本示例演示如何使用 AgentKit 构建一个“报告生成”Agent： 用户输入公司名与时间范围，Agent 自动检索财务数据、抓取相关新闻、汇总分析并生成最终报告。

---

1. 项目概述

---

目标：构建一个能自动生成“公司季度报告 + 新闻分析 + 投资建议”的智能 Agent。用户只需输入公司名称和时间区间，系统返回一份结构化的 Markdown/PDF 报告。

主要能力点：

• 多工具调用（财务数据API、新闻检索、内部知识库）
• 多步决策与分支（triage -> 检索 -> 聚合 -> 校验 -> 输出）
• 可视化流程（Agent Builder） & 可嵌入 ChatKit 聊天界面
• 评估与回溯（trace / evals）

---

2. 系统架构

---

备注：AgentKit 负责流程调度、日志 tracing、版本管理；ChatKit 提供嵌入式聊天界面与流式输出；外部 connector 通过 Connector Registry 管理授权与权限。

---

3. Agent Builder 可视流程图（Mermaid）

---

在 Agent Builder 中，每个方框可绑定具体 Agent 或工具（并可设 guardrails、超时、重试、审计）。

---

4. 关键组件说明

---

• Triage Agent：解析用户输入，决定需要调用哪些检索 Agent。
• 财报检索 Agent：调用第三方财务 API（或内部数据源），返回结构化数据（收入、净利、毛利率等）。
• 新闻检索 Agent：通过 WebSearch/News API 获取时间区间内相关新闻并摘要化。
• 内部知识库检索 Agent：公司历史数据、行业报告等（向量检索）。
• 聚合分析 Agent：基于检索结果产生初稿分析（趋势、风险点、亮点）。
• 事实校验 Agent：对关键数字与结论进行二次验证，若校验失败触发人工审阅。

---

5. 完整示例代码（Python）

---

说明：下面示例是假定使用 openai-agents/agentkit 风格的 SDK（伪代码与真实库 API 可能有差异）。替换成你实际 SDK 的函数与方法即可。

# 文件：report_agent.pyfrom openai import OpenAIfrom agentkit import Agent, Runner, Tool, Memory, Workflowimport os, jsonOPENAI_API_KEY = os.getenv("OPENAI_API_KEY")client = OpenAI(api_key=OPENAI_API_KEY)# ----- 工具定义 -----class FinancialAPITool(Tool):    name = "financial_api"    description = "返回公司财报的结构化数据"    def run(self, company: str, start_date: str, end_date: str):        # TODO: 调用真实的第三方财务 API 或内部服务        # 这里使用模拟数据        return {            "company": company,            "period": f"{start_date} to {end_date}",            "revenue": 120_000_000,            "net_income": 8_500_000,            "eps": 1.23,            "gross_margin": 0.42        }class NewsSearchTool(Tool):    name = "news_search"    description = "根据公司名和时间范围检索新闻并返回摘要"    def run(self, company: str, start_date: str, end_date: str, top_k=5):        # TODO: 调用 NewsAPI / 自己实现的爬虫        # 返回模拟摘要列表        return [            {"title": "公司A 发布季度业绩", "summary": "收益上升，毛利提高", "date":"2025-07-20"},            {"title": "公司A 遭遇供应链问题", "summary": "供应延迟影响产量", "date":"2025-08-10"}        ]# ----- Agent 定义 -----triage_agent = Agent(    name="triage_agent",    instructions="解析输入，决定需要调用哪些检索步骤：财报/新闻/知识库",)fin_agent = Agent(    name="financial_agent",    instructions="调用 financial_api 获取结构化财务数据",    tools=[FinancialAPITool()])news_agent = Agent(    name="news_agent",    instructions="调用 news_search 获取新闻摘要",    tools=[NewsSearchTool()])aggregate_agent = Agent(    name="aggregate_agent",    instructions=("将财务数据、新闻摘要和知识库背景汇总成一份分析草稿，"                  "输出应包含：要点（bullet points）、风险、机会、三段结论"))fact_check_agent = Agent(    name="fact_check_agent",    instructions="核验关键指标（如 revenue、net_income、eps），若与数据源不一致则标记")report_agent = Agent(    name="report_agent",    instructions="把分析草稿格式化为 Markdown 报告，包含标题、摘要、数据表、图表说明与结论建议")# ----- Runner / 工作流 -----def run_report_workflow(company: str, start_date: str, end_date: str):    # 1. triage（这里简化直接调用）    fin_data = fin_agent.run(f"{company}|{start_date}|{end_date}")    news = news_agent.run(f"{company}|{start_date}|{end_date}")    # 2. aggregate    aggregate_input = {        "financial": fin_data,        "news": news,        "context": "生成一份面向投资经理的季度分析报告"    }    draft = aggregate_agent.run(json.dumps(aggregate_input))    # 3. fact check    fact_result = fact_check_agent.run(json.dumps({"draft": draft, "financial": fin_data}))    if"inconsistency"in fact_result:        # 触发人工审阅（示例简化）        return {"status":"needs_human_review", "reason":fact_result}    # 4. generate report    md_report = report_agent.run(json.dumps({"draft": draft, "financial": fin_data}))    return {"status":"completed", "report_md": md_report}if __name__ == "__main__":    out = run_report_workflow("示例公司A", "2025-07-01", "2025-09-30")    if out["status"] == "completed":        with open("report_output.md", "w", encoding="utf-8") as f:            f.write(out["report_md"])        print("报告已生成: report_output.md")    else:        print("需要人工审阅：", out)

