基于LangGraph构建上下文感知AI智能体：从Arcads Mark看工作流集成

如果你在 Slack 里和同事讨论一个新产品，聊到一半，突然需要一张广告图，你会怎么做？

大概率是：暂停对话，打开设计工具，或者去求设计同事，描述需求，等待，再回来继续聊。这个打断，不仅消耗时间，更打断了协作的“心流”。

最近，一个叫Arcads Mark的 AI 工具正式入驻 Slack，它想解决的就是这个“打断”问题。它不是一个独立的设计平台，而是一个直接嵌入在 Slack 对话中的“广告生成智能体”。你不需要离开 Slack，在对话的上下文里，直接告诉它你的想法，它就能生成对应的广告素材。

听起来很酷，但这件事真的只是“在 Slack 里多了个画图机器人”那么简单吗？我认为，Arcads Mark 入驻 Slack 的真正价值，不在于“生成广告”，而在于它首次将“内容创作”无缝融入了“团队协作”的核心工作流。它模糊了“沟通”与“执行”的边界，让 AI 智能体从一个需要被“调用”的工具，变成了一个随时待命的“协作者”。

对于开发者、产品经理和运营同学来说，这意味着什么？它背后依赖的“对话上下文”理解能力，对构建企业级 AI 应用又有哪些启发？更重要的是，我们能否借鉴其思路，在自己的项目中实现类似的“上下文感知”自动化能力？

本文将深入拆解 Arcads Mark 的技术逻辑，并基于其理念，手把手带你用主流的 AI 开发框架（如 LangChain/LangGraph）构建一个简化版的、能理解对话上下文的本地 AI 智能体。你会发现，智能体开发的核心，已经从“功能实现”转向了“工作流集成”。

1. Arcads Mark 解决了什么真问题？

在讨论技术之前，我们必须先厘清痛点。传统的广告素材生产流程存在几个明显的断层：

1. 需求产生与传递断层：创意往往诞生于即时讨论（Slack/Teams/飞书）。将模糊的讨论语言（“我们要一个突出夜间模式省电特性的Banner”）转化为精确的设计需求文档（PRD），本身就有信息损耗。
2. 工具切换成本断层：从沟通工具切换到设计工具（Figma、Canva），再到文件传输、审核、修改，流程冗长。对于需要快速测试创意的增长团队，这种延迟是致命的。
3. 上下文丢失断层：设计师拿到的是一份孤立的 PRD，他看不到之前讨论中的那些“感觉不对”、“类似XX竞品但更活泼”的微妙语境，导致成品需要多轮修改。

Arcads Mark 的切入点，正是这些“断层”。它没有试图取代专业设计师或复杂的 Figma，而是瞄准了“快速原型”、“即时可视化”和“共识达成”这个场景。它的目标用户不是设计师，而是产品经理、运营、市场和开发者——那些需要快速把想法变成可视物来推动讨论的人。

它的核心判断是：最高效的需求传递，不是文档，而是基于当前对话语境，即时生成的、可交互的视觉草案。这本质上是一种“对话式设计”（Conversational Design）。

2. 核心概念：什么是“对话上下文”驱动的 AI 智能体？

要理解 Arcads Mark，必须理解两个关键概念：AI 智能体和对话上下文。

2.1 AI 智能体：从工具到协作者

AI 智能体（AI Agent）不是简单的聊天机器人。你可以把它理解为一个具备一定自主性的数字员工。它通常包含几个核心模块：

• 感知：理解用户的输入（文本、文件等）。
• 规划：分析目标，拆解为一系列可执行的步骤。
• 执行：调用各种工具（Tools/Skills）来完成步骤，比如调用图像生成 API、搜索网络、读写数据库。
• 记忆：保存对话历史和执行结果，用于后续决策。

传统的 AI 工具是“你问我答”，而智能体是“你提需求，我负责搞定全过程”。Arcads Mark 就是一个专精于广告生成的垂直领域智能体。

2.2 对话上下文：智能体的“工作记忆”

“对话上下文”是智能体理解当前任务背景的关键。在 Slack 中，上下文不仅仅是当前的一句话，而是：

• 当前消息：用户的直接指令。
• 历史消息：这个频道或私聊中之前的对话。
• 提及的文件/链接：用户可能上传了参考图或产品文档。
• 线程回复：智能体可能在一个复杂的讨论线程中被@。

