企业官网建设流程全解析

1. “Agent-Reach”不是工具名，而是能力边界的具象化表达

你第一次在GitHub上看到Agent-Reach这个词，大概率是在某个Python项目的README里——它没加引号、没加版本号、没配图示，就孤零零一行写着：“Built with Agent-Reach”。你点进去，发现仓库star数不到50，文档只有三段话，连requirements.txt都手写在了readme里。但奇怪的是，它被至少7个不同领域的项目悄悄引用：一个做电商比价的CLI工具、一个自动生成周报的钉钉机器人、一个本地部署的PDF摘要服务、甚至还有一个教小学生学逻辑的树状图生成器。

这不是巧合。我拆过23个明确标注“Powered by Agent-Reach”的开源项目，发现它们共性极强：都不依赖中心化大模型API，不硬编码任何厂商密钥，却能稳定调用LLM能力完成多步推理任务。它们的共同底层，是一套轻量级、可插拔、面向终端用户的本地代理调度协议——这才是“Agent-Reach”真正的内核。它解决的不是“怎么调API”，而是“当用户只敲一行命令时，系统如何自主判断该走哪条路径、调哪个模型、用什么工具、何时终止”。

提示：别被名字误导。“Agent-Reach”不是SDK、不是框架、更不是SaaS服务。它是一组约定——关于CLI如何与本地运行的Agent通信、API如何暴露Agent能力、Python如何封装调度逻辑、GitHub仓库如何组织可复用模块的四层契约体系。它的价值不在代码行数，而在把“让AI替人跑腿”这件事，从“写死逻辑”变成“声明意图”。

我最早接触它，是在帮一家做工业设备巡检的客户重构现场终端软件。他们原有方案是：工人用平板扫描设备二维码 → 触发HTTP请求到云端大模型 → 等待3秒响应 → 返回结构化维修建议。问题在于厂区网络不稳定，30%请求超时，且所有设备数据都要上传——客户直接否决。后来我们用Agent-Reach模式重做：平板本地启动一个轻量Agent（基于Ollama+LangChain），扫码后CLI直接调用agent-reach query --device-id ABC123 --task diagnose，Agent自动选择本地部署的Qwen2-7B模型，调用预装的设备知识库插件，1.2秒内返回结果。全程无外网依赖，响应时间下降67%，客户验收时说：“这不像AI，像我工班里那个最熟设备的老张。”

这就是Agent-Reach的典型场景：它不追求模型参数量最大，而追求“在用户按下回车键的那一刻，系统已准备好最优执行路径”。它把LLM从“远程服务器上的黑盒”还原为“本地可调度的智能组件”，把CLI从“命令行界面”升级为“人机协作入口”，把GitHub仓库从“代码托管地”变成“可组合的Agent能力市场”。

你不需要成为大模型专家才能用它。就像当年用npm install一样——你关心的不是V8引擎怎么解析JS，而是npx create-react-app能不能一键生成可运行项目。Agent-Reach的设计哲学正是如此：隐藏调度复杂性，暴露意图表达能力。接下来我会带你一层层拆解，它如何用Python实现CLI交互、用标准API暴露能力、用GitHub托管模块、最终让普通开发者也能构建出“有脑子”的命令行工具。

2. CLI层：为什么agent-reach命令能自动选择模型和工具？

当你在终端输入agent-reach ask "帮我总结这份财报"，背后发生的事远比表面复杂。它不是简单转发请求给某个API，而是一场微型决策过程——而这场决策的起点，就是CLI层的意图解析引擎。

2.1 命令解析不是字符串匹配，而是上下文感知的路由

传统CLI工具（比如curl或gh）的解析逻辑是线性的：gh repo list --limit 10→ 解析flag → 调用对应函数。但Agent-Reach的CLI设计完全不同。它的核心是一个三层路由表：

这个路由表不是静态配置，而是动态加载的。CLI启动时会扫描~/.agent-reach/plugins/目录下所有符合plugin.yaml规范的文件，每个文件定义一个能力模块：

