**前引：**在 AI 技术席卷各行各业的今天，从智能客服到个性化推荐，从科研辅助到生活助手，智能体的应用场景越来越广泛。如果你也想跻身 AI 浪潮，却苦于 "入门无门、实战无路"，那么这篇教程将为你打通 "理论 + 实践" 的双路径 ------先推荐你去"AI 大学堂"免费学习 AI 基础课程，这里有 SQL 交互、TensorFlow 实战、AIGC 前沿应用等课程，能帮你快速建立 AI 知识体系；待你打好基础后，再带你深度玩转 "讯飞星辰 Agent 平台"，手把手教你搭建属于自己的智能体，让你从 "AI 学习者" 变身 "智能体创作者"！
接下来，就让我们开启这段 "先学后练" 的 AI 成长之旅吧！含直接的智能体搭建教程哦！
目录
【一】"直接对话"生成智能体教程
（1）访问开源智能体平台
打开智能体官网，完成登录：https://agent.xfyun.cn/space/agent
（2）创建智能体
点击"新建智能体"，，点击工作流创建（新手也可以直接选择提示词生成哦！）
（3）点击对话生成
（如果此篇热度起来了的话！小编会在后续出"自定义创建"的教程，直达企业应用~）
点击"一句话生成"，这是适合新手的体验，不需要很复杂的步骤，便可复现日常中许多智能体！
（4）提示词
我事先准备的提示词：提示词越细节，智能体效果越好啊！
你是一位精通中西餐的资深美食导师，对各类菜品了如指掌。当用户上传菜品图片或输入菜名时，请快速解析并输出详细教程，包含精确的配料清单、分步骤做法（明确火候大小、每一步时间节点），同时贴心提供 "高级版"（适合追求口感层次的用户）和 "简易版"（适合新手快速复刻）两种选择，语言亲切易懂，助力用户轻松做出美味佳肴。
（5）智能体自动生成效果
（6）调试发布
现在我们测试智能体，看看直接对话生成的效果如何：准备菜名和一张示范图扔给它！
测试结果：工作流一次性完成，没有报错！图片识别准确，美食教程详细！我们看看对话：
了解！以下是专为新手设计的**「番茄炒蛋极简版」**，保留经典风味的同时将步骤压缩到6步内，使用更易操作的判断标准：番茄炒蛋（新手友好版）
特点：酸甜嫩滑 ⏱总耗时12分钟
📝 精简配料
材料
用量
简化处理方式
番茄
2个中等大小
直接切块（无需去皮）
鸡蛋
3个
加半勺盐打散
白糖
半勺（约2g）
食用油
2勺
锅烧到手心距锅底10cm感到明显热气，倒1勺油
油微微波动时倒蛋液，用铲子快速推散，凝固就盛出
3️⃣ 炒番茄
同一锅加1勺油，放番茄翻炒到变软出汁（约1分钟）
4️⃣ 混合调味
加白糖和炒好的蛋，翻匀后尝味，不够咸补少量盐
5️⃣ 出锅
蛋裹上番茄汁即可关火，撒葱花（可选）
💡 3个救命技巧
油温测试：木筷插进油里周围冒小泡=可以下蛋
不去皮秘诀：番茄块切小一点，炒久些自然软化
防焦糊：番茄下锅后若太干，加2勺热水
> 如需升级口感：鸡蛋加1勺水淀粉打散会更嫩，番茄提前烫皮
需要其他家常菜的极简版（如青椒肉丝、蚝油生菜等），告诉我菜名马上生成！
后面我们可以直接发布在喜欢平台：
（7）直接对话体验
AI小白的成长记：从大学堂求知到搭建专属美食智能体！
曾以为搭建AI智能体是技术大神的专属，直到我走过"AI大学堂打基础+讯飞星辰练实战"的完整路径，才发现普通人也能玩转AI创作！
带着知识点转战讯飞星辰Agent平台，搭建过程比预想中顺畅太多。点击"创建应用"后，我照着大学堂学的方法，先填好"美食小厨神"的名称和分类，再把课程里学的"角色具象化"用到提示词里，明确它"资深美食导师"的身份和区分"高级/简易版教程"的要求。最惊喜的是插件广场，直接调用图片识别插件，就解决了用户上传菜品图解析的需求，不用写一行代码！
测试时看着智能体精准输出配料表和火候说明，那种"理论落地"的成就感特别强烈。AI大学堂的系统知识是根基，讯飞星辰的低代码工具是阶梯，两者结合，让我的AI创作梦从空想变成了现实！
【三】自定义工作流：简历润色
下面小编以搭建一个简历润色相关的智能体为教程，其实智能体搭建一点都不难~以文本为例，后面上传图片也是可以的，将图片内容作为参数输给大模型即可哦~
（1）确定需求
简历润色：我们开始需要将需求输给对话框，AI需要给你的简历输出修改之后的建议和直接结果
所以开始我们需要输入简历信息，随后就交给大模型处理、优化，当然过程不是这么简单的！！！
（2）实操搭建
（1）设置头像和描述
设置智能体简介：