例如，在长达 50 条消息的产品讨论中，有人 @Arcads Mark 说：“基于我们刚才说的，做一个强调‘极速启动’的广告图。” 智能体需要回溯之前的 49 条消息，理解“刚才说的”具体指什么（可能是关于新版 App 启动速度优化了 200%），以及“极速启动”这个关键词应该如何视觉化。

技术上的挑战在于“上下文长度”和“信息提取”。大模型（LLM）有上下文窗口限制，不能无脑把全部历史对话都塞进去。这就需要“上下文压缩”或“摘要”技术，只提取与当前任务最相关的片段。这正是网络热词中提到的deepseek harness 上下文压缩:长对话管理所涉及的技术。

3. 环境准备：构建本地 AI 智能体的技术栈

在深入 Arcads Mark 的仿建之前，我们先搭建一个可以实验的本地环境。我们将使用LangGraph来构建智能体的工作流，用Ollama本地运行开源大模型，用Chainlit或Gradio构建一个简单的聊天界面来模拟 Slack 的交互。

为什么选这个技术栈？

• LangGraph：来自 LangChain 团队，专门用于构建有状态、多步骤的智能体工作流，比单纯的 LangChain Expression Language 更适合复杂逻辑。
• Ollama：轻松在本地运行 Llama 3、Mistral 等开源模型，隐私安全，成本可控，适合学习和原型开发。
• 本地运行：完全掌控数据和流程，符合企业级安全合规的初始要求（呼应了热词中的golang实现企业级ai智能体安全合规自动化检测系统所关注的点）。

3.1 基础环境与安装

确保你的系统已安装 Python (>=3.9)。

# 1. 创建并进入项目目录 mkdir slack-ai-agent-demo && cd slack-ai-agent-demo # 2. 创建虚拟环境（推荐） python -m venv venv # Windows 激活 venv\Scripts\activate # macOS/Linux 激活 source venv/bin/activate # 3. 安装核心依赖 pip install langgraph langchain langchain-community chainlit ollama # 如果需要图像生成，我们使用稳定性AI的SDXL（需API Key，此处用本地替代方案演示） pip install requests pillow

3.2 启动 Ollama 并拉取模型

Ollama 需要单独安装并运行在后台。

# 前往 Ollama 官网 (https://ollama.com) 下载并安装对应系统的客户端。 # 安装后，在终端拉取一个轻量级但能力不错的模型，如 Llama 3.1 8B ollama pull llama3.1:8b # 运行模型服务（通常安装后会自动运行服务） # 检查服务是否运行 curl http://localhost:11434/api/generate -d '{ "model": "llama3.1:8b", "prompt": "Hello" }'

如果返回一段 JSON 格式的生成文本，说明 Ollama 服务运行正常。

4. 核心流程拆解：构建一个上下文感知的广告生成智能体

我们要构建的智能体，其核心工作流程如下图所示（用文字描述）：

1. 触发：在聊天界面中，用户输入指令，如“为我们的新产品‘闪电笔记’做一个广告图，主题是快”。
2. 上下文加载：智能体不仅读取当前指令，还自动加载最近的 N 条历史对话（模拟 Slack 上下文）。
3. 意图分析与规划：LLM 分析指令和历史，判断用户需要“生成广告图”，并提取关键要素：产品名、主题、风格要求、可能的尺寸。
4. 工具调用：智能体调用两个工具：
   • search_web：如果指令模糊（如“做一个像苹果风格那样的”），则搜索相关参考信息。
   • generate_image：使用图像生成模型，结合提炼出的提示词生成图片。
5. 响应与记忆：将生成的图片返回给用户，并将本次交互的关键信息（用户指令、生成的图片描述、工具调用记录）存入“记忆”中，供后续对话使用。

4.1 步骤一：定义智能体的“记忆” - 对话历史管理

这是实现“上下文感知”的基石。我们将使用 LangGraph 的StateGraph和MessagesState来管理状态。

# file: agent_memory.py from typing import Annotated, List, Dict, Any from typing_extensions import TypedDict from langgraph.graph.message import add_messages import operator # 定义智能体的状态结构 class AgentState(TypedDict): # 存储完整的对话消息历史 messages: Annotated[List[Dict], add_messages] # 存储从历史中提取的、与当前任务相关的产品/项目信息 project_context: str # 存储本次运行中工具调用的结果 tool_outputs: List[str] # 最终生成的图像 URL 或路径 generated_image_url: str # 这是一个简化版。在实际的 Slack 集成中，`messages` 的初始化需要从 Slack API 获取真实的对话历史。