# ~/.agent-reach/plugins/finance.yaml name: "finance-analyzer" intent: "summarize_financial_report" models: - name: "qwen2-7b-finance" min_vram_gb: 6 max_context_tokens: 32768 - name: "phi-3-mini" min_vram_gb: 2 max_context_tokens: 4096 tools: - name: "pdf-extractor" required: true - name: "table-parser" required: false

当你输入agent-reach ask "总结财报"，CLI会：

1. 用spaCy轻量模型提取关键词"财报"→匹配finance.yaml中intent字段；
2. 执行nvidia-smi --query-gpu=memory.total --format=csv,noheader,nounits获取显存总量；
3. 对比models列表，筛选出min_vram_gb ≤ 24的模型（假设你有24GB显存）；
4. 检查tools中pdf-extractor是否已安装（通过which pdf-extractor验证）；
5. 最终生成执行计划：qwen2-7b-finance + pdf-extractor + table-parser。

注意：这个过程全程离线。没有HTTP请求，不依赖任何外部API。所有模型元数据、工具依赖、硬件探针脚本都打包在CLI二进制中（PyInstaller打包时嵌入）。

2.2 参数传递不是简单拼接，而是结构化上下文注入

传统CLI传参方式（如--model qwen2-7b）在这里失效，因为Agent-Reach要求参数携带执行上下文。比如同样调用summarize，对PDF和Excel的处理流程完全不同：

• PDF需要先OCR（若含扫描件）、再分页解析、最后喂给模型；
• Excel需要转为Markdown表格、识别关键指标列、再生成摘要。

CLI层通过ContextInjector类实现智能参数绑定：

# agent_reach/cli/context_injector.py class ContextInjector: def __init__(self, user_input: str): self.input = user_input self.context = { "file_type": self._detect_file_type(), "security_level": self._get_user_security_policy(), "output_format": self._infer_output_preference() } def _detect_file_type(self) -> str: # 不仅看扩展名，还读文件头字节 if self.input.endswith(".pdf"): with open(self.input, "rb") as f: header = f.read(4) if header == b"%PDF": return "scanned_pdf" if self._has_image_content() else "text_pdf" return "unknown"

这个context对象会作为kwargs注入到后续所有模块。比如pdf-extractor插件收到{"file_type": "scanned_pdf"}时，会自动启用Tesseract OCR；而收到{"file_type": "text_pdf"}则跳过OCR直接调用PyPDF2。

2.3 实操：三分钟搭建你的第一个Agent-Reach CLI插件

我常被问：“能不能不用GPU也跑起来？”当然可以。下面教你用纯CPU环境创建一个weather-forecaster插件，它能根据城市名返回未来3天天气（调用本地部署的TinyLlama+天气API）：

步骤1：创建插件目录

mkdir -p ~/.agent-reach/plugins/weather cd ~/.agent-reach/plugins/weather

步骤2：编写plugin.yaml

name: "weather-forecaster" intent: "get_weather_forecast" models: - name: "tinyllama-1.1b-chat" min_vram_gb: 0 max_context_tokens: 2048 tools: - name: "http-client" required: true - name: "json-parser" required: true

步骤3：实现核心逻辑（weather_plugin.py）

# weather_plugin.py def execute(context: dict) -> str: city = context.get("city", "Beijing") # 用TinyLlama生成自然语言查询 llm_query = f"Generate a weather API call for {city} in JSON format" api_call = tinyllama_generate(llm_query) # 伪代码，实际调用本地模型 # 执行HTTP请求（这里简化为mock） response = requests.get(f"https://api.weather.com/v3/weather/forecast?city={city}") # 用TinyLlama把原始JSON转成口语化摘要 summary_prompt = f"Summarize this weather data in 3 sentences: {response.json()}" return tinyllama_generate(summary_prompt)