说明：真实实现中 Agent.run() 可能需要传入结构化参数、指定模型、超时时间与追踪选项；工具的调用应通过 Connector Registry 管理并带有鉴权。

---

6. 部署与运维建议

---

• 将 Agent Runner 部署为后端服务（FastAPI / Flask / Express）。
• 对外提供受限的 HTTP 接口给 ChatKit 前端调用，后端负责鉴权与限流。
• 使用容器化（Docker）+ Kubernetes 做扩展与弹性伸缩。
• 对工具调用（财务 API、新闻 API）做熔断、限流、重试与缓存（Redis）。
• 为人工审阅提供管理后台，方便人工接手 / 回收任务。

---

7. 监控、评估与优化策略

---

• 指标：API 响应时间、任务成功率、人工介入率、用户满意度、token 消耗。
• Evals：收集失败轨迹与样本，使用 Evals / trace grading 进行批量评估。
• A/B 测试：对不同 prompt / 聚合策略做 A/B 比较。
• Prompt 自动优化：尝试 Prompt Optimization 工具（若 AgentKit 提供）来自动微调提示模板。

---

8. 常见问题与扩展方向

---

• 如何减少 hallucination？ 增强事实校验 Agent，使用多源交叉验证与外部工具确认关键事实。
• 如何保证数据隐私？ 对敏感数据在传输与存储上做加密，并限制模型访问级别。
• 如何做长期记忆？ 设计摘要存储、重要事实标注与基于向量检索的长期记忆模块。
• 扩展方向：加入可解释性 trace 展示、自动化报表定时任务、支持多语言与本地化模板。

---

附录：报告 Markdown 模板示例（输出）

# {{company}} - 季度分析报告（{{start}} 至 {{end}}）## 摘要- 核心结论 1- 核心结论 2## 关键财务指标| 指标 | 本期 | 同比 | 说明 ||---|---:|---:|---|| 营收 | 120,000,000 | +5% | 说明... || 净利润 | 8,500,000 | -2% | 说明... |## 新闻与事件摘要- 2025-08-10: 供应链问题导致产量下降。- ...## 分析与结论1. 趋势分析：...2. 风险提示：...3. 投资建议：持有 / 买入 / 卖出（理由）## 数据来源与方法论- 财务数据来源：XXX- 新闻来源：YYY- 事实校验方法：ZZZ

---

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！