基于DeepSeek API构建AI毒舌投资人Agent：从商业点子验证到工程实现

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度

最近在探索副业变现时，我发现很多朋友（包括我自己）都面临一个困境：手头有不错的点子，但要么缺乏启动资金，要么对商业逻辑一知半解，要么就是被“投资人”的温和反馈给“捧杀”了。一个想法，如果没人能一针见血地指出它的致命缺陷，那它大概率会倒在从想法到产品的半路上。

于是，我萌生了一个想法：能不能用 AI 做一个“毒舌投资人”？它不跟你谈情怀，只跟你聊数据、聊模式、聊风险，用最犀利的提问和逻辑，帮你把副业想法“逼”成一个真正能赚钱的方案。经过一番折腾，我基于 DeepSeek 的 API 和 Agent 框架，真的把这个“AI 毒舌投资人”给做出来了。它不仅会无情地拷问你的商业计划，还能调用联网搜索、分析市场数据，甚至帮你生成初步的代码框架。

本文将手把手带你从零开始，搭建一个属于你自己的“AI 毒舌投资人”Agent。无论你是想验证自己的副业点子，还是学习如何构建一个实用的 AI Agent，这篇文章都能给你一套完整的、可运行的代码和清晰的实现思路。我们将使用 Python、FastAPI，并深度集成 DeepSeek 的强大推理能力。

1. 项目核心概念与价值：为什么需要“毒舌投资人”？

在深入代码之前，我们首先要理解这个项目的核心价值。它不仅仅是一个聊天机器人，更是一个结构化的商业分析工具。

1.1 传统副业验证的痛点

很多开发者或创业者验证想法的方式很原始：找朋友聊聊、发个帖子问问、或者自己埋头就干。这通常会导致几个问题：

1. 信息茧房：朋友往往出于情面给予鼓励，缺乏客观批判。
2. 认知局限：个人对市场、竞品、商业模式的理解可能不全面。
3. 效率低下：手动搜集资料、分析数据耗时耗力，容易半途而废。
4. 缺乏系统性：思考是发散的，很难形成一个逻辑严密、可执行的商业计划。

1.2 “AI 毒舌投资人”的解决方案

我们的 AI Agent 旨在模拟一个经验丰富、言辞犀利、只关注投资回报率的真实投资人。它的核心工作模式是：

• 结构化提问：按照标准的商业计划书框架（如市场分析、用户画像、盈利模式、成本结构、风险控制）进行系统性提问。
• 批判性思维：不满足于表面答案，会持续追问“为什么”、“数据支撑是什么”、“你的壁垒在哪里”。
• 实时数据支持：通过联网搜索工具，获取最新的市场趋势、竞品信息、用户反馈，让分析基于事实而非空想。
• 可行性推演：帮助估算启动成本、预测现金流、分析关键成功因素和失败风险。
• 行动建议生成：在“拷问”结束后，能生成一份包含后续步骤、资源清单和风险提示的行动备忘录。

1.3 技术核心：DeepSeek Agent + 工具调用

本项目不是简单的 Prompt 工程，而是构建一个真正的AI Agent。Agent 的核心能力是“思考-行动-观察”的循环。我们将利用 DeepSeek-V4 模型强大的深度思考和推理能力，并结合Tool Calls（工具调用）功能，让 AI 能够主动使用联网搜索等工具来获取信息，从而做出更精准的判断。DeepSeek 官方提供了完善的 Agent 接入指南和像 Deep Code 这样的优秀示例，为我们构建复杂 Agent 提供了坚实基础。

2. 环境准备与核心技术栈

在开始编码前，请确保你的开发环境已就绪。本项目对新手友好，主要依赖 Python 生态。

2.1 基础环境要求

• 操作系统：Windows 10/11, macOS, 或 Linux (如 Ubuntu 20.04+)。本文示例在 macOS/Linux 环境下编写，Windows 用户请注意命令的微小差异（如使用dir而非ls）。
• Python：版本 3.8 或更高。推荐使用 3.9+ 以获得最佳兼容性。
• 包管理工具：pip(Python 自带)。
• 代码编辑器：VS Code (推荐，配合 Python 插件)、PyCharm 或任何你熟悉的编辑器。
• DeepSeek API Key：这是项目的核心。你需要前往 DeepSeek 开放平台 注册账号并获取 API Key。请妥善保管，不要泄露。

