Agent智能体搭建流程|以股票分析AI助手为例详解搭建过程（Dify+DeepSeek）

最新推荐文章于 2025-04-25 14:34:50 发布
最新推荐文章于 2025-04-25 14:34:50 发布
阅读量904 收藏 10
点赞数 11
文章标签： 人工智能 LLM LLM应用 程序员 编程 大模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_81888214/article/details/147092341
版权

1. 项目简介

    基于 Dify低代码开发平台 与 DeepSeek-R1大模型，构建一个智能股票分析助手（股票分析Agent）。目标：实现自然语言交互式股票查询、技术指标分析、多维度数据可视化及风险预警，降低普通投资者使用专业金融工具的门槛。

典型场景

  1. 散户投资者：通过对话快速获取个股实时行情、K线形态解读、财务指标对比,形成次日及周度的投资预测报告。

  2. 财经自媒体：一键生成包含技术面/基本面/情绪面分析的内容。

解决痛点

  • 数据分散：整合行情数据、财报数据、舆情数据于单一入口。

  • 分析门槛高：将MACD、RSI等技术指标解读转化为自然语言结论。

  • 响应延迟：通过DeepSeek-R1的高效推理能力实现快速报告生成。

核心功能

  1. 智能问答

    • 支持模糊查询（例：“茅台最近走势如何”“光伏板块龙头股”）

    • 自动关联同行业可比公司数据

  2. 多维度分析报告

    • 技术面：自动识别K线形态（如“头肩顶”“金叉死叉”）

    • 基本面：PE/PB/ROE等指标同业对比

    • 消息面：整合财经新闻情感分析

  3. 风险预警

    • 异动监测（量价突变、大宗交易）

    • 财报暴雷概率预测

2. 股票分析AI助手的原理介绍

    规划-记忆-工具-行动闭环

图片

    规划，负责完成任务拆解、推理逻辑设计及执行路径规划。基于用户输入（如“分析特斯拉未来3个月股价趋势”），Dify的大语言模型（如GPT-4）通过预定义的提示词（Prompt）识别意图，拆解为“获取实时股价数据”“分析财报信息”“整合行业新闻”等子任务。动态调整执行计划：根据中间结果（如财报数据异常）自动调整后续步骤，例如优先调用新闻分析工具而非技术指标工具。

    记忆，存储短期交互记录与长期知识，支持上下文关联与个性化服务。短期记忆：通过Dify的会话管理功能记录当前对话上下文（如用户偏好“只关注技术面分析”），确保多轮交互连贯性。长期记忆：知识库集成：上传行业研报、历史股价数据等结构化文档，构建RAG（检索增强生成）管道，供模型实时检索引用。

    工具使用，集成外部API与数据处理模块，扩展Agent能力边界。数据获取类：获取技术指标（如MACD、KDJ）、成交量及股价等API，使用用户定义（指定使用缠论）或自有的分析逻辑进行分析。调用Dify支持的文生图模型生成股价趋势可视化图表。

    工具调度逻辑：Function Calling模式针对支持此功能的模型（如GPT-4），直接映射工具调用指令。ReAct框架：对不支持Function Calling的模型，通过“思考-行动-观察”循环选择工具。