4.2 步骤二：定义智能体的“工具”

工具是智能体能力的外延。我们先定义两个基础工具。

# file: agent_tools.py import requests import json from langchain.tools import tool from langchain_community.utilities import SerpAPIWrapper import os # 工具1：网络搜索（用于获取最新信息或参考风格） # 注意：需要 SERPAPI_API_KEY 环境变量。你也可以替换为其他搜索API。 @tool def search_web(query: str) -> str: """当用户指令需要实时信息或风格参考时，使用此工具搜索网络。""" try: search = SerpAPIWrapper() result = search.run(query) return result[:500] # 限制返回长度 except Exception as e: return f"搜索失败: {e}. 请确保已设置 SERPAPI_API_KEY 环境变量。" # 工具2：图像生成（模拟 Arcads Mark 的核心功能） # 此处为演示，我们调用一个免费的、无需KEY的在线API（例如 Hugging Face Inference API）。 # 生产环境应使用 Stability AI, DALL-E, 或本地部署的 Stable Diffusion。 @tool def generate_image(prompt: str, style: str = "digital art") -> str: """根据文本提示词生成广告图像。返回图像的URL或保存路径。""" # 这里是模拟代码。实际使用需要替换为真实的图像生成API调用。 # 示例：使用 Hugging Face 的 SDXL 模型（需要 Token） # HF_API_TOKEN = os.getenv("HF_TOKEN") # API_URL = "https://api-inference.huggingface.co/models/stabilityai/stable-diffusion-xl-base-1.0" # headers = {"Authorization": f"Bearer {HF_API_TOKEN}"} # response = requests.post(API_URL, headers=headers, json={"inputs": prompt}) # image_url = ... 处理响应，上传到图床或保存本地，返回可访问URL print(f"[模拟] 正在生成图像，提示词: '{prompt}', 风格: {style}") # 模拟生成，返回一个占位图URL placeholder_url = f"https://via.placeholder.com/800x400/4A90E2/FFFFFF?text={prompt.replace(' ', '+')}" return placeholder_url # 将工具包装成列表，供智能体使用 tools = [search_web, generate_image]

4.3 步骤三：构建智能体的“大脑” - LLM 与函数调用

我们需要让 LLM 学会在适当的时候选择调用哪个工具。这通过bind_tools和ToolNode实现。

# file: agent_brain.py from langchain_community.chat_models import ChatOllama from langchain.tools.render import format_tool_to_openai_function from langchain.agents import AgentExecutor, create_openai_functions_agent from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langgraph.prebuilt import ToolExecutor, ToolInvocation # 1. 连接本地 Ollama 的 LLM llm = ChatOllama(model="llama3.1:8b", temperature=0.2) # 为 LLM 绑定工具，使其知道有哪些工具可用 llm_with_tools = llm.bind_tools(tools) # 2. 定义提示词模板，这是指导智能体行为的关键 prompt = ChatPromptTemplate.from_messages([ ("system", """你是一个专业的广告素材生成助手，名为“Mark”。 你的核心能力是理解对话上下文，并生成符合需求的广告图像。 用户可能在讨论产品的任何细节。你的任务是： 1. 仔细分析当前用户指令和最近的对话历史。 2. 提取与广告生成相关的关键信息：产品名称、核心卖点、目标受众、视觉风格偏好（如“科技感”、“温馨”、“炫酷”）、尺寸要求。 3. 如果信息不足（比如不知道产品长什么样，或不清楚某种风格的具体表现），可以谨慎地使用搜索工具查询。 4. 最后，调用图像生成工具，生成符合要求的广告图。 请用中文与用户交流，并保持友好、专业的口吻。 """), MessagesPlaceholder(variable_name="messages"), # 这里会自动注入历史消息 ]) # 3. 创建工具执行器 tool_executor = ToolExecutor(tools)