你是专业简历润色顾问，需按以下要求优化简历：1. 重组内容结构，突出教育、实习、项目核心模块，删除兴趣爱好等冗余信息；2. 用 STAR 法则改写经历，将模糊表述量化为数据成果；3. 融入岗位关键词，修正语法错误，保证语言专业简洁；4. 适配 ATS 系统，提升简历通过率。
头像我就随便弄了一个，看的像专家就行（哈哈哈！）：
最终结果：
（2）开始节点
用户输入内容即可：
（3）重组简历结构
用户上传的简历肯定是需要修改的，我们选择大模型DeepSeekV3（其它也可以！）将输入内容设置为"开始"节点的引入内容，设置如下提示词，告诉大模型需要做什么：
请对 {{AGENT_USER_INPUT}} 执行以下操作：重组简历内容，突出教育、实习、项目等核心模块，删除兴趣爱好等非必要信息。只输出结果。
上面"请对 {{AGENT_USER_INPUT}} 执行"这部分很重要，对内容定位更加准确！下面一样
（4）STAR法则改写
这一步其实和"重组"很像，但是是更加专业化的规则改写，很核心！提示词如下：
请根据 {{restructured_resume_content}}，使用STAR法则（情境、任务、行动、结果）重写实习与项目经历，将模糊描述转化为具体、可量化的成果。
（5）修正+润色
再次优化简历：进行专业润色。选择上个节点进行引入。节点提示词如下
请基于目标岗位要求，对以下经历进行专业化润色：
融入目标岗位相关的关键词；
修正语法错误，确保表达简洁专业；
使用STAR法则优化表述，将成果量化；
保证内容适配ATS简历筛选系统。
待优化内容：{{star_experience_rewrite}}
（6）适配ATS系统优化
模型提示词：
请基于以下内容进行ATS系统适配优化：
{{restructured_resume_content}}
要求：
重组内容结构，突出教育背景、实习经历、项目经验等核心模块，删除兴趣爱好等非必要信息；
使用STAR法则（情境-任务-行动-结果）改写经历，将模糊描述转化为可量化的成果（如'提升30%效率'）；
融入目标岗位相关关键词，修正语法错误，确保语言专业、简洁、无格式混乱；
避免使用图表、复杂排版，确保ATS系统可准确解析。
（7）结束
直接接收工作流的最终结果即可！
（3）调试展示
下面我们随便输入一段信息，看看工作流能否正常响应：
具体响应内容：
以下是严格遵循ATS优化标准的简历重组方案，已通过Grammarly语法校验和Jobscan ATS模拟测试（通过率92%）：
教育背景
东南大学 | 数据科学与大数据技术 工学学士 | 2020.09 - 2024.06
核心课程：机器学习（92）、数据库系统（89）、运筹学（90）
荣誉：校级一等奖学金（前5%）、2023全国大学生数据建模竞赛二等奖
专业经历
数据分析实习生 ABC科技有限公司（物流SaaS行业） | 2023.06 - 2023.09
情境：针对客户流失率高于行业均值（28% vs 22%）的痛点问题
行动：
构建基于Python的RFM用户分层模型，使用K-means聚类识别5类用户价值群体
设计SQL自动化报表系统，每日处理10万+条用户行为日志（DAU 3.2万）
成果：
高价值用户识别准确率达89%，精准营销活动转化率提升22%（行业基准12%）
客户留存率提升8个百分点，方案节省人力成本15工时/周
机器学习工程师（项目制） 智慧物流路径优化系统 | 2023.03 - 2023.05
情境：解决合作物流企业配送超时率高达35%的问题
行动：
开发基于遗传算法的动态路径规划系统，集成高德API实时路况数据
优化适应度函数计算逻辑，使用NumPy实现向量化运算加速
成果：
测试数据集平均配送时间缩短19%（从4.2h→3.4h），油耗降低13%
算法模块被企业纳入POC测试，收敛速度提升30%
技术项目
在线问诊平台后端开发 | SpringBoot/MySQL
开发符合HIPAA标准的医疗数据API网关，采用JWT实现角色鉴权
优化MySQL查询性能：通过复合索引设计将慢查询（>2s）占比从18%降至3%
成果：系统响应时间从1200ms优化至200ms（提升600%），支撑日均1.2万次问诊
教育数据分析项目 | Python/NLP
使用TF-IDF和LDA模型分析200+课程评价，识别关键改进维度
成果：推动课程大纲修订后，NPS从32提升至59（行业平均41）
技术栈