    行动，执行工具调用并生成最终响应，支持多模态输出与自动化操作。通过提示词模板（如Markdown表格）结构化输出股票的分析结果。

3. 前置准备

  • Dify社区版或云服务版。没有本地部署的可以参考教程Dify本地化部署教程：电脑小白也能轻松上手！

  • 申请DeepSeek-R1 API Key ：

    https://account.coreshub.cn/signup?invite=SXBtZzZmWHM=

    DeepSeek-R1、V3满血版注册就送5000万token。申请完成后使用OpenAI-API-compatible添加模型。 

    图片

  • biyingapi.com（金融数据接口）

    MENU点击证书购买-找到免费版，点击立即获取，保存好证书。

    图片

4. Dify 平台实践步骤

   - 编排获取股票数据工作流并发布为工具

     创建空白应用-选择工作流-命名为获取近30交易日成交数据。

图片

添加开始节点，并添加两个变量：url、time

图片

添加http请求节点，将url变量添加到url 中。

图片

添加代码执行节点，截取近30交易日的成交数据。（代码我放到DSL文件中了）

图片

添加结束节点，输出代码执行节点的处理结果。

图片

点击发布，发布更新并发布为工具。添加调用名称、描述、工具入参。

其中工具入参分别为：

url：该股票的查询url，例如：https://api.biyingapi.com/hszbl/fsjy/你的证书ID

time：查询时间格式为时间点 %Y-%m-%d

图片

参照上述流程分别创建近30天kdj查询工具、近30天macd查询工具等。

   - 创建股票分析AI分析助手agent

创建空白应用-选择Agent，并输入名称。

图片

配置模型、温度、top-p、最大标记

图片

输入提示词

图片

添加工具

图片

测试一下吧

图片

5. 常见问题及改进余地

股市有风险，投资需谨慎。通过模型获得的投资结果需要不断验证调整。

也可以通过工作流实现上述效果。后面有时间做一版工作流的。

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

 

