1. 从“玩具”到“生产力”为什么我们需要重新审视国产AI Agent最近在AI圈子里Hy3和WorkBuddy这两个名字的热度有点高。如果你也关注过可能会发现一个现象很多人把它们当成两个独立的“新玩具”在讨论。Hy3模型免费了赶紧去试试WorkBuddy发布了新教程看看怎么装。但很少有人把它们放在一起去思考一个更本质的问题当我们将一个强大的开源模型与一个灵活的工作流框架结合时到底能创造出什么我的答案是一个真正能投入实战、解决复杂问题的国产顶级AI Agent。这不是简单的“112”而是“1110”的化学反应。过去一年我深度体验了从GPT-4、Claude到各类开源模型的数十个Agent框架一个深刻的体会是很多所谓的“智能体”项目要么受限于闭源模型高昂的成本和API调用限制难以规模化部署要么受限于框架本身过于简陋只能处理预设的、线性的简单任务一旦遇到现实世界中模糊、多步骤的需求就立刻“宕机”。而“Hy3 WorkBuddy”这个组合恰好精准地击中了这两个痛点。Hy3作为近期备受瞩目的高性能开源模型提供了媲美顶级闭源模型的推理能力基础且完全免费、可私有化部署这解决了“大脑”的来源和成本问题。WorkBuddy则是一个设计精巧的Agent框架它不像一些庞然大物那样试图包办一切而是专注于提供一套清晰、可扩展的“技能Skill”编排机制让“大脑”知道如何调用“手脚”去完成任务。所以这篇文章我不想只给你一个“提示词模板”就了事。我想和你深入聊聊如何基于这个组合从零开始构建一个能理解复杂意图、自主规划步骤、调用外部工具并可靠执行的智能体。我会拆解其中的核心设计思想、分享我踩过的坑并附上经过实战检验的完整提示词与配置。无论你是想为自己打造一个24小时在线的个人助理还是为企业内部构建一个自动化流程引擎相信都能从这里获得启发。2. 核心组件深度解析Hy3模型与WorkBuddy框架的“能力象限”在动手搭建之前我们必须先彻底理解手中的“武器”。盲目地把两个热门技术堆在一起只会得到一个运行不稳定、效果不可控的“缝合怪”。2.1 Hy3模型不只是“免费的午餐”更是可控的“推理引擎”Hy3模型最近之所以火爆根本原因在于它在性能、成本和开放性之间找到了一个极佳的平衡点。但很多人只关注了“免费”却忽略了其作为Agent“大脑”的关键特性。首先它的“长上下文”和“强指令遵循”能力是Agent的基石。一个优秀的Agent需要记住长时间的对话历史、理解复杂的用户指令、并严格按照要求格式输出。Hy3在各项基准测试中展现出的指令遵循能力意味着它能更好地理解我们精心设计的系统提示词System Prompt并输出结构化的思考过程和行动规划而不是天马行空地乱说。其次完全开源与可私有化部署带来了“确定性”和“安全性”。使用闭源API时你永远不知道模型在后台是否更新、是否会突然调整输出策略。对于需要稳定运行的自动化流程这种不确定性是致命的。而Hy3可以部署在你自己的服务器或本地电脑上版本、参数完全可控。这意味着你今天调试好的Agent工作流明天、下个月依然能以同样的方式运行。同时所有敏感数据和业务逻辑都留在内网满足了企业级应用对数据安全的基本要求。注意谈论“免费”时我们需要算一笔经济账。虽然模型权重免费但你需要付出计算资源GPU/CPU和运维成本。对于个人或小团队在消费级显卡上部署量化版本的Hy3是性价比极高的选择对于企业则需要评估并发请求量和响应延迟来规划集群部署方案。这不再是“按Token付费”的消费模式而是变成了可预测的固定基础设施成本。2.2 WorkBuddy框架不是又一个“Chatbot外壳”而是“技能中枢”市面上很多Agent框架本质上是一个加了函数调用Function Calling的聊天界面。WorkBuddy的设计哲学则更进一步它清晰地定义了“技能Skill”作为一等公民。什么是Skill你可以把它理解为一个封装好的、可被AI调用的微服务。一个Skill至少包含三部分描述Description用自然语言告诉AI这个技能是干什么的。例如“这是一个查询天气的技能可以根据城市名称返回当前的温度、湿度和天气状况。”输入参数Input Schema定义调用这个技能需要哪些信息以及这些信息的类型字符串、数字等。例如{“city”: “string”}。执行逻辑Execution Logic一段真正的代码Python/JavaScript等用于执行具体操作比如调用一个天气API并解析返回结果。WorkBuddy的核心工作就是理解用户的自然语言请求将其与已注册的技能描述进行匹配自动提取所需的参数然后调用对应的执行逻辑。这个过程是动态的、可编排的。它的精妙之处在于“松耦合”设计。AI大脑Hy3不需要知道技能内部如何实现它只需要根据描述来决定是否以及如何调用。这意味着技能可以独立开发、测试和更新只要接口描述不变就不会影响Agent的整体行为。技能库可以无限扩展。今天可以只有“查天气”、“发邮件”的技能明天就能加入“分析数据库报表”、“调用内部审批系统”的复杂技能。多个技能可以串联形成工作流。