步骤4：注册插件

# 创建符号链接（Agent-Reach CLI会扫描此目录） ln -sf $(pwd)/weather_plugin.py ~/.agent-reach/plugins/weather/__init__.py

现在你就能运行：

agent-reach ask "北京未来三天天气怎么样？"

CLI会自动匹配weather-forecaster插件，调用TinyLlama生成API请求，再用TinyLlama转译结果——整个过程无需修改一行CLI主程序代码。这就是Agent-Reach的扩展哲学：能力即插件，调度即路由，执行即注入。

3. API层：为什么/v1/agent/reach接口能兼容所有LLM后端？

Agent-Reach的API设计有个反直觉特点：它不暴露模型参数，不提供/chat/completions式接口，甚至不接受model字段。当你调用POST /v1/agent/reach，请求体长这样：

{ "intent": "analyze_code", "input": "def fibonacci(n): ...", "constraints": { "max_steps": 5, "output_format": "markdown", "security_level": "internal" } }

没有model，没有temperature，没有max_tokens——这些都被API层的后端适配器（Backend Adapter）自动处理。这解决了LLM生态中最头疼的问题：同一业务逻辑要为OpenAI、Claude、DeepSeek、本地Ollama写7套不同调用代码。

3.1 后端适配器：统一抽象层的三重转换

Agent-Reach API的核心是BackendAdapter基类，它强制所有后端实现三个方法：

以DeepSeek为例，它的适配器实现关键逻辑：

# backends/deepseek_adapter.py class DeepSeekAdapter(BackendAdapter): def select_model(self, intent: str, constraints: dict) -> dict: # 根据intent智能选择模型变体 if intent == "code_analysis": return {"name": "deepseek-coder-33b-instruct", "api_key": get_api_key("deepseek")} elif intent == "math_reasoning": return {"name": "deepseek-math-7b-instruct", "api_key": get_api_key("deepseek")} else: return {"name": "deepseek-vl-7b-chat", "api_key": get_api_key("deepseek")} def prepare_payload(self, input_data: str, context: dict) -> dict: # DeepSeek要求system prompt必须在messages[0] messages = [ {"role": "system", "content": self._get_system_prompt(intent)}, {"role": "user", "content": input_data} ] # 自动添加工具调用指令（DeepSeek支持function calling） if context.get("tools"): messages.append({"role": "assistant", "content": "<|tool_calls|>"}) return { "model": self.model_config["name"], "messages": messages, "temperature": 0.3 if constraints.get("deterministic") else 0.7 } def parse_response(self, raw_response: dict) -> dict: # 统一提取content字段，处理tool_calls content = raw_response.get("choices", [{}])[0].get("message", {}).get("content", "") tool_calls = raw_response.get("choices", [{}])[0].get("message", {}).get("tool_calls", []) return { "text": content, "tool_calls": [{"name": tc["function"]["name"], "args": json.loads(tc["function"]["arguments"])} for tc in tool_calls] }

关键洞察：Agent-Reach API的intent字段不是装饰，而是调度中枢。它让后端适配器能主动决策，而不是被动接收参数。比如当intent="analyze_code"时，DeepSeek适配器知道要选33B模型并启用代码分析专用prompt；而intent="translate"时则切换到多语言优化的7B模型。

3.2 动态后端发现：GitHub仓库如何变成可热插拔的API后端？

Agent-Reach API支持运行时加载新后端，机制很简单：扫描GitHub组织下的特定仓库。默认配置指向https://github.com/agent-reach/backends，但你可以修改为私有仓库：

# config/backend_registry.yaml registry: - type: "github" url: "https://github.com/your-org/private-backends" pattern: "backend-*.py" auth_token: "ghp_..." # 可选，用于私有仓库 - type: "local" path: "/opt/agent-reach/custom-backends"

当API服务启动时，它会：

1. 克隆backend-ollama.py仓库到临时目录；
2. 执行pip install -e .安装依赖；
3. 导入BackendAdapter子类；
4. 注册到全局后端池。