2.2 核心依赖库

我们将使用以下 Python 库：

• openai：用于调用 DeepSeek API（因为 DeepSeek API 与 OpenAI API 格式兼容）。
• fastapi&uvicorn：用于构建一个简单的 Web 服务接口，方便我们通过浏览器或脚本与 Agent 交互。
• pydantic：用于数据验证和设置管理。
• python-dotenv：用于管理环境变量，安全地存储 API Key。
• requests：用于实现简单的联网搜索工具（示例）。

你可以通过以下命令一次性安装所有依赖：

# 创建并进入项目目录 mkdir ai-tough-investor && cd ai-tough-investor # 创建虚拟环境（推荐，避免包冲突） python -m venv venv # 激活虚拟环境 # macOS/Linux: source venv/bin/activate # Windows: # venv\Scripts\activate # 安装依赖 pip install openai fastapi uvicorn pydantic python-dotenv requests

2.3 项目结构预览

我们先规划好项目目录，这有助于保持代码清晰：

ai-tough-investor/ ├── .env # 存储环境变量（API Key等） ├── .gitignore # Git忽略文件 ├── app/ │ ├── __init__.py │ ├── main.py # FastAPI 应用主入口 │ ├── agents/ │ │ ├── __init__.py │ │ └── tough_investor.py # “毒舌投资人”Agent核心逻辑 │ ├── tools/ │ │ ├── __init__.py │ │ └── web_search.py # 联网搜索工具实现 │ ├── config.py # 配置管理 │ └── schemas.py # 数据模型定义 ├── skills/ # 存放Agent Skills（高级功能，可选） │ └── business_analysis.md └── requirements.txt # 项目依赖列表

接下来，我们一步步填充这些文件。

3. 核心配置与 DeepSeek API 接入

首先，我们需要安全地配置 DeepSeek API 的访问凭证。

3.1 创建配置文件与环境变量

在项目根目录创建.env文件，并填入你的 DeepSeek API Key：

# .env DEEPSEEK_API_KEY=sk-your-actual-api-key-here DEEPSEEK_BASE_URL=https://api.deepseek.com DEEPSEEK_MODEL=deepseek-chat # 或 deepseek-v4-pro 等，根据你的权限选择

重要：务必把.env添加到.gitignore文件中，避免将密钥提交到代码仓库。

# .gitignore venv/ __pycache__/ *.pyc .env .DS_Store

3.2 实现配置管理模块

创建app/config.py文件，使用pydantic来优雅地加载和管理配置：

# app/config.py from pydantic_settings import BaseSettings from typing import Optional class Settings(BaseSettings): """应用配置类，从环境变量加载配置""" deepseek_api_key: str deepseek_base_url: str = "https://api.deepseek.com" deepseek_model: str = "deepseek-chat" # 你可以在这里添加其他配置，比如服务器端口、日志级别等 app_port: int = 8000 app_host: str = "0.0.0.0" class Config: env_file = ".env" # 指定从 .env 文件加载 env_file_encoding = 'utf-8' # 创建全局配置实例 settings = Settings()

注意：这里我们使用了pydantic-settings，如果你安装的是pydantic最新版（V2），它通常已包含。如果报错，可以运行pip install pydantic-settings单独安装。