AI可以规划“先调用Skill A获取数据再调用Skill B处理数据最后调用Skill C发送结果”。因此WorkBuddy不是一个聊天机器人它是一个让AI获得“动手能力”的赋能平台。Hy3提供了思考和规划的能力而WorkBuddy提供了将规划落地的“手”和“脚”。3. 构建实战从零搭建你的第一个Hy3WorkBuddy智能体理解了原理我们开始动手。我将以一个“智能内容助理”为例展示完整的搭建过程。这个Agent能根据一个主题自动搜索最新资料、整理大纲、撰写初稿并保存为文档。3.1 环境准备与基础部署首先我们需要两个独立又互联的环境模型服务 和 Agent框架服务。步骤一部署Hy3模型服务假设我们使用Ollama这个轻量级工具在本地部署。# 1. 安装Ollama (请根据你的操作系统参考官方文档) # 2. 拉取并运行Hy3模型这里以Qwen2.5-7B-Instruct为例它指令遵循能力优秀尺寸适中 ollama pull qwen2.5:7b-instruct ollama run qwen2.5:7b-instruct运行后Ollama会在本地通常是http://localhost:11434提供一个兼容OpenAI API的接口。这意味着任何支持OpenAI的框架包括WorkBuddy都能直接调用它。步骤二部署WorkBuddy框架WorkBuddy通常以Docker容器的方式部署最为简便。# 1. 确保已安装Docker和Docker Compose # 2. 克隆WorkBuddy的官方示例仓库或根据文档编写docker-compose.yml git clone WorkBuddy官方示例仓库地址 cd workbuddy-example # 3. 修改配置将模型API指向本地Ollama # 编辑 docker-compose.yml 或 .env 文件将 OPENAI_API_BASE 设置为 http://host.docker.internal:11434/v1 # 将 OPENAI_API_KEY 设置为任意非空字符串如ollama因为Ollama不需要密钥。 # 4. 启动服务 docker-compose up -d启动后WorkBuddy的管理界面通常运行在http://localhost:3000。至此基础设施就绪。3.2 核心技能Skill开发与注册现在我们来为“内容助理”创建三个核心技能。技能一网络搜索Web Search Skill这个技能让Agent能获取最新信息。我们可以借助Serper或SearXNG等搜索API。# search_skill.py import requests import json def web_search(query: str, num_results: int 5) - str: 执行网络搜索并返回简洁结果。 参数: query: 搜索关键词 num_results: 返回结果数量 返回: 格式化后的搜索结果字符串 # 这里以Serper API为例你需要替换为自己的API Key url https://google.serper.dev/search headers {X-API-KEY: YOUR_SERPER_API_KEY, Content-Type: application/json} payload json.dumps({q: query, num: num_results}) try: response requests.post(url, headersheaders, datapayload) response.raise_for_status() data response.json() # 简化并格式化结果 results [] if organic in data: for item in data[organic][:num_results]: title item.get(title, No Title) link item.get(link, #) snippet item.get(snippet, No snippet) results.append(f标题{title}\n链接{link}\n摘要{snippet}\n) return \n---\n.join(results) if results else 未找到相关结果。 except Exception as e: return f搜索过程中出错{str(e)}在WorkBuddy管理界面中我们需要将这个技能注册上去技能名称web_search描述“根据用户提供的关键词在互联网上进行搜索并返回最新的网页标题、链接和内容摘要。适用于获取实时信息、新闻或事实核查。”输入参数定义一个JSON Schema例如{query: {type: string, description: 搜索关键词}, num_results: {type: number, description: 返回结果数量默认5}}执行器选择“Python”并将上面的函数代码粘贴进去或指向该脚本文件。