接的是“工具定制”的单子，一个流程收几千到一两万。第二阶段，当你沉淀出几个行业的模板之后，你可以接“解决方案”的单子，收的是按年计的维护费加定制费。第三阶段，如果手里积累了一定数量的客户，你可以把重复度高的模块做成订阅制的服务，比如按月收费的持续优化和监控。

我自己目前处在第二和第三阶段之间。有几个客户已经不只是按项目付费了，而是按月付基础维护费，然后每个季度加一个小优化需求，这就是被动收入。这也是我为什么说2026年这个副业“值钱”——它不是一次性买卖，是可以滚雪球的。赚钱的天花板取决于你服务的高度和行业深度。

2. 垂直领域怎么选：定方向比定技术重要一百倍

2.1 选领域的三个核心标准

很多人上来就问“用什么技术做”，这完全问反了。做智能体工作流定制，第一个要回答的问题是“做哪个行业”。我的经验是看三个标准：

第一，业务流程里有没有大量重复性劳动。比如跨境电商的日报汇总、猎头公司的简历筛选、律所的案件材料整理、保险公司的理赔初审，这些行业有大量结构化但繁琐的工作，最适合智能体介入。

第二，这个行业的人愿不愿意为省时间付钱。有些行业嘴上说“AI好”，但预算卡得很死。我不太建议新手一开始就接那种纯内部提效的政府项目或者大型传统企业项目，流程长、决策链复杂，副业扛不住。初创公司是最好的切入点，因为创始人自己就是最痛的人，决策快，付费意愿直接，而且他们真的没时间手工干。

第三，你自己有没有一点行业认知。不用是专家，但你至少要能理解客户在说什么。一个完全不懂电商的人去接电商的智能体定制，光需求调研就要多花两倍时间。

2.2 我验证过最好接的四个垂直方向

跨境电商，这是我最推荐新手切入的方向。原因很简单：这个行业的人已经在用各种工具了，对AI接受度高，而且跨境业务天然有时差和大量信息处理需求，客户对“自动化”的价值感知非常强。

除了电商，还有几个方向也值得考虑：本地生活服务商家（连锁餐饮、美容美发门店的私域运营和客户管理）、小规模专业服务机构（律师事务所、会计师事务所、咨询公司的文档处理和客户跟进）、以及面向内容的团队（MCN机构、自媒体矩阵的内容策划和分发）。

这几个方向有一个共同特点：业务逻辑相对清晰、决策链条短、付费方就是直接受益者。做To B的生意最怕“使用者不是买单者”，而这几个方向基本能用的人就是拍板的人。

2.3 怎么判断一个客户是不是好客户

有了方向，还要学会判断具体的客户值不值得接。我总结了几个筛选条件，基本上避免了我90%的无效劳动。

要看对方是不是真的有紧迫的需求——判断标准是他在描述需求的时候能不能说清楚“现在是怎么干的”和“哪里最浪费时间”。如果一个人只会说“我们想用AI提升效率”，这种客户往往还没想清楚要什么，后面需求变来变去，特别磨人。

确认预算。我一般会在第一次电话沟通里就试探预算范围。不太精准，但能区分出那些“想白嫖方案”的人和真心想解决问题的人。如果对方说“你先出个方案看看”，这种单子我一般不会投入太多精力。

看客户的团队规模。初创公司一般三五个人到十几个人，这意味着我们做的东西不需要考虑太复杂的权限体系和组织协同，交付难度自然就低。人越少，越适合副业接单。

我的实操感受是：方向选对了，技术上的活其实不难。反过来，方向选错了，再牛的技术也会被无穷无尽的需求拉扯拖死。定领域、筛客户，这才是这个副业真正需要花心思的地方。

3. 核心技能栈与工具选型：不需要会训练模型，但要会搭系统

3.1 底层模型怎么选：别死磕开源，先看效果再谈成本

技术方案上，我的核心原则是“够用就好，稳定优先”。很多人一听智能体就想着要部署开源大模型，但说实话，对于初创公司的垂直场景，直接调API是性价比最高的方案。

API的优势在于效果稳定、不用管部署和运维、迭代快。成本的话，一个初创公司的工作流每天的调用量其实不大，一个月算下来几百块顶天了。但换成自己部署模型，GPU成本、运维成本、出问题排查的成本算下来，远高于API费用。