LLM.
关注
智胜未来：国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐
丨汀、的博客
07-25 8443
智胜未来：国内大模型+Agent应用案例精选，以及主流Agent框架开源项目推荐
智能体学习：本地部署Dify
热门推荐
qq_39502517的博客
02-02 1万+
智能体学习之路，本地部署Dify
AI Agent 和 AI Workflow 有什么区别，Agent详解
智慧危机的博客
10-06 2174
AI AgentAI Agent是一种能够感知环境、做出决策并执行动作的智能实体。它通常具有自主性，能够在没有人类干预的情况下独立运作。AI Agent的核心功能包括感知、决策和执行，它通过这些功能在复杂的环境中自主完成任务。在初始化给定Agent不同的工具和能力后，Agent会根据现存的能力和工具去解决复杂的任务，将其拆解为各个简单任务去解决。AI Workflow（AI工作流）是一种预定义的、线性的任务执行流程。它通常由一系列步骤组成，每个步骤都有明确的输入和输出。
一文彻底搞懂大模型 - Agent（智能体）2024最新知识
2401_86435672的博客
10-09 1673
Agent是能够模拟独立思考过程，灵活调用各类工具，逐步达成预设目标。在技术架构上，Agent从面向过程的架构转变为面向目标的架构，旨在通过感知、思考与行动的紧密结合，完成复杂任务。**
手把手教你构建智能Agent：完整教程与代码解析
xiangxueerfei的博客
03-19 1227
本文简要介绍了如何利用 AI Agent 有效完成高级任务，而不是让一个大语言模型单打独斗。
怎么构建Agent？我写了一个教程（含代码）
kiiy2的博客
08-16 1439
我们可以把不同的 LLM 或者 AI Agent 组合起来，让每个 Agent 都专注于它最擅长的领域。基准测试可以用来评估每个 Agent 在不同任务上的表现，使用已建立的数据集如 GLUE 和 FLASK，可以进行与不同最先进模型的标准化比较。AI Agent 则具备在不同互动之间保持上下文的能力，每个 Agent 可以参考前一个 Agent 的响应来完成它们预期的任务。另一方面，AI Agent 可以设计为由多个专门模型组成的团队，每个模型专注于一个特定任务，例如研究者、博客撰写者、社交媒体专家。
简单Agent智能体的搭建
m0_70486148的博客
10-31 1361
在上一篇《智能转型：券商行业Agent平台的创新之路》一文中，介绍了AI Agent的行业现状，以及Agent平台提供的能力和定位。针对不同复杂度的业务场景应用（简单Agent智能体、复杂Agent智能体、进阶Agent智能体），Agent平台对应提供了相关的产品功能和技术能力。本文将围绕简单Agent智能体搭建涉及到的对用户的技能的要求、底层技术的要求、Agent平台功能的要求等进一步深入探讨。
RAG与MCP技术对比分析：深入探讨两者差异与优势！
2401_84204207的博客
04-20 643
通过增强生成结果的准确性和专业性通过协调 LLM 与外部工具/数据源的交互，支持复杂操作流程检索模块（如向量数据库）获取外部信息 → 生成模块（LLM）融合检索结果生成内容 [1] [9]定义标准协议规范 LLM 的输入输出上下文，实现多工具调用、动态数据路由和状态管理 [13] [21]依赖外部结构化/非结构化知识库（如文档、数据库）依赖预定义的工具集（API、函数）及上下文路由规则医疗问答（检索最新论文+患者病历生成诊断建议）[15] [34]
使用coze搭建我的第一个AI Agent
博客简介
01-23 1349
AI Agent（人工智能代理）是指一种具备自主决策能力的软件程序或系统，能够在一定的环境中执行任务、作出决策，并根据预定目标采取行动。AI Agent 通常依赖于人工智能技术，如机器学习、自然语言处理和自动推理等，来感知周围环境、与人类或其他系统进行交互，进而解决特定问题或实现目标。
【AIGC】AI Agent 和 AI Workflow 的区别，Agent搭建
智兔唯新的博客
10-16 1403
AI AgentAI Agent是一种能够感知环境、做出决策并执行动作的智能实体。它通常具有自主性，能够在没有人类干预的情况下独立运作。AI Agent的核心功能包括感知、决策和执行，它通过这些功能在复杂的环境中自主完成任务。在初始化给定Agent不同的工具和能力后，Agent会根据现存的能力和工具去解决复杂的任务，将其拆解为各个简单任务去解决。AI Workflow（AI工作流）是一种预定义的、线性的任务执行流程。它通常由一系列步骤组成，每个步骤都有明确的输入和输出。
Dify：开箱即用的AI Agent工厂——从新手到专家的全景指南
jane_xing的博客
02-26 1817
示例：股票查询插件description = "查询实时股票信息"# 调用第三方APIreturn {
敢不敢跟我一起搭建一个Agent！不写一行代码，10分钟搞出你的智能体！纯配置也能真正掌握AI最有潜力的技术？AI圈内人必备技能
python1234_的博客
07-30 850
然后我们来配置表结构，其中，列名为必填参数，描述为选填参数。注意!⚠️这里定义的数据表结构，必须和待导入的数据表的结构完全相同，否则会导入失败。例如，待导入的数据表有2列，这里的表结构必须配置2个字段，且列名一一对应。您可以通过单击新增字段或操作列的删除，来增加或删减字段。配置好，导入数据后，它这个非常鸡肋的是，确定完没办法加列或者减列，甚至没办法复制T-T，没录入完不要手欠点确认啊…导入后单击确定，完成配置!结构化和非结构化数据完成配置后，我们就可以在数据表管理的导航树中查看新增的数据表。
一文告诉你智能体Agent是什么、有哪些、用在哪里、哪个好用及搭建流程
lyy2017175913的博客
03-14 909
智能体Agent是什么？其实Agent就是智能体，只是有些人用这个单词，有些人用智能体。我之所以放在一起，是为了让大家更好记住，哈哈。互联网上的智能体（Agent）是一种能够自主感知环境、规划决策、执行任务并与外部世界交互的智能实体，它们基于人工智能技术如大语言模型、强化学习等，通过调用工具或与其他智能体协作，实现复杂任务的处理。智能体又是多种多样的，在各种场景运用，比如在机器人领域导航，在对话领域的各种智能助手，在工作流领域如文心智能体，coze等可以让我们部署流程自动化等。