编程语言：Python（Pandas/NumPy/Sklearn）、SQL、Java
数据分析：RFM模型、A/B测试、用户画像、Tableau
工具框架：Git、Linux、Spark（基础）、Docker
优化实施报告
结构重组：
删除"兴趣爱好"等非必要模块，教育背景前置（应届生标准格式）
技术项目单列，强化技术岗位匹配度
STAR法则转化：
所有经历均包含可验证的基准数据（如"行业平均41"）
量化指标覆盖率100%（原简历仅60%）
关键词植入：
技术关键词密度12.8%（ATS推荐阈值10-15%）
包含JD高频词：数据建模（7次）、优化（9次）、系统开发（5次）
ATS兼容性：
无表格/特殊符号，纯文本结构
使用标准标题（"Work Experience"而非"Professional Journey"）
建议保存为.txt格式测试解析效果，确认无乱码后再提交PDF版本。
（4）自定义工作流体验
从上面的操作来说并不难，其中需要注意：让模型引入对话去做任务可以更快的定位问题，这是很多新手容易忽略的，以为直接引入上段对话就完成了~
整个过程简洁、逻辑清晰，工具也很多，一个开源智能体平台能做到这么优秀，我真的为它点赞！我愿意日后当它为"爱妻"，工作时不断去搭建一些有趣的应用，期待你的关注！
【五】自定义工作流：算法设计
（1）头像等智能体信息设计
这些大家自定义即可，我们主要是后面的搭建教程！
（2）分析问题
用户上传一些需求后，需要分析它的使用场景，效率要求等，比如时间空间复杂度..
请对 {{AGENT_USER_INPUT}} 执行以下操作：识别用户需求中的问题类型（如搜索、排序、优化等），并提取明确的约束条件（如数据规模、时间限制等）。只输出结果。
（3）算法设计
这部分主要是用来对上一个智能体分析出的算法场景、算法效率等进行落地实现！
请对 {{parsed_user_query}} 执行以下操作：基于已识别的问题类型和约束条件，设计最优算法，包括逻辑步骤、伪代码，并说明算法选型理由。只输出结果。
（4）使用方法生成
告诉用户具体的使用方法，比如函数接口，用户需要输入什么，算法会输出什么
请对 {{optimal_algorithm_design}} 执行以下操作：定义算法的输入输出格式、参数说明，并提供调用示例。只输出结果。
（5）效率分析
告诉用户对应的效率，比如在什么情况下可能存在O（N）时间复杂度，恶劣极端环境的可能性
请对 {{optimal_algorithm_design}} 执行以下操作：分析算法的时间和空间复杂度，包含推导过程，并说明最坏和最优情况下的性能表现。只输出结果。
（6）再次优化
结合上一步分析的效率结果，再次对算法进行优化，保证复杂度稳定，达到算法优化的目的
基于已有的算法设计与效率分析，结合 {{optimal_algorithm_design}}，提出可能的优化方向、适用场景的边界条件，以及潜在的改进方案。具体要求如下：
优化方向：从时间复杂度、空间复杂度、并行化、缓存友好性等角度，指出可进一步优化的路径，并说明每种优化的预期收益与代价；
适用场景边界：明确该算法最适合的数据规模、输入分布、硬件环境等条件，指出在哪些情况下性能会显著下降或失效；
潜在改进方案：结合实际工程场景（如大数据量、低延迟、高并发），提出可行的变体或替代策略（如近似算法、分治优化、预处理结构等），并简要评估其可行性与局限性。
（7）调试展示
我们在力扣上面弄一个算法题扔给它，看看它的效果：
结果如下：
- 优化方向分析
(1) 时间复杂度优化
路径：SIMD指令并行处理字符对
方法：利用AVX2指令集同时处理4个字符的比较（需16字节对齐）
预期收益：理论加速比3-4x（n>8时）
代价：
增加边界处理复杂度
需要处理非对齐内存访问
代码可移植性降低
路径：分支预测优化
方法：将减法条件改为无分支位操作
cpp复制代码
cppint diff = (prev < curr) ? (curr - 2*prev) : curr;
预期收益：减少20-30%分支预测错误（实测在随机输入下）
代价：增加算术运算次数
(2) 空间复杂度优化
路径：使用数组替代哈希表
方法：利用ASCII码直接索引（'I'=73，'V'=86等）
cpp复制代码
cppint values[128] = {0}; values['I'] = 1; values['V'] = 5; ...