当然，有些场景确实需要私有化部署，比如涉及客户内部敏感数据不能外传的。遇到这种情况，我一般建议客户用云厂商的私有化部署方案，而不是自己买卡。

选模型版本的时候有一个很实用的原则：先用最强的模型跑通流程，再按环节降级。什么意思呢？比如说一个工作流里有“意图识别”“信息提取”“报告生成”三个环节，其中“信息提取”需要很强的推理能力，就用顶级模型；“意图识别”这种分类任务，用轻量模型就可以了。这样跑下来的成本能比全部用顶级模型低60%以上，效果却基本一样。

3.2 工作流编排平台：至少会两个，别被单一平台绑架

搭建智能体工作流，核心不只是“调一个模型”，而是“把多个环节串起来”。这个过程需要用到工作流编排工具。

主流的思路大致分两种：一种是基于可视化的平台，普通开发者也能通过画流程图来配置流程，适合快速原型和标准化场景；另一种是基于代码的方式，比如用大模型开发框架，适合复杂逻辑、需要在代码里嵌入业务规则的情况。

我的建议是两种都要会。可视化平台适合快速交付、给客户演示、以及处理那些逻辑相对简单的流程；代码框架适合处理复杂流程、需要做精细控制和深度集成的场景。

我推荐的关键是“至少把一个可视化平台玩到精通”。这个“精通”不是会拖几个节点，而是知道错误处理怎么写、并行分支怎么设置、外部API怎么联动、变量作用域相关的坑在哪里。因为大多数初创公司的智能体工作流，逻辑复杂度真不需要上代码框架，可视化平台完全能搞定，而且后续维护是拖图不是改代码，就算客户内部换人了也容易上手。

3.3 必须要掌握的三个周边能力

除了模型和工作流平台，还有三个周边能力决定你的交付质量。

第一，知识库搭建。垂直领域的智能体离不开“私有知识”的注入。你要会怎么做文档加载、文本切分、向量化存储和检索增强生成。这个过程决定了智能体回答问题的准确度。文本切分的粒度、top-k的召回数量、嵌入模型的选择，这些参数都直接影响效果。

第二，外部系统集成。一个工作流如果不跟客户现有的系统打通，价值会打对折。至少要会调用API、读数据库、操作电子表格。做跨境电商的客户可能还希望工作流能主动去抓取外部网页信息，所以网页解析能力也很重要。

第三，提示词工程的实战能力。虽然提示词被很多人说“玄学”，但实际做下来，好的提示词跟差的提示词效果差距很大。我的经验是给每个环节单独写提示词，不要试图用一个巨型提示词搞定所有事，然后一定要把输出格式规范好，最好用结构化格式指定。

3.4 环境与账号准备的注意事项

这行做久了你会发现，技术能力只是敲门砖，真正让客户信任你的是“你连账号和流程都帮我配好了”。

我通常在交付时做三件事：帮客户注册并配置好他们自己的模型API账号、把所有密钥交接清楚、写一份一页纸的维护说明。密钥管理这件事尤其重要，很多人图省事直接把密钥写在代码里，客户一收到就到处转发，转头密钥泄露了，还被扣了钱，最后来找我扯皮。所以我在交付前一定会把密钥放到环境变量里，并当面教客户怎么轮换密钥。

不做这一步的人，项目做完就结束了。做这一步的人，客户会觉得你“靠谱”，后续的迭代单子大概率也是你的。

4. 从需求调研到上线：一个智能体工作流项目的完整交付流程

4.1 需求调研阶段：不要只听客户说，要跟岗观察半小时

需求调研是整个项目最重要但最容易被新手跳过的一步。很多人收到客户需求后就开始画流程图，这是大忌。

我现在的做法是：至少问三遍“你现在是怎么做这件事的”。第一遍听客户自己描述，第二遍让客户打开电脑实际演示一遍，第三遍追问“哪些环节你觉得最烦”。

跟岗观察这个事特别有用。那家跨境电商客户，演示日报制作的过程时我才发现，真正的痛点不只是“抓数据”，而是“数据抓回来之后还要人去核对、去翻译、去填到一个固定模板里”。客户自己描述的“我们想要一个自动生成日报的工具”跟实际的需求“我们要一个从采集、清洗、翻译、汇总到生成日报的完整流水线”完全不是一回事。