技能二文本摘要与大纲生成Summarize Skill这个技能让Agent能处理冗长的搜索内容。# summarize_skill.py from typing import List def generate_outline(text: str, main_topic: str) - str: 根据给定的文本和核心主题生成一个内容大纲。 参数: text: 需要分析的原始文本 main_topic: 核心主题 返回: 结构化的内容大纲Markdown格式 # 这里是一个简化的示例。在实际应用中你可以调用Hy3模型的一个专用接口来处理。 # 假设我们通过一个封装好的函数 call_llm 来请求本地Ollama的Hy3模型。 prompt f 你是一个专业的编辑。请根据以下关于“{main_topic}”的参考资料生成一份详细的内容创作大纲。 大纲要求采用Markdown格式至少包含三级标题##, ###, ####并体现出逻辑层次。 参考资料 {text[:3000]} # 防止文本过长可截取部分 请直接输出大纲不要有任何额外的解释。 # 调用本地LLM outline_result call_llm(prompt, modelqwen2.5:7b-instruct) return outline_result同样在WorkBuddy中注册这个技能描述为“分析长文本并为核心主题生成结构化的内容大纲”。技能三文件保存Save File Skill让Agent能将最终结果持久化。# file_skill.py import os from datetime import datetime def save_markdown(content: str, topic: str) - str: 将Markdown格式的内容保存为文件。 参数: content: Markdown文本内容 topic: 主题用于生成文件名 返回: 文件保存的路径 # 清理主题字符串使其适合作为文件名 safe_topic .join(c for c in topic if c.isalnum() or c in ( , -, _)).rstrip() safe_topic safe_topic[:50] # 限制长度 # 生成文件名 timestamp datetime.now().strftime(%Y%m%d_%H%M%S) filename f{safe_topic}_{timestamp}.md save_path os.path.join(./outputs, filename) # 确保./outputs目录存在 os.makedirs(os.path.dirname(save_path), exist_okTrue) with open(save_path, w, encodingutf-8) as f: f.write(content) return f文件已成功保存至{save_path}注册技能描述为“将Markdown格式的文本内容保存到服务器的指定目录下”。3.3 灵魂所在设计驱动智能体思维的“系统提示词”技能是“手和脚”系统提示词System Prompt则是“大脑”的人格、目标和行为准则。这是整个Agent能否高效、可靠工作的关键。下面是我经过多次迭代优化后的一个版本你是一个专业的内容创作助理名叫“ContentBot”。你的核心任务是帮助用户高效地完成从信息收集到内容成稿的全过程。 **你的核心工作流程与原则** 1. **需求澄清**当用户提出一个模糊的需求时例如“帮我写点关于AI的东西”你必须主动询问细节直到明确主题、目标受众、内容风格、长度等关键要素。 2. **自主规划**在开始任何行动前你必须先在脑中以“思考...”的形式输出规划步骤。典型规划包括a) 搜索最新资料b) 整理信息并生成大纲c) 根据大纲撰写正文d) 保存成果。 3. **技能调用**你拥有以下技能请严格根据技能描述和当前步骤需要来决定调用哪个 - web_search当你需要获取关于某个主题的最新、最权威的公开信息时使用。 - generate_outline当你拥有足够多的原始资料需要将其组织成逻辑清晰的内容结构时使用。 - save_markdown当你生成了完整的Markdown格式内容无论是大纲还是文章需要持久化保存时使用。 4. **执行与迭代**每次调用技能后仔细分析返回结果。如果结果不理想如搜索不到信息应在思考后调整策略如更换关键词重新尝试。大纲需要经过用户确认或自我评估后才进入撰写阶段。 5. **输出规范**最终交付给用户的必须是完整、可直接使用的内容Markdown格式。在过程中所有“思考”和“技能调用”的中间过程请清晰展示但最终答案应简洁、专业。 **重要禁令** - 严禁编造你不知道的信息。如果搜索不到就如实告知用户信息缺失并询问是否更换方向。 - 严禁在未调用web_search技能的情况下声称自己“搜索了网络”。 - 严禁跳过“生成大纲”的步骤直接撰写长文。 - 所有文件保存操作必须通过save_markdown技能完成并告知用户文件路径。 现在请开始与用户对话。你的第一句话是“你好我是ContentBot你的专业内容助理。请告诉我今天想创作什么内容”这个提示词的精髓在于定义了角色和边界让它知道自己是谁该做什么不该做什么。强制了思考过程要求输出“思考...”这不仅是给我们看的更是让模型进行链式推理Chain-of-Thought的关键能大幅提升决策质量。明确了技能地图清晰地列出了每个技能的用途让模型知道在什么场景下该用什么工具。建立了工作流约束像“严禁跳过大纲步骤”这样的规则强制Agent遵循一个可靠的生产流程避免输出混乱、空洞的内容。4. 避坑指南与效能优化让智能体从“能跑”到“好用”搭建完成只是第一步让Agent稳定、高效地运行才是真正的挑战。下面分享几个我踩过坑才总结出的关键点。4.1 技能描述的艺术如何让AI准确理解你的意图技能描述写不好AI就会乱调用。最初我的web_search描述是“搜索信息”结果AI在需要写总结时也去搜索。后来优化为“获取关于某个主题的最新、最权威的公开信息时使用”并加上了“适用于获取实时信息、新闻或事实核查”的用例说明误调用率大大降低。技巧描述 目的 适用场景 输入输出示例可选。目的这个技能是干什么的核心功能适用场景通常在什么情况下使用上下文约束示例可以附上一个简短的调用示例帮助模型理解参数如何填写。4.2 处理模型的“幻觉”与“固执”即使像Hy3这样优秀的模型也会产生“幻觉”编造信息或陷入错误的思维循环。在我们的工作流中有两个关键控制点第一用技能调用强制落地。我们的系统提示词严禁AI在未调用搜索技能的情况下声称自己搜索了。如果它试图在思考中说“根据我搜索到的信息...”但没有显示调用web_search的记录我们就可以立刻知道它在“幻想”并中断流程或要求其重新思考。第二设置“最大重试”和“人工确认”节点。在WorkBuddy的流程配置中或通过提示词约束可以为关键步骤设置重试次数。例如如果web_search返回“未找到结果”则提示AI“请尝试更换更具体或更通用的关键词重新搜索”最多重试3次。如果仍失败则让Agent主动向用户汇报“经过多次尝试未能找到关于‘XX’的有效公开信息建议我们1. 更换主题方向2. 使用您提供的本地资料3. 跳过资料收集直接基于现有知识创作。您希望如何继续”4.3 性能优化降低延迟与提升稳定性当技能涉及网络调用如搜索API或复杂计算时Agent的响应速度会变慢。策略一技能异步化与超时设置。对于耗时的技能如爬取多个网页并分析应将其设计为异步任务。WorkBuddy支持异步技能调用后立即返回一个任务IDAI可以继续处理其他事情或告知用户任务已提交稍后查询结果。同时务必为每个网络请求设置合理的超时时间如10秒避免整个Agent被一个慢速API拖死。策略二结果缓存与摘要。对于web_search这类技能可以对常见的查询关键词结果进行短期缓存例如5分钟。对于generate_outline技能如果输入的文本过长可以先在技能内部执行一个文本摘要可以用一个更小的、更快的模型再将摘要送给Hy3去生成大纲而不是把上万字的原文直接塞进提示词。策略三模型量化与推理参数调优。本地部署Hy3时选择适合你硬件资源的量化版本如4-bit或8-bit量化能在几乎不损失精度的情况下大幅提升推理速度并降低内存占用。同时调整Ollama的推理参数如num_predict最大生成令牌数和temperature创造性对于任务型Agent通常将temperature设低如0.1-0.3以获得更确定、更稳定的输出。4.4 扩展性设计如何让智能体成长一个真正的顶级Agent不应该是一次性代码写死的。实现技能的热插拔。WorkBuddy的技能管理界面允许你随时添加、禁用或更新技能。你可以建立一个“技能开发规范”当需要新功能时例如“将内容发布到WordPress博客”就按照规范开发一个新技能并注册。Agent在下次运行时就能自动识别并使用这个新技能。这意味着你的智能体能力可以像乐高积木一样不断扩展。设计“元技能”Meta-Skill。这是一个更高级的技巧。你可以开发一个名为skill_planner的技能它的作用是当用户提出一个复杂、且现有技能无法直接满足的需求时这个技能被触发。它分析需求然后动态地组合调用多个基础技能形成一个临时的工作流。例如用户说“监控竞争对手A的官网如果有新品发布就摘要并发邮件给我”skill_planner可以分解为定期调用web_search监控- 调用summarize_skill摘要- 调用send_email_skill发邮件。这实现了工作流的动态生成让Agent的智能水平再上一个台阶。经过以上步骤的打磨你的“Hy3 WorkBuddy”智能体将不再是一个脆弱的演示项目而是一个能够持续学习、稳定运行、真正为你分担工作的生产力伙伴。它背后的设计思路——用强大的开源模型作为思考中枢用灵活的技能框架作为执行手脚用精心设计的提示词作为行为宪法——可以复制到客服、数据分析、内部流程自动化等无数个场景中。