企业官网建设流程全解析

🦞 一只用 AI Agent 搭副业产线的程序员

给你看一段对话：

用户：帮我分析这个 Go 项目里有几个 SQL 注入风险 AI：好的，我来看看……额，我没法看你的代码。你把代码贴给我。 用户：（贴代码） AI：发现 3 处风险。第 12 行、第 47 行、第 89 行。 用户：能帮我自动修复吗？ AI：我做不到，我只能给你建议。

这是聊天机器人。你问一句，它答一句。像个实习生——聪明但不主动。

Agent 不是这样的。Agent 是这样的：

用户：帮我检查 project-a 里的 SQL 注入风险，自动修好，然后跑一下测试确保没挂。 Agent：收到。 → 读取 project-a 下所有 .go 文件 → 逐个分析 SQL 拼接 → 发现 3 处风险 → 改成参数化查询 → 执行 go test ./... → 测试通过 ✓ → 输出修改报告

Agent 和聊天机器人的区别就一个词：自主行动。

这篇我们用 100 行 Go 代码，写一个最小的 Agent，让你看到它的核心骨架。

Agent 的骨架：感知-决策-执行循环

所有 Agent，不管多复杂，拆开就是三个步骤的循环：

┌─────────────────────────────────────────────┐ │ │ │ ① 感知（Perception） │ │ 读取环境信息——文件、API 返回、用户输入 │ │ ↓ │ │ ② 决策（Decision） │ │ 用 LLM 分析当前状态，决定下一步做什么 │ │ ↓ │ │ ③ 执行（Execution） │ │ 调用工具、操作文件、发送请求，产生实际效果 │ │ ↓ │ │ 回到 ①，直到任务完成 │ │ │ └─────────────────────────────────────────────┘

这跟你每天上班一模一样：看 Jira → 决定做什么 → 写代码 → 看结果 → 决定下一步。Agent 只是把这个过程自动化了。

100 行 Go 实现

不废话，直接上代码。

packagemainimport("bytes""encoding/json""fmt""io""net/http""os""strings")// Message 对话消息typeMessagestruct{Rolestring`json:"role"`Contentstring`json:"content"`}// ToolCall 工具调用请求typeToolCallstruct{Namestring`json:"name"`Argumentsstring`json:"arguments"`}// LLMResponse LLM 返回typeLLMResponsestruct{Contentstring`json:"content"`ToolCalls[]ToolCall`json:"tool_calls,omitempty"`}// Agent 最小 Agent 实现typeAgentstruct{apiKeystringmessages[]Message toolsmap[string]func(string)string// 工具名 → 执行函数maxStepsint}funcNewAgent(apiKeystring)*Agent{return&Agent{apiKey:apiKey,maxSteps:10,tools:make(map[string]func(string)string),}}// RegisterTool 注册一个工具func(a*Agent)RegisterTool(namestring,fnfunc(string)string){a.tools[name]=fn}// Run 启动 Agent 循环func(a*Agent)Run(taskstring)string{// 初始化：只告诉 Agent 任务a.messages=[]Message{{Role:"system",Content:a.buildSystemPrompt()},{Role:"user",Content:task},}// 主循环：感知 → 决策 → 执行forstep:=0;step<a.maxSteps;step++{fmt.Printf("--- Step %d ---\n",step+1)// ① 决策：调用 LLM，让它决定下一步resp:=a.callLLM()// ② 如果 LLM 决定调用工具 → 执行iflen(resp.ToolCalls)>0{for_,tc:=rangeresp.ToolCalls{fmt.Printf("🔧 调用工具: %s(%s)\n",tc.Name,tc.Arguments)result:=a.executeTool(tc)// ③ 把执行结果反馈给 LLM（感知 → 下一轮决策）a.messages=append(a.messages,Message{Role:"user",Content:fmt.Sprintf("工具 %s 的执行结果：%s",tc.Name,result),})}continue}// ④ 没有工具调用 → 任务完成，返回最终答案returnresp.Content}return"达到最大步数限制"}func(a*Agent)buildSystemPrompt()string{vartoolDescs[]stringforname:=rangea.tools{toolDescs=append(toolDescs,name)}returnfmt.Sprintf(`你是一个自主 Agent。完成任务时，如果需要使用工具， 在回复中以 JSON 格式指定工具调用： {"tool_calls": [{"name": "工具名", "arguments": "参数"}]} 可用工具：%s 当你不再需要工具时，直接输出最终答案。`,strings.Join(toolDescs,", "))}func(a*Agent)callLLM()LLMResponse{body,_:=json.Marshal(map[string]interface{}{"model":"deepseek-v4-pro","messages":a.messages,})req,_:=http.NewRequest("POST","https://api.deepseek.com/anthropic/v1/messages",bytes.NewReader(body))req.Header.Set("Authorization","Bearer "+a.apiKey)req.Header.Set("Content-Type","application/json")resp,_:=http.DefaultClient.Do(req)deferresp.Body.Close()data,_:=io.ReadAll(resp.Body)varllmResp LLMResponse json.Unmarshal(data,&llmResp)// 记录 LLM 的回复到历史a.messages=append(a.messages,Message{Role:"assistant",Content:llmResp.Content,})returnllmResp}func(a*Agent)executeTool(tc ToolCall)string{fn,ok:=a.tools[tc.Name]if!ok{returnfmt.Sprintf("错误：未知工具 %s",tc.Name)}returnfn(tc.Arguments)}// ──────────── 示例工具 ────────────funcmain(){agent:=NewAgent(os.Getenv("DEEPSEEK_API_KEY"))// 注册工具：读取文件agent.RegisterTool("read_file",func(pathstring)string{content,err:=os.ReadFile(strings.TrimSpace(path))iferr!=nil{returnfmt.Sprintf("读取失败：%v",err)}returnstring(content)})// 注册工具：运行命令agent.RegisterTool("run_command",func(cmdstring)string{// 简化版：实际生产环境需要安全沙箱returnfmt.Sprintf("命令 %s 执行成功（模拟）",cmd)})result:=agent.Run("读取 main.go 文件，检查里面有没有 TODO 注释")fmt.Println("\n✅ 最终结果：",result)}