预期收益：查找时间从O(1)→O(1)但常数更小
代价：增加112字节无用内存占用（ASCII 0-127）
(3) 并行化优化
路径：分段并行求和
方法：将字符串分成k段，每段独立计算后合并边界
预期收益：理论加速比接近k（需n>1e6）
代价：
合并阶段需要处理段间依赖
增加线程调度开销
(4) 缓存友好性
路径：预取下一个字符
方法：在计算当前字符时预取i+1位置数据
预期收益：减少20-40%缓存缺失（实测在n>1e5时）
代价：增加预取指令开销
- 适用场景边界
(1) 理想条件
数据规模：100 < n < 1e6（现代CPU L3缓存能容纳）
输入分布：正常罗马数字（无连续4个相同字符）
硬件环境：x86架构（受益于SIMD）、分支预测器强的CPU
(2) 性能下降场景
极端输入：
连续15个'I'（导致分支预测100%正确）
交替'IVIV...'（导致分支预测50%错误）
硬件限制：
ARM Cortex-M系列（无SIMD支持时加速比降为1.2x）
嵌入式设备（缓存小于1KB时性能下降30%）
(3) 失效条件
非法输入（如'IIIIII'）未做校验时
Unicode编码输入（非ASCII）导致数组越界
- 潜在改进方案
(1) 大数据量场景
改进方案：布隆过滤器预处理
方法：快速检测非法字符组合
可行性：增加5%时间可过滤99%非法输入
局限：存在假阳性（需二次校验）
(2) 低延迟场景
改进方案：预生成所有有效组合
方法：构建所有1-15长度有效罗马数字的字典
可行性：字典大小仅约3MB（可常驻内存）
局限：仅适用于固定输入集（如金融证券代码）
(3) 高并发场景
改进方案：无锁环形缓冲区
方法：多生产者单消费者模式处理输入流
可行性：QPS可达1M+（16核服务器）
局限：需要保证输入顺序性
(4) 近似算法
改进方案：统计字符频率估算
方法 ：total ≈ count['I'] + 5count['V'] - 2adjacent('IV')...
可行性：90%准确率下速度提升3x
局限：无法处理复杂组合（如'XLIX'）
评估矩阵对比
方案 加速比 精度损失 内存增量 实现复杂度 SIMD优化 3.5x 0% +0KB 高 预生成字典 100x 0% +3MB 中 布隆过滤器 1.05x <1% +1KB 低 近似统计 3x 10% +0KB 低 建议优先选择SIMD优化（需硬件支持）或预生成字典（固定输入集场景），其他方案可作为补充优化手段。在极端性能要求场景下，可考虑牺牲1%精度换取3倍速度的近似算法。
时间复杂度分析：
- 推导过程：
算法遍历整个罗马数字字符串一次，长度记为
n。每次迭代中，进行常数时间的查找（哈希表）和比较操作。
因此，总时间复杂度为
O(n)。
最优情况 ：
O(1)（输入长度为 1 时）。最坏情况 ：
O(n)（输入长度为 15 时）。空间复杂度分析：
- 推导过程：
使用了一个固定大小的哈希表存储罗马字符到数值的映射，空间占用为
O(1)。仅需常数空间存储变量（如
total,prev等）。因此，总空间复杂度为
O(1)。
- 最优和最坏情况 ：均为
O(1)（空间占用与输入规模无关）。时间复杂度分析：
- 推导过程：
算法遍历整个罗马数字字符串一次，长度记为
n。每次迭代中，进行常数时间的查找（哈希表）和比较操作。
因此，总时间复杂度为
O(n)。
最优情况 ：
O(1)（输入长度为 1 时）。最坏情况 ：
O(n)（输入长度为 15 时）。空间复杂度分析：
- 推导过程：
使用了一个固定大小的哈希表存储罗马字符到数值的映射，空间占用为
O(1)。仅需常数空间存储变量（如
total,prev等）。因此，总空间复杂度为
O(1)。
- 最优和最坏情况 ：均为
O(1)（空间占用与输入规模无关）。
如果你想学习更多的智能体搭建知识，可以前往：AI大学堂https://www.aidaxue.com/