需求调研的产出物应该是：一张清晰的流程图、一份字段清单、一份触发条件说明。这些东西要发给客户确认签字，防止后面需求蔓延。

4.2 方案设计阶段：核心是“人机协作”的边界

方案设计最大的难点不是技术，而是“哪些环节自动化、哪些环节留给人”。有一个案例我印象很深：一个律所客户想做一个合同审查的智能体，一开始说“要AI全自动审查合同”。但我了解完流程后发现，合同审查责任重大，AI只能做“初筛”和“标记风险点”，最终判断必须由律师完成。

所以方案设计时我定了这样一条流程：AI自动读取合同、提取关键条款、对照律所预设的风险规则标记风险、生成风险提示清单，然后推送到律师的审核队列，律师确认后再归档。这个方案客户非常满意，因为AI帮他们省了最耗时的读合同环节，但决策权依然在人手里。

做智能体工作流设计，我的原则是“该自动化的一定要自动化，不该自动化的坚决不做”。如果客户想全自动，我会跟他说清楚边界和责任问题。这看起来是少接了活，但反而是建立信任的关键。

方案设计阶段还要做一件很重要的事：确定数据源和输出物。数据源决定这个流程能拿到什么数据，输出物决定这个流程产出的东西怎么被下游使用。这两个定了，整个架构基本就定了。

4.3 技术实现阶段：先把“最小可用版本”跑通，再锦上添花

这里分享一个特别有用的实操习惯，适用于所有项目——先跑通最小可用版本，再迭代优化。

我的第一批交付里，我不追求效果完美，只追求“流程能跑起来、输出格式是对的”。比如做一个行业舆情监控工作流，第一版可能不追求信息提取的精度，但必须保证每天定时触发、数据成功抓取、报告格式正确。核心链路通了，再逐步优化提取准确率和去重逻辑。

这样做有三个好处：第一，客户能快速看到实物，建立信任；第二，你能尽早发现数据源、接口、权限等基础问题，不至于到最后才翻车；第三，优化是一步步做的，每一步的效果差异都能被观测到，你自己也知道改哪里有效。

4.4 参数配置与效果调优：那些真正影响效果的细节

到了调优阶段，我给你一些直接能用的建议。

检索参数方面，最常见的坑是知识库检索的召回数量设置不合适。召回数量太小，相关文档容易漏掉；召回数量太大，噪声也跟着进来，反而干扰生成效果。我一般从召回前3到5个文档块开始调，效果不好再往上加。

文本切分也是有讲究的。很多人在这一步偷懒，用固定字符数切，结果把完整语义切断，检索效果稀烂。我的做法是按章节或者按意思边界切，比如电子书的按章节、制度类文件的按条款、对话记录类的按轮次。这样切出来的每个块语义相对完整，检索准确率要高出很多。

输出格式化是我特别强调的一点，如果你没有在提示词里严格规定输出结构，模型自由发挥的时候，后面解析逻辑稍微不匹配就会出问题。项目里只要涉及下游要处理的输出，全部指定JSON结构。然后你还需要在流程里加一个解析容错逻辑，如果解析失败就自动重试，重试还失败就把原始内容留给人工处理。

4.5 交付与迭代：不是交完就结束，而是持续服务

我的交付标准有三条：第一，客户需要自己会触发和查看这个工作流；第二，客户需要知道常见问题怎么排查；第三，客户需要知道怎么修改简单参数。

为此我会准备一个很简单的操作说明，用大白话写，不用技术文档那种口吻。客户不是程序员，你要教他的是“在哪里改关键词”“在哪里看运行日志”。

交付后一般还会有一个一个月的免费优化期，这个阶段收集客户的真实反馈，修掉一些实际使用中发现的边界问题。免费期结束后，可以给客户提供付费的月度维护套餐，包括小需求迭代和问题响应。

说实话，这个“免费期”其实也是我的“学习期”：通过观察客户真实使用，我能发现自己设计中的不足，这些经验会沉淀为我对这类垂直场景的理解，以后再做类似单子的时候就能快速报价、快速交付。

5. 常见问题与避坑实录：这些坑我替你踩过了

5.1 需求蔓延控制：学会说“这个不在这次范围里”

做定制最痛苦的，不是技术问题，而是需求蔓延。客户用上第一版之后，会源源不断地提新需求：“能不能顺便加一个周报功能”“能不能对接一下我们的企业微信”“能不能把数据的图表也做了”。

如果每个都做，这个项目就没完没了了。我的做法是在需求确认阶段就把“包含范围”和“后续扩展方向”分开写，边界清楚了，后面沟通就有据可依。遇到“顺便加个功能”的需求，我的回答是：“这个可以加，但要评估一下工作量，我们按新需求算。”这样客户不会觉得你冷血，反而会觉得你专业。