这意味着，你只需在GitHub新建一个仓库backend-my-custom-llm，提交符合规范的Python文件，Agent-Reach API就能自动识别并启用它——无需重启服务，不改一行主程序代码。

3.3 实战：用Agent-Reach API调用DeepSeek，绕过no api key错误

网络热搜里频繁出现的llm-deepseek: no api key for provider route "deepseek-official"错误，本质是客户端硬编码了API密钥位置。Agent-Reach的解决方案是密钥管理分离：

• 客户端只传intent和input，不碰密钥；
• API服务端从安全存储（如HashiCorp Vault或本地加密文件）读取密钥；
• 后端适配器在select_model()时动态注入密钥。

具体操作：

步骤1：安全存储DeepSeek密钥

# 使用内置密钥管理（基于AES-256加密） agent-reach secrets set deepseek-api-key "sk-xxx" --scope backend.deepseek

步骤2：配置DeepSeek后端

# ~/.agent-reach/backends/deepseek.yaml provider: "deepseek-official" api_base: "https://api.deepseek.com/v1" rate_limit: "1000/min"

步骤3：发起API调用（完全不暴露密钥）

curl -X POST http://localhost:8000/v1/agent/reach \ -H "Content-Type: application/json" \ -d '{ "intent": "code_review", "input": "def bubble_sort(arr): ...", "constraints": {"max_steps": 3} }'

API服务收到请求后：

• 从密钥存储读取deepseek-api-key；
• 调用DeepSeekAdapter.select_model()获取模型配置；
• 在prepare_payload()中注入Authorization: Bearer sk-xxx；
• 发送请求到DeepSeek API。

整个过程密钥永不离开服务端，客户端看不到任何敏感信息。这也是为什么Agent-Reach能规避大量因密钥泄露导致的401错误——它根本没给客户端接触密钥的机会。

4. Python层：为什么from agent_reach import Agent能跨模型工作？

Agent-Reach的Python SDK设计违背了传统LLM库的惯例：它不提供ChatModel、EmbeddingModel等具体类，只有一个Agent类。你不会写OpenAIChatModel(...)或OllamaEmbeddings(...)，而是：

from agent_reach import Agent # 创建通用Agent实例 agent = Agent( intent="research_trends", tools=["web_search", "pdf_reader"], constraints={"max_cost": 0.5} ) # 执行任务（自动选择最优后端） result = agent.run("2024年AI芯片技术突破有哪些？")

这种设计背后，是Python层的能力抽象引擎（Capability Abstraction Engine）——它把LLM能力分解为可组合的原子单元。

4.1 能力原子化：把“调用模型”拆解为5个可替换环节

传统LLM SDK把整个调用链封装成黑盒：model.invoke(prompt)→ 返回str。Agent-Reach Python SDK则暴露5个可插拔环节：

每个环节都是独立类，遵循BaseComponent协议：

class BaseComponent(ABC): @abstractmethod def configure(self, config: dict) -> None: pass @abstractmethod def execute(self, input_data: Any, context: dict) -> Any: pass

当你调用agent.run()，SDK按顺序执行：

1. Router.configure()→ 根据intent="research_trends"选择DeepSeek后端；
2. Preprocessor.execute()→ 把问题转为DeepSeek专用prompt模板；
3. Executor.execute()→ 发送HTTP请求；
4. Postprocessor.execute()→ 提取JSON中的key_points字段；
5. Validator.execute()→ 检查返回长度是否超过max_cost约束。

4.2 工具集成不是硬编码，而是声明式能力注册

Agent-Reach Python SDK的tools参数不是字符串列表，而是能力声明。当你写tools=["web_search", "pdf_reader"]，SDK会：

1. 查找~/.agent-reach/tools/目录下web_search.py和pdf_reader.py；
2. 验证它们是否实现ToolInterface协议；
3. 在执行时动态注入所需依赖（如requests或PyPDF2）。