3.3 初始化 DeepSeek 客户端

在app/main.py中，我们初始化 FastAPI 应用和 DeepSeek 客户端：

# app/main.py from fastapi import FastAPI, HTTPException from openai import OpenAI from app.config import settings import logging # 配置日志 logging.basicConfig(level=logging.INFO) logger = logging.getLogger(__name__) # 初始化 FastAPI 应用 app = FastAPI(title="AI Tough Investor API", description="一个毒舌的AI投资人助手") # 初始化 OpenAI 客户端（兼容DeepSeek API） # 注意：DeepSeek API 兼容 OpenAI SDK 的调用方式 client = OpenAI( api_key=settings.deepseek_api_key, base_url=settings.deepseek_base_url, ) @app.get("/") async def root(): return {"message": "AI Tough Investor 服务已启动", "status": "healthy"} @app.get("/health") async def health_check(): """健康检查端点""" return {"status": "up"}

至此，基础的服务框架和 API 配置就完成了。你可以运行uvicorn app.main:app --reload --host 0.0.0.0 --port 8000来启动服务，访问http://localhost:8000/docs可以看到自动生成的 API 文档。

4. 构建“毒舌投资人”Agent 核心逻辑

这是本项目最核心的部分。我们将创建一个具有“人格”和“专业能力”的 Agent。

4.1 定义 Agent 的系统指令（System Prompt）

系统指令决定了 AI 的行为模式。我们的“毒舌投资人”需要具备批判性、结构化思维和商业知识。在app/agents/tough_investor.py中，我们首先定义这个核心指令：

# app/agents/tough_investor.py import logging from typing import List, Dict, Any, Optional from openai import OpenAI from app.config import settings logger = logging.getLogger(__name__) # “毒舌投资人”的系统指令 TOUGH_INVESTOR_SYSTEM_PROMPT = """ 你是一个经验丰富、言辞犀利、以结果为导向的风险投资人。你的名字是“犀牛资本”的合伙人。 你的核心任务是帮助创业者（用户）打磨他们的副业或创业想法，但你不会说任何客套话。 你的风格是直接、尖锐、注重数据和逻辑，目标是找出想法的所有潜在漏洞和风险。 请遵循以下原则进行对话： 1. **结构化分析**：每次评估一个想法，请按照以下框架逐步深入： a. **价值主张**：一句话说清楚解决什么痛点，为谁解决。 b. **市场规模**：要求提供或估算目标市场的规模、增长趋势。质疑数据的来源。 c. **用户获取**：追问具体的获客渠道、成本和转化率预测。 d. **盈利模式**：收入从哪里来？定价策略？客户生命周期价值（LTV）是多少？ e. **成本结构**：启动和运营的主要成本是什么？边际成本如何？ f. **竞争壁垒**：你的护城河是什么？技术？网络效应？还是先发优势？ g. **关键风险**：列出最可能导致项目失败的3-5个风险。 2. **毒舌提问**：使用诸如“这想法烂大街了”、“你的数据是拍脑袋想的吗？”、“你凭什么觉得你能做成？”等尖锐但旨在激发深度思考的提问。避免温和的鼓励。 3. **要求证据**：对于任何主张（如“市场很大”、“用户喜欢”），要求提供数据、案例或逻辑推导证据。 4. **工具使用**：当你需要了解最新的市场信息、竞品动态或行业数据时，主动使用我提供的“联网搜索”工具。不要凭空臆测。 5. **输出结论**：在充分“拷问”后，给出一份简明的评估摘要，包括：可行性评分（1-10分）、最致命的短板、最优先要验证的假设、以及下一步行动建议。 现在，开始你的第一个项目评估。直接向用户提问：“说吧，你那个想赚钱的点子是什么？别啰嗦，直接说核心。” """