拆解这个循环

核心就 30 行——Run方法里的for循环：

forstep:=0;step<a.maxSteps;step++{resp:=a.callLLM()// 决策：AI 想下一步做什么？iflen(resp.ToolCalls)>0{result:=a.executeTool()// 执行：AI 想用工具，就执行a.messages=append(...)// 感知：把结果告诉 AIcontinue// 回到决策}returnresp.Content// 完成：AI 不想用工具了，输出答案}

这就是 Agent 的全部秘密。不是什么黑科技，就是一个for循环包着一个 LLM 调用。

为什么这个模式这么强

普通聊天：用户 → AI → 用户 → AI，单向，一步一问。

Agent：用户 → AI → 工具 → AI → 工具 → AI → 答案，AI 能自己驱动流程。

AI 从一个「回答问题的人」变成了「完成任务的人」。

这个转变的威力有多大？想象一下——以前你让 AI 帮你修 Bug，你得：

1. 把代码贴给 AI
2. AI 告诉你哪里有问题
3. 你手动改
4. 把改完的代码贴给 AI 确认
5. 重复 2-4

Agent 模式下：你一句话，它全干了。

一个真实的坑：死循环

我第一次写 Agent 的时候，忘了加maxSteps。结果 AI 陷入了一个循环：读文件 → 觉得没读对 → 又读了一次 → 又觉得没读对……

10 秒钟烧了 15 次 API 调用，全在重复同一件事。

maxSteps 是 Agent 的安全带。永远都要设。

建议值：简单任务 5，中等任务 10，复杂任务 20。超过 20 步的任务建议拆成多个子任务单独跑。

本篇核心收获

100 行 Go 代码，一个for循环，你就有了一个能自主完成任务的 Agent。

下一篇我们深入 Agent 最核心的能力——Function Calling：AI 是怎么知道该调用哪个函数的？JSON Schema 怎么定义？函数执行出错了怎么办？完整实现，一行不跳。

关注我，别错过。

🦞 一只用 AI Agent 搭副业产线的程序员

全平台同名：虾哥不加班
需要定制 AI 工具？来聊聊 → lob_ai

源码：GitHub - lobster-bujiaban