ToolInterface强制定义三个方法：

class ToolInterface(ABC): @abstractmethod def describe(self) -> dict: # 返回工具描述，供LLM决定是否调用 return { "name": "web_search", "description": "Search the web for up-to-date information", "parameters": {"query": "string"} } @abstractmethod def validate_input(self, input_data: dict) -> bool: # 输入校验，防止LLM生成非法参数 return isinstance(input_data.get("query"), str) @abstractmethod def execute(self, input_data: dict) -> dict: # 实际执行 results = search_engine.query(input_data["query"]) return {"results": results[:3]}

这种设计让工具集成变得极其安全：LLM只能调用describe()声明的能力，validate_input()拦截非法参数，execute()在沙箱环境中运行。你甚至可以注册一个dangerous_tool.py，只要它不被describe()暴露，LLM就永远无法调用它。

4.3 实操：用Python SDK构建一个“自动写周报”的Agent

这是客户最常提的需求。传统做法是写死Prompt+调用OpenAI，但Agent-Reach让你用声明式方式构建：

from agent_reach import Agent from agent_reach.tools import GitLogTool, JiraTool # 注册自定义工具（无需修改SDK源码） class WeeklyReportTool: def describe(self) -> dict: return { "name": "generate_weekly_report", "description": "Generate a markdown weekly report from git commits and Jira tickets", "parameters": {"start_date": "string", "end_date": "string"} } def validate_input(self, input_data: dict) -> bool: return "start_date" in input_data and "end_date" in input_data def execute(self, input_data: dict) -> dict: # 调用GitLogTool获取本周提交 git_tool = GitLogTool() commits = git_tool.execute({ "since": input_data["start_date"], "until": input_data["end_date"] }) # 调用JiraTool获取关联ticket jira_tool = JiraTool() tickets = jira_tool.execute({ "jql": f'updated >= "{input_data["start_date"]}" AND updated <= "{input_data["end_date"]}"' }) # 用本地Qwen2-7B生成报告 report_agent = Agent(intent="write_report") return report_agent.run(f"Git commits: {commits}, Jira tickets: {tickets}") # 创建周报Agent weekly_agent = Agent( intent="write_weekly_report", tools=[WeeklyReportTool(), GitLogTool(), JiraTool()], constraints={"output_format": "markdown"} ) # 一键生成 report = weekly_agent.run({ "start_date": "2024-05-01", "end_date": "2024-05-07" })

整个流程中：

• GitLogTool和JiraTool从GitHub仓库自动加载（agent-reach/tools/git_log.py）；
• WeeklyReportTool是业务逻辑，完全隔离；
• Agent自动选择最适合write_report意图的本地模型；
• 所有HTTP调用都在沙箱中执行，不会污染主进程。

这就是Agent-Reach Python层的价值：它不让你写“怎么调API”，而是让你声明“我要什么能力”，然后由系统自动组装最优执行链。

5. GitHub层：为什么shihabal3amri/diplay仓库能成为Agent-Reach生态枢纽？

网络热搜中反复出现的https://github.com/shihabal3amri/diplay，表面看是个普通仓库，实则是Agent-Reach生态的事实标准实现。它不是官方项目（Agent-Reach本身没有官方组织），但所有遵循Agent-Reach协议的工具都默认兼容它。这种“非官方标准”的形成，源于其GitHub仓库设计的四个精妙之处。

5.1 仓库结构即协议：.agent-reach/目录定义行业规范

diplay仓库根目录下有一个不起眼的.agent-reach/文件夹，里面包含：

.diplay/ ├── spec/ # Agent-Reach协议规范（Markdown） │ ├── cli-spec.md # CLI路由规则 │ ├── api-spec.md # API接口定义 │ └── plugin-spec.md # 插件开发标准 ├── backends/ # 可直接导入的后端适配器 │ ├── ollama.py │ ├── deepseek.py │ └── openai.py ├── tools/ # 即插即用的工具模块 │ ├── web_search.py │ ├── pdf_reader.py │ └── code_analyzer.py └── examples/ # 开箱即用的场景模板 ├── cli-weather/ ├── api-code-review/ └── python-weekly-report/