这个 Prompt 设定了 Agent 的角色、行为规范和交互框架，是“毒舌”灵魂所在。

4.2 实现基础的对话函数

接下来，我们实现一个函数，用于与 DeepSeek 模型进行对话，并支持简单的对话历史管理：

# app/agents/tough_investor.py (续) class ToughInvestorAgent: def __init__(self, client: OpenAI): self.client = client self.model = settings.deepseek_model # 初始化对话历史，包含系统指令 self.conversation_history: List[Dict[str, str]] = [ {"role": "system", "content": TOUGH_INVESTOR_SYSTEM_PROMPT} ] def _add_message(self, role: str, content: str): """向对话历史中添加消息""" self.conversation_history.append({"role": role, "content": content}) def get_response(self, user_input: str) -> str: """ 处理用户输入，获取AI回复。 这是基础版本，尚未集成工具调用。 """ # 1. 将用户输入加入历史 self._add_message("user", user_input) try: # 2. 调用DeepSeek API response = self.client.chat.completions.create( model=self.model, messages=self.conversation_history, temperature=0.7, # 适当温度，保持一定创造性 max_tokens=2000, stream=False, # 非流式，先简单实现 ) # 3. 提取AI回复 ai_response = response.choices[0].message.content # 4. 将AI回复加入历史 self._add_message("assistant", ai_response) logger.info(f"AI Response generated. Token usage: {response.usage}") return ai_response except Exception as e: logger.error(f"调用DeepSeek API失败: {e}") return f"抱歉，犀牛资本的分析系统暂时宕机了。错误信息：{str(e)}。请检查你的网络和API配置。" def start_new_conversation(self): """开始一轮新的对话，清空历史（除系统指令）""" self.conversation_history = [ {"role": "system", "content": TOUGH_INVESTOR_SYSTEM_PROMPT} ] return "已开启新一轮拷问。说吧，你那个想赚钱的点子是什么？别啰嗦，直接说核心。"

这个类封装了与 AI 对话的基本逻辑，并维护了对话上下文，使得 AI 能记住之前的讨论内容。

4.3 集成工具调用能力：让 Agent 能“联网搜索”

一个只会空谈的投资人是不合格的。我们需要赋予它获取实时信息的能力。我们将实现一个简单的联网搜索工具（示例使用 DuckDuckGo 的 HTML 抓取，实际生产环境建议使用 Serper、Exa 等付费 API 或官方搜索工具）。

首先，创建一个工具模块app/tools/web_search.py：

# app/tools/web_search.py import requests from typing import Dict, Any import logging from urllib.parse import quote_plus logger = logging.getLogger(__name__) def simple_web_search(query: str, max_results: int = 5) -> Dict[str, Any]: """ 一个简单的联网搜索工具（示例）。 注意：此示例使用 DuckDuckGo 的 HTML 响应，仅用于演示工具调用流程。 在实际项目中，你应该使用可靠的搜索 API（如 Serper、Exa、Google Custom Search）。 """ try: # 这是一个非常基础且可能不稳定的示例。实际请替换为可靠的搜索API。 url = f"https://html.duckduckgo.com/html/?q={quote_plus(query)}" headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36' } response = requests.get(url, headers=headers, timeout=10) response.raise_for_status() # 简单提取文本（实际应用需要更复杂的HTML解析，如用BeautifulSoup） from html import unescape import re # 这是一个极其简化的文本提取，仅用于演示 text_content = re.sub('<[^<]+?>', ' ', response.text) text_content = unescape(text_content) text_content = ' '.join(text_content.split()[:500]) # 限制长度 result = { "query": query, "status": "success", "summary": f"关于 '{query}' 的搜索结果摘要（示例）: {text_content[:300]}...", "note": "此为演示工具。真实项目请接入Serper/Exa等API获取结构化数据。" } logger.info(f"执行搜索: {query}") return result except Exception as e: logger.error(f"搜索工具执行失败: {e}") return { "query": query, "status": "error", "summary": f"搜索失败: {str(e)}", "note": "请检查网络或搜索服务配置。" } # 定义工具的描述，用于告诉AI这个工具能干什么 WEB_SEARCH_TOOL_DESCRIPTION = { "type": "function", "function": { "name": "simple_web_search", "description": "执行一次联网搜索，获取关于某个话题、公司、产品或市场的最新公开信息。当用户提到你不确定的事实、最新数据、竞品信息或市场趋势时，使用此工具。", "parameters": { "type": "object", "properties": { "query": { "type": "string", "description": "要搜索的关键词或问题，例如：'2024年中国咖啡市场规模'、'Notion AI 竞品分析'、'独立开发者变现模式'" } }, "required": ["query"] } } }