AI Agent平台本地部署指南：手把手教你打造智能体
2401_84204413的博客
04-09 1124
智能体的必要性源于单一AI模型的局限性。无论是GPT还是其他先进的AI模型，它们在处理复杂问题时总会面临边界。当多个智能体协同工作时，不同模型的优势可以相互补充，形成更具灵活性和智能化的系统。智能体不仅封装了提示词和任务，还能通过多个模型编排突破单个模型的局限，通过分工协作共同解决复杂问题。多个大模型厂商已经开始推出基于智能体的AI助手，能够集成多个模型的优势来提供更具定制化和深度的服务。
从0到1开发一个商用 Agent（智能体）
2401_85343303的博客
03-06 732
这个节点就是大模型的配置，在这里我们需要大模型帮我总结文章内容，提炼文章关键词。红框 1：此处可以选择不同的模型来处理，不同的提示词在不同的模型下表现有时候是不一致的，所以这里需要注意的是在当前这个场景下根据大模型的特点，选定模型后，再去写系统提示词和用户提示词。红框 2：输入，可以将上个节点输出的参数标题和内容传到这里。
零基础实战：从避坑到精通，手把手带你搭建实在Agent智能体
最新发布
2301_76168381的博客
04-25 1037
实在 Agent 官网下载地址：
如何从0开始构建一个通用AI Agent 智能体架构设计和实现？
lyy2017175913的博客
01-10 1474
AI Agent 智能体，目前更具体地指的是 LLM Agent。这是一种程序，其执行逻辑受其底层模型（LLM）的操控。
七个步骤带你轻松搭建商用 AI Agent
python12345_的博客
02-07 2210
在构建AI助手的首要步骤是清晰定义需求。首先，我们需明确AI助手的目的：它是为了解决什么问题？如果你是一位自媒体从业者，可能希望AI助手帮助处理一些重复性工作，比如寻找对标内容、追踪热点、进行内容分析、草拟初稿等。这可以让你将更多精力投入到创意和内容创作上。如果你是一位贸易公司的老板，可能需要AI助手来整合来自不同平台的订单信息，进行产品询价和价格比较。你应专注于那些重复性高、机械性强、不需深思熟虑的任务。越详细越好。你还可以与AI工具进行交流，利用它形成初步草稿后再进一步完善。
dify deepseek ollama agent
02-25
### Dify、DeepSeek 和 Ollama Agent 的集成与应用 #### 1. 技术概述 Dify 是一个低代码 AI 应用开发平台，允许开发者快速创建和部署基于大语言模型的应用程序[^1]。通过简单的配置文件定义业务逻辑和服务接口，极大地降低了开发门槛。 DeepSeek 则是一个支持私有化本地部署的大规模预训练语言模型，能够处理多种自然语言理解和生成任务，在保障数据隐私的同时提供了强大的计算能力[^2]。 Ollama Agent 主要用于简化大型模型的管理和优化工作流，包括但不限于自动调参、性能监控以及资源调度等功能，从而提高整体系统的稳定性和效率。 #### 2. 集成方案详解 为了更好地理解如何利用这三个组件构建高效的私有化AI知识库，下面给出具体的技术实现路径： ##### 2.1 架构设计 整个系统采用微服务架构模式，其中各个模块之间通过RESTful API 或 gRPC 进行通信交互。核心部分由以下几个子系统组成： - **前端界面层**：负责展示给用户的操作面板； - **API网关层**：统一入口接收外部请求并转发至相应后端服务； - **业务逻辑层**：包含了针对特定领域定制化的算法流程； - **存储管理层**：持久保存结构化/非结构化数据； - **推理引擎层**：集成了来自不同供应商的最佳实践成果——即本案例中的 DeepSeek 模型实例； ##### 2.2 实现细节 对于想要动手尝试的朋友来说，可以从GitHub仓库获取官方提供的开源项目模板，并按照README.md内的指引完成环境准备阶段的工作。之后便可以根据实际需求调整参数设置以适配目标硬件条件下的最佳表现形式。 ```bash git clone https://github.com/example-repo/dify-deepseek-tutorial.git cd dify-deepseek-tutorial pip install -r requirements.txt ``` 接着就是编写必要的Python脚本来初始化数据库连接池、加载预训练权重矩阵等前置动作了。这里推荐使用PyTorch框架配合Transformers库来进行高效的数据预处理及特征提取作业。 ```python from transformers import AutoTokenizer, AutoModelForSequenceClassification tokenizer = AutoTokenizer.from_pretrained('path/to/deepseek') model = AutoModelForSequenceClassification.from_pretrained('path/to/deepseek') def preprocess(text): inputs = tokenizer(text, return_tensors="pt", truncation=True, padding='max_length', max_length=512) outputs = model(**inputs)[0].detach().numpy() return outputs.tolist()[0] if __name__ == "__main__": sample_input = "这是一个测试样例" result = preprocess(sample_input) print(result) ``` 最后一步则是将上述功能封装进Flask/Django这样的Web服务器进程中去监听HTTP POST事件触发预测过程并向客户端返回JSON格式的结果对象。 #### 3. 常见问题解答 当遇到诸如“无法启动容器”、“内存溢出错误”等问题时，建议先查阅官方文档寻找常见故障排除指南。如果仍然得不到有效解决，则可以通过加入社区论坛寻求帮助或是提交Issue报告等待维护团队介入调查原因所在。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值