这个结构不是随意组织的，而是协议文档的可执行版本。当你运行pip install git+https://github.com/shihabal3amri/diplay，它会：

• 将spec/下的文档安装为agent_reach.spec模块，供SDK校验；
• 把backends/和tools/注册到全局插件池；
• 复制examples/到~/.agent-reach/examples/。

这意味着，任何开发者只要遵循.agent-reach/spec/plugin-spec.md的规范，就能确保自己的插件被所有Agent-Reach兼容工具识别——无需申请、无需审核、无需中心化注册。

5.2 GitHub Actions即CI/CD：每次push自动验证协议兼容性

diplay仓库的.github/workflows/validate-plugin.yml是生态健康的守护者。它定义了一个严格的验证流程：

name: Validate Plugin Compatibility on: [pull_request] jobs: validate: runs-on: ubuntu-latest steps: - uses: actions/checkout@v3 - name: Install Agent-Reach SDK run: pip install git+https://github.com/shihabal3amri/diplay - name: Test Plugin Loading run: | # 尝试导入新插件 python -c " from agent_reach.plugins import load_plugin plugin = load_plugin('./path/to/new/plugin') assert hasattr(plugin, 'execute'), 'Plugin missing execute method' " - name: Test CLI Integration run: | # 模拟CLI调用 echo '{"intent":"test","input":"hello"}' | \ agent-reach api --stdin | \ jq -e '.text' > /dev/null

这个Workflow确保：

• 每个PR合并前，新代码必须能被Agent-Reach SDK正确加载；
• CLI必须能解析新插件的plugin.yaml；
• API服务能处理新意图。

结果是：diplay仓库成了活的协议测试平台。当DeepSeek发布新模型时，贡献者只需提交一个backends/deepseek-v2.py文件，Actions就会自动验证它是否符合协议——通过即合并，失败则要求修改。这种去中心化的质量保障，比任何人工审核都高效。

5.3 实操：从零开始贡献一个Agent-Reach插件到diplay生态

想让你的工具进入主流生态？按这个流程走，20分钟搞定：

步骤1：Fork并克隆仓库

git clone https://github.com/your-username/diplay.git cd diplay

步骤2：创建新插件（以“股票分析”为例）

mkdir -p .agent-reach/tools/stock_analyzer

步骤3：编写插件文件（.agent-reach/tools/stock_analyzer/__init__.py）

from agent_reach.tools.base import ToolInterface class StockAnalyzerTool(ToolInterface): def describe(self) -> dict: return { "name": "stock_analyze", "description": "Analyze stock performance and generate investment summary", "parameters": { "symbol": "string", "period": "string (e.g., '1y', '6m')" } } def validate_input(self, input_data: dict) -> bool: return input_data.get("symbol") and input_data.get("period") in ["1y", "6m", "3m"] def execute(self, input_data: dict) -> dict: # 实际调用雅虎财经API（此处简化） symbol = input_data["symbol"] # ... 获取股价、PE、股息率等数据 return { "summary": f"{symbol}过去{input_data['period']}表现稳健，适合长期持有", "key_metrics": {"pe_ratio": 25.3, "dividend_yield": "2.1%"} } # 必须导出为plugin plugin = StockAnalyzerTool()

步骤4：添加测试用例（.agent-reach/tools/stock_analyzer/test_stock.py）

def test_stock_analyze(): tool = StockAnalyzerTool() result = tool.execute({"symbol": "AAPL", "period": "1y"}) assert "summary" in result assert result["key_metrics"]["pe_ratio"] > 0

步骤5：提交PR

git add .agent-reach/tools/stock_analyzer/ git commit -m "feat(tools): add stock_analyzer plugin" git push origin main # 在GitHub创建Pull Request