然后，我们需要升级ToughInvestorAgent，使其支持在对话中调用工具。这涉及到处理 AI 返回的tool_calls信息。

# app/agents/tough_investor.py (升级版) import json # ... 保留之前的导入和 SYSTEM_PROMPT ... from app.tools.web_search import simple_web_search, WEB_SEARCH_TOOL_DESCRIPTION class ToughInvestorAgent: def __init__(self, client: OpenAI): self.client = client self.model = settings.deepseek_model self.conversation_history: List[Dict[str, Any]] = [ # 类型更宽泛 {"role": "system", "content": TOUGH_INVESTOR_SYSTEM_PROMPT} ] # 可用工具列表 self.available_tools = [WEB_SEARCH_TOOL_DESCRIPTION] # 工具名到实际函数的映射 self.tool_functions = { "simple_web_search": simple_web_search, } def _add_message(self, role: str, content: Any, **kwargs): """添加消息，支持 tool_calls 和 tool_call_id""" message = {"role": role, "content": content} if kwargs.get("tool_call_id"): message["tool_call_id"] = kwargs["tool_call_id"] if kwargs.get("name"): message["name"] = kwargs["name"] self.conversation_history.append(message) def _handle_tool_calls(self, tool_calls): """处理AI请求的工具调用""" tool_responses = [] for tool_call in tool_calls: func_name = tool_call.function.name func_to_call = self.tool_functions.get(func_name) if not func_to_call: response_content = f"错误：未知工具 {func_name}" else: try: # 解析AI传来的参数 arguments = json.loads(tool_call.function.arguments) logger.info(f"执行工具调用: {func_name}，参数: {arguments}") # 调用工具函数 tool_result = func_to_call(**arguments) response_content = json.dumps(tool_result, ensure_ascii=False) except Exception as e: response_content = json.dumps({"error": str(e)}, ensure_ascii=False) logger.error(f"工具 {func_name} 执行异常: {e}") # 将工具执行结果作为一条消息加入历史 tool_responses.append({ "tool_call_id": tool_call.id, "role": "tool", "name": func_name, "content": response_content, }) return tool_responses def get_response(self, user_input: str) -> str: """处理用户输入，支持工具调用的完整流程""" self._add_message("user", user_input) final_response = "" max_iterations = 5 # 防止无限循环 current_iteration = 0 while current_iteration < max_iterations: current_iteration += 1 try: # 调用API，传入工具定义 response = self.client.chat.completions.create( model=self.model, messages=self.conversation_history, tools=self.available_tools, tool_choice="auto", # 让模型决定是否调用工具 temperature=0.7, max_tokens=2000, stream=False, ) message = response.choices[0].message # 检查AI是否想调用工具 if message.tool_calls: # 1. 将AI的“工具调用请求”加入历史 self.conversation_history.append({ "role": "assistant", "content": "", # 内容可能为空 "tool_calls": message.tool_calls }) # 2. 处理工具调用，获取结果 tool_responses = self._handle_tool_calls(message.tool_calls) # 3. 将所有工具执行结果加入历史 for resp in tool_responses: self._add_message(role=resp["role"], content=resp["content"], tool_call_id=resp["tool_call_id"], name=resp["name"]) # 继续循环，让AI基于工具结果生成最终回复 continue else: # AI 直接生成了最终文本回复 final_response = message.content self._add_message("assistant", final_response) break except Exception as e: logger.error(f"对话流程出错: {e}") final_response = f"系统处理对话时出错: {str(e)}" break if not final_response and current_iteration >= max_iterations: final_response = "分析过程过于复杂，已达到迭代上限。请简化你的问题或重新开始。" return final_response # start_new_conversation 方法保持不变 def start_new_conversation(self): self.conversation_history = [ {"role": "system", "content": TOUGH_INVESTOR_SYSTEM_PROMPT} ] return "已开启新一轮拷问。说吧，你那个想赚钱的点子是什么？别啰嗦，直接说核心。"