4.4 步骤四：用 LangGraph 编排工作流

这是最核心的部分，我们将智能体的决策循环用图（Graph）的形式定义出来。

# file: agent_graph.py from langgraph.graph import StateGraph, END from langgraph.prebuilt import tools_condition from .agent_memory import AgentState from .agent_brain import llm_with_tools, prompt, tool_executor from langchain_core.messages import AIMessage, ToolMessage # 定义节点函数 def agent_node(state: AgentState): """智能体决策节点：分析状态，决定下一步是回复还是调用工具。""" # 1. 根据当前状态（包含历史消息）生成提示词 formatted_prompt = prompt.invoke({"messages": state["messages"]}) # 2. 让绑定了工具的LLM进行预测 response = llm_with_tools.invoke(formatted_prompt) # 3. 将LLM的响应（可能是普通消息，也可能是工具调用请求）添加到消息历史中 state["messages"].append(response) return {"messages": [response]} # 返回更新后的消息部分 def tool_node(state: AgentState): """工具执行节点：执行LLM要求的工具调用。""" last_message = state["messages"][-1] tool_calls = last_message.tool_calls # 获取LLM想要调用的工具列表 tool_outputs = [] for tool_call in tool_calls: # 执行每一个工具调用 result = tool_executor.invoke(tool_call) # 将工具执行结果封装成 ToolMessage tool_outputs.append(ToolMessage(content=str(result), tool_call_id=tool_call['id'])) # 将工具执行结果也加入消息历史 state["messages"].extend(tool_outputs) return {"tool_outputs": tool_outputs, "messages": tool_outputs} # 构建工作流图 workflow = StateGraph(AgentState) # 添加节点 workflow.add_node("agent", agent_node) workflow.add_node("tools", tool_node) # 设置入口点 workflow.set_entry_point("agent") # 定义边：根据LLM的输出来决定下一步去哪 # `tools_condition` 是一个内置函数，它会检查最后一个消息是否包含工具调用。 workflow.add_conditional_edges( "agent", tools_condition, # 如果调用了工具，就去“tools”节点 { "tools": "tools", # 条件为真，去工具节点 "end": END # 条件为假，直接结束 } ) # 从工具节点执行完后，总是回到智能体节点进行下一步决策 workflow.add_edge("tools", "agent") # 编译图 app = workflow.compile()

5. 完整示例：运行你的上下文感知广告生成智能体

现在，我们将所有部分组合起来，并模拟一个 Slack 中的多轮对话场景。

# file: main.py from agent_graph import app from agent_memory import AgentState from langchain_core.messages import HumanMessage import json def run_agent_conversation(): """模拟一个完整的对话流程""" # 初始化状态，模拟一些历史对话上下文 initial_state: AgentState = { "messages": [ HumanMessage(content="我们下周要上线的新功能叫‘AI 会议纪要’，能自动总结会议要点。"), HumanMessage(content="对，这个功能的目标用户是忙碌的职场人和项目经理。"), HumanMessage(content="我们需要一些预热宣传素材。"), # 最新的用户指令 ], "project_context": "产品：AI 会议纪要；用户：职场人/项目经理；阶段：预热宣传", "tool_outputs": [], "generated_image_url": "" } print("=== 对话历史（上下文）===") for msg in initial_state["messages"]: print(f"{msg.type}: {msg.content}") # 用户发出新指令，这个指令依赖于上文 new_user_input = "基于我们刚才讨论的，做一个突出‘自动总结、节省时间’这个卖点的广告横幅，要有点科技感。" print(f"\n=== 用户新指令 ===") print(new_user_input) # 将新指令加入状态 initial_state["messages"].append(HumanMessage(content=new_user_input)) # 运行编译好的智能体工作流 print("\n=== 智能体开始工作... ===") final_state = app.invoke(initial_state) print("\n=== 最终对话记录 ===") for msg in final_state["messages"]: if hasattr(msg, 'tool_calls') and msg.tool_calls: print(f"AI (工具调用): {msg.tool_calls}") elif msg.type == 'tool': print(f"工具结果: {msg.content[:100]}...") # 截断显示 else: print(f"{msg.type}: {msg.content}") # 提取生成的图片URL for msg in reversed(final_state["messages"]): if msg.type == 'tool' and 'placeholder.com' in msg.content: print(f"\n✅ 广告图已生成！访问链接: {msg.content}") break if __name__ == "__main__": run_agent_conversation()