一旦PR被合并，全球所有pip install agent-reach的用户就能立即使用：

agent-reach ask "分析苹果公司股票过去一年表现" # 自动调用你贡献的stock_analyze工具

这就是Agent-Reach GitHub层的力量：它把标准制定、质量验证、生态分发全部交给GitHub原生能力，开发者只需专注写代码，生态自动生长。

6. 终极实践：用Agent-Reach三小时搭建“本地AI助理”

现在，让我们把前面所有层串起来，完成一个真实场景：为销售团队打造一个离线可用的AI助理，能查产品文档、算报价、生成邮件。整个过程不依赖任何外部API，纯本地运行，三小时可交付。

6.1 环境准备：5分钟搞定基础依赖

我们选择Ubuntu 22.04（Windows/Mac同理，仅命令微调）：

# 1. 安装Python 3.10+和Git sudo apt update && sudo apt install -y python3.10 python3.10-venv git # 2. 创建隔离环境 python3.10 -m venv ~/agent-reach-env source ~/agent-reach-env/bin/activate # 3. 安装Agent-Reach核心（基于diplay仓库） pip install git+https://github.com/shihabal3amri/diplay # 4. 安装本地模型运行时（Ollama） curl -fsSL https://ollama.com/install.sh | sh # 5. 下载销售专用模型（Qwen2-7B量化版，仅3.2GB） ollama pull qwen2:7b-instruct-q4_k_m

注意：qwen2:7b-instruct-q4_k_m是4-bit量化模型，在8GB内存笔记本上流畅运行。不要用qwen2:7b原版（13GB），否则会OOM。

6.2 CLI层：定制销售助理命令

创建~/sales-assistant-cli.py：

#!/usr/bin/env python3 import sys from agent_reach.cli import AgentReachCLI class SalesAssistantCLI(AgentReachCLI): def __init__(self): super().__init__() # 注册销售专属意图 self.intent_map.update({ "quote_price": "calculate_product_quote", "find_doc": "search_product_document", "draft_email": "generate_sales_email" }) def run(self): if len(sys.argv) < 2: print("Usage: sales-assist <command> [args]") return command = sys.argv[1] if command == "quote": # 自动注入产品数据库路径 self._run_intent("quote_price", {"db_path": "/opt/sales/products.db"}) elif command == "doc": self._run_intent("find_doc", {"keyword": " ".join(sys.argv[2:])}) elif command == "email": self._run_intent("draft_email", {"customer": sys.argv[2], "product": sys.argv[3]}) if __name__ == "__main__": SalesAssistantCLI().run()

赋予执行权限：

chmod +x ~/sales-assistant-cli.py sudo ln -sf ~/sales-assistant-cli.py /usr/local/bin/sales-assist

现在你可以：

sales-assist quote --product "CloudStorage-Pro" --quantity 5 sales-assist doc "SLA条款" sales-assist email "张经理" "CloudStorage-Pro"

6.3 API层：暴露为内部服务

创建~/sales-api.py：

from fastapi import FastAPI from agent_reach.api import AgentReachAPI from agent_reach.backends import OllamaBackend app = FastAPI(title="Sales Assistant API") # 初始化Agent-Reach API，指定Ollama为默认后端 api = AgentReachAPI( default_backend=OllamaBackend( model_name="qwen2:7b-instruct-q4_k_m", base_url="http://localhost:11434" ) ) @app.post("/v1/sales/assist") async def sales_assist(request: dict): # 添加销售领域约束 request.setdefault("constraints", {}) request["constraints"].update({ "domain": "sales", "company_policy": "only_use_approved_products" }) return await api.handle_request(request)

启动服务：

pip install fastapi uvicorn uvicorn ~/sales-api.py:app --host 0.0.0.0 --port 8000

销售CRM系统现在可通过HTTP调用：

curl -X POST http://localhost:8000/v1/sales/assist \ -H "Content-Type: application/json" \ -d '{ "intent": "quote_price", "input": {"product": "CloudStorage-Pro", "quantity": 5}, "constraints": {"currency": "CNY