现在，你的“毒舌投资人”已经具备了思考并主动使用联网搜索工具的能力！当它觉得需要查证市场数据或竞品信息时，会自动调用搜索工具。

5. 创建 Web API 与前端交互界面

为了让这个 Agent 更容易使用，我们通过 FastAPI 暴露几个简单的 HTTP 端点，并创建一个极简的前端页面。

5.1 完善 FastAPI 路由

更新app/main.py，集成我们的 Agent：

# app/main.py (更新版) from fastapi import FastAPI, HTTPException, Request from fastapi.responses import HTMLResponse from fastapi.staticfiles import StaticFiles from openai import OpenAI from app.config import settings from app.agents.tough_investor import ToughInvestorAgent import logging import uuid from typing import Dict logger = logging.getLogger(__name__) app = FastAPI(title="AI Tough Investor API", description="一个毒舌的AI投资人助手") client = OpenAI( api_key=settings.deepseek_api_key, base_url=settings.deepseek_base_url, ) # 内存中存储对话会话（生产环境应使用数据库） sessions: Dict[str, ToughInvestorAgent] = {} def get_or_create_agent(session_id: str) -> ToughInvestorAgent: """获取或创建一个Agent会话""" if session_id not in sessions: sessions[session_id] = ToughInvestorAgent(client) logger.info(f"创建新会话: {session_id}") return sessions[session_id] @app.get("/", response_class=HTMLResponse) async def read_root(): """返回一个简单的前端页面""" html_content = """ <!DOCTYPE html> <html> <head> <title>AI毒舌投资人</title> <meta charset="utf-8"> <meta name="viewport" content="width=device-width, initial-scale=1"> <style> body { font-family: Arial, sans-serif; max-width: 800px; margin: 40px auto; padding: 20px; } #chatbox { border: 2px solid #333; border-radius: 10px; padding: 20px; height: 500px; overflow-y: auto; margin-bottom: 20px; background: #f9f9f9; } .message { margin: 10px 0; padding: 12px; border-radius: 8px; max-width: 80%%; } .user { background-color: #d1ecf1; align-self: flex-end; margin-left: auto; } .assistant { background-color: #f8d7da; align-self: flex-start; } .system { background-color: #fff3cd; font-style: italic; font-size: 0.9em; } #inputArea { display: flex; gap: 10px; } #userInput { flex-grow: 1; padding: 12px; border: 1px solid #ccc; border-radius: 6px; } button { padding: 12px 24px; background-color: #007bff; color: white; border: none; border-radius: 6px; cursor: pointer; } button:hover { background-color: #0056b3; } #controls { margin-top: 15px; display: flex; gap: 10px; } </style> </head> <body> <h1>🦏 AI毒舌投资人 (犀牛资本)</h1> <p><em>直接说出你的副业/创业点子，接受犀利的拷问吧！</em></p> <div id="chatbox"></div> <div id="inputArea"> <input type="text" id="userInput" placeholder="输入你的商业想法..." onkeypress="if(event.keyCode==13) sendMessage()"> <button onclick="sendMessage()">发送</button> </div> <div id="controls"> <button onclick="newSession()" style="background-color: #6c757d;">新对话</button> <button onclick="clearChat()" style="background-color: #dc3545;">清空记录</button> </div> <script> let sessionId = localStorage.getItem('sessionId') || generateSessionId(); localStorage.setItem('sessionId', sessionId); function generateSessionId() { return 'session_' + Math.random().toString(36).substr(2, 9); } function addMessage(role, content) { const chatbox = document.getElementById('chatbox'); const msgDiv = document.createElement('div'); msgDiv.className = 'message ' + role; msgDiv.innerHTML = `<strong>${role.toUpperCase()}:</strong><br>${content.replace(/\\n/g, '<br>')}`; chatbox.appendChild(msgDiv); chatbox.scrollTop = chatbox.scrollHeight; } async function sendMessage() { const input = document.getElementById('userInput'); const message = input.value.trim(); if (!