5.2 数据获取合法性与成本控制：安全合规是底线

这个方向的项目，核心是帮客户处理信息，但处理的信息从哪来，一定要把边界想清楚。

我给自己定了几条硬规矩：不接需要破解对方网站反爬机制的第三方数据获取需求；不接涉及个人隐私数据的处理需求（除非客户能证明有用户授权）；数据保存的位置和期限要在合同里写清楚。

模型调用成本控制也在这里说一下。有一个客户的工作流每小时跑一次全量数据采集，一个月下来API费用高得吓人。我帮他优化后，改成“数据变化时才触发采集+批量推理”，成本只用了原来的五分之一。教训就是：计时器触发看起来简单，但要考虑任务密度，不是每个时间片都需要跑。

5.3 客户预期管理：让AI做“靠谱的实习生”，不是“全能专家”

这是最核心的预期管理思路。我在项目启动时就会跟客户说清楚：AI不是万能的，它在你这套系统里的角色是“一个非常勤奋但偶尔需要人确认的实习生”。

比如信息提取准确率，不要承诺100%，而是要承诺“能把90%以上的常见情况处理好，特殊情况会标出来给人看”。这样说虽然听起来没那么酷，但客户的感受是“这东西靠谱”——因为他们知道AI有边界，你提前划清楚了，他们用得也踏实。

5.4 独立开发者接单的征信与收款技巧

副业接单最怕的不是技术问题，而是“干完活收不到钱”。分享我自己的经验。

小项目（几千块钱的），我要求全额预付。几千块的金额虽然不算大，但足以筛选掉那些不靠谱的客户。大项目，我一般按“启动30%、交付功能Demo 30%、完成验收40%”来分期。定金比例太低的话，客户中途砍单你会很被动。

合同一定要签。不用很复杂的，一两页的《服务合同》就够，但里面必须写清楚：项目范围、交付物、时间节点、费用与付款方式、验收标准、违约责任。我一般会在合同里加一条“未经验收合格不付款，但验收期不超过X天”的条款，防止客户拖着不验收还不给钱。

5.5 效果不达标时怎么排查：三板斧帮你快速定位问题

最后一个实用技能：智能体工作流出了问题时，怎么快速排查。

我有一句话叫“业务流程链路比单个模型能力更重要”。工作流效果不好，大概率不是模型不够聪明，而是链路出了问题。排查的时候按步骤来：

第一步，查输入。看看进入这个环节的数据是否符合预期，如果数据源本身有问题，后面模型再怎么优化都白搭。

第二步，查提示词。单独把这个环节的提示词拿出来，用同样的输入在线上模型测试几次，看是不是提示词约束不清晰。

第三步，查解析和格式化。很多时候上游模型的输出本身是好的，但解析逻辑写太死，稍微差一点就解析失败，这时候要么放宽解析规则，要么加一个“二次修正”步骤。

这三板斧能解决我遇到的绝大多数问题。学会了这套排查方法，你的维护成本会大幅降低，遇到问题也不慌。

6. 写在最后：我踩过几次坑之后的一些实在话

如果看完上面这些你还是想尝试这个方向，那我最后再给你两个建议。

第一个建议是：不要把智能体工作流当成一个“接单工具”，而要当成一个“积累资产的过程”。每做一个行业，你都会沉淀下这个行业的业务流程理解、提示词模板、工作流搭建技巧。这些积累的复用价值极高。我做跨境电商的模板，现在换一家公司复用时，工作量直接缩到原来的三分之一；做合同审查的方案，换一个律所客户时，方案本身不需要大改，只需调整对应的风险规则。

第二个建议是：一定要重视“维护服务”这条线。如果你只做一次性交付，你会发现自己永远在找新客户，身心俱疲。但如果你把服务拆成“项目费+月度维护费”的模式，每个月只用少量时间就能保住收入基本盘，再去拓展新客户的时候心态会完全不一样。

这个副业看着门槛不高，但它真正值钱的地方在于：你帮客户省下的是一个团队的时间和成本，而你获得的不只是项目费，还有对某个行业运作方式的深刻理解，以及一个可以持续产生收益的服务伙伴关系。2026年其实没有那么多“一夜暴富”的副业，真正能持续赚钱的，都是这种能帮别人解决实际问题、并且越做越深的事情。