运行这个脚本：

python main.py

预期输出示例：

=== 对话历史（上下文）=== human: 我们下周要上线的新功能叫‘AI 会议纪要’，能自动总结会议要点。 human: 对，这个功能的目标用户是忙碌的职场人和项目经理。 human: 我们需要一些预热宣传素材。 === 用户新指令 === 基于我们刚才讨论的，做一个突出‘自动总结、节省时间’这个卖点的广告横幅，要有点科技感。 === 智能体开始工作... === [模拟] 正在生成图像，提示词: 'A tech-style advertising banner for "AI Meeting Minutes" product. The slogan is "Auto-Summarize, Save Time". The style is sleek, modern, with blue and white color scheme, targeting busy professionals and project managers. The banner should highlight efficiency and technology.', 风格: digital art === 最终对话记录 === human: 我们下周要上线的新功能叫‘AI 会议纪要’，能自动总结会议要点。 human: 对，这个功能的目标用户是忙碌的职场人和项目经理。 human: 我们需要一些预热宣传素材。 human: 基于我们刚才讨论的，做一个突出‘自动总结、节省时间’这个卖点的广告横幅，要有点科技感。 AI (工具调用): [{'name': 'generate_image', 'args': {'prompt': 'A tech-style advertising banner...', 'style': 'digital art'}, 'id': '...'}] 工具结果: https://via.placeholder.com/800x400/4A90E2/FFFFFF?text=A+tech-style+advertising+banner... ✅ 广告图已生成！访问链接: https://via.placeholder.com/800x400/4A90E2/FFFFFF?text=A+tech-style+advertising+banner...

6. 运行结果与效果验证

运行上述代码，你应该能看到智能体完整的工作流程：

1. 加载上下文：它读取了三条历史消息，理解了产品是“AI 会议纪要”，用户是“职场人/项目经理”，当前阶段是“预热宣传”。
2. 理解与规划：LLM 分析了新指令“基于刚才讨论的...”，成功将“刚才讨论的”关联到历史上下文，并提取出关键要素：产品名、卖点（自动总结、节省时间）、风格（科技感）、格式（横幅）。
3. 工具调用：智能体决定直接调用generate_image工具，并组合生成了一个非常详细的英文提示词（因为底层图像模型对英文理解更好）。提示词中包含了从上下文中提炼的所有关键信息。
4. 返回结果：工具执行后，返回了一个图像 URL（示例中是占位图，真实情况是生成的广告图）。

如何验证成功？

• 上下文理解验证：尝试修改历史对话，比如把产品名改成“智能笔记”，再发出同样的指令。观察生成的提示词是否包含了“智能笔记”。
• 工具选择验证：将用户指令改为“科技感具体指什么风格？搜一下看看”。观察智能体是否会先调用search_web工具。
• 多轮对话验证：在生成图片后，继续追加指令“背景换成深色系”，看智能体是否能基于之前的对话，理解这是对同一张图的修改要求，并再次调用图像生成工具。

7. 常见问题与排查思路

在构建和运行此类智能体时，你可能会遇到以下问题：

问题现象	可能原因	排查方式	解决方案
Ollama 服务调用失败，连接被拒绝	Ollama 服务未启动或端口被占用	在终端执行ollama list或curl http://localhost:11434/api/tags	1. 启动 Ollama 应用。 2. 检查端口11434是否被其他进程占用。
LLM 无法理解指令，总是回复“我不明白”而不是调用工具	1. 提示词（System Prompt）不够清晰。 2. 模型能力不足。 3. 工具绑定不正确。	1. 检查prompt中的 system message 是否明确赋予了调用工具的职责。 2. 尝试在调用bind_tools后，打印llm_with_tools.get_tools()查看工具是否绑定成功。 3. 换用更强的模型（如llama3.1:70b或qwen2.5:72b）。	1. 优化提示词，明确使用“你可以调用XX工具来做XX事”的句式。 2. 确保@tool装饰器正确使用，函数有文档字符串（docstring）。 3. 升级模型或使用 GPT-4 等更强大的模型进行原型验证。
智能体陷入死循环，不停调用工具	图（Graph）的条件边（conditional edges）逻辑有误，或工具返回的结果无法让LLM结束任务。	1. 打印每一轮的状态和消息，观察LLM的决策。 2. 检查tools_condition的逻辑。	1. 在提示词中明确告诉LLM“生成图片后任务就结束了”。 2. 自定义条件边逻辑，例如检查是否已生成图片URL，如果是则直接走向END。
生成的图片提示词质量差，与上下文无关	1. LLM 未能有效提取上下文信息。 2. 历史消息传递方式有问题。	1. 检查传入prompt的messages是否包含了完整的历史。 2. 在agent_node中打印formatted_prompt的内容，看历史是否被正确格式化。	1. 使用“上下文压缩”技术，如果历史太长，先让LLM对历史进行摘要，再将摘要和当前指令一起处理。 2. 在提示词中更强调“请仔细参考之前的对话”。
无法处理中文指令或生成中文提示词	模型本身对中文支持不佳，或提示词引导不够。	测试模型纯中文对话能力。	1. 使用专门优化过中文的模型，如qwen2.5系列。 2. 在 system prompt 中明确要求“请用中文思考，但为图像生成模型生成英文提示词”。

8. 最佳实践与工程建议

将这样一个原型智能体升级为可用于生产环境的系统（类似 Arcads Mark），还需要考虑很多工程问题：

1. 上下文管理与压缩：

   • 问题：Slack 频道历史可能长达千条，无法全部放入 LLM 上下文窗口。
   • 方案：实现一个“上下文检索器”。将历史对话向量化存储，当新消息到来时，只检索最相关的若干条片段，而非全部历史。这正是deepseek harness等库解决的问题。

2. 工具生态与安全性：

   • 问题：智能体能调用哪些工具？如何防止滥用？
   • 方案：建立严格的工具权限体系。像golang实现企业级ai智能体安全合规自动化检测系统所关注的，需要对工具调用进行审计、鉴权和内容过滤。例如，图像生成工具可能需要审核提示词是否合规。

3. 状态持久化与多用户会话：

   • 问题：如何为 Slack 上成千上万个不同的对话线程维护独立的状态？
   • 方案：使用数据库（如 Redis）存储AgentState，以(team_id, channel_id, thread_ts)为键。每次交互时加载状态，处理后再保存。

4. 异步与性能：

   • 问题：图像生成和网络搜索可能是慢操作，会阻塞 Slack 的响应。
   • 方案：采用异步处理。当收到复杂请求时，智能体先回复“正在处理...”，然后在后台执行任务，完成后通过 Slack 的response_url或消息更新功能发送结果。

5. 提示词工程与版本管理：

   • 问题：如何优化提示词效果并管理不同版本？
   • 方案：将提示词模板化、外部化（如存储在数据库或配置文件中）。使用 A/B 测试框架来评估不同提示词版本的效果，并实现灰度发布。

6. 错误处理与用户体验：

   • 问题：工具调用失败或 LLM 输出混乱时，如何优雅降级？
   • 方案：为每个工具调用设置重试机制和超时。在智能体工作流中增加“人工审核”或“默认回复”节点。记录完整的执行日志，便于排查。

9. 总结与后续学习方向

Arcads Mark 入驻 Slack，给我们展示的不仅仅是一个新工具，而是一种新的软件交互范式：AI 智能体深度融入现有工作流，成为沉默的、上下文感知的协作者。对于开发者而言，构建这样的智能体，技术难点已从“如何调 API”转变为“如何设计一个稳定、安全、高效并能理解复杂上下文的工作流系统”。

通过本文的实践，我们完成了一个最小可行产品（MVP）：

• 理解了AI 智能体的核心组件：记忆、规划、工具使用。
• 掌握了使用LangGraph构建有状态工作流的方法。
• 实现了对话上下文的初步利用，让智能体基于历史对话做出决策。
• 模拟了工具调用的完整流程。

如果你想继续深入，可以从以下几个方向探索：

1. 替换真实的图像生成 API：将generate_image工具替换为 Stability AI、OpenAI DALL-E 或 Midjourney 的 API，生成真实的广告图。
2. 集成真实的 Slack：使用 Slack Bolt 框架，将你的智能体部署为一个真正的 Slack App，处理真实的@mention事件。
3. 实现高级上下文管理：集成向量数据库（如 Chroma, Weaviate），为智能体配备长期记忆和精准检索能力。
4. 开发更多“技能”：参考人工智能skills怎么安装到ai智能体上这个思路，将智能体能力模块化。除了生成图片，还可以开发“写广告文案”、“分析竞品广告”、“生成A/B测试方案”等技能，让智能体真正成为一个多面手。

智能体开发的浪潮已经到来，它正在从演示走向生产。掌握其核心架构与工程实践，意味着你不仅能使用像 Arcads Mark 这样的优秀工具，更能亲手打造属于自己团队和业务的“数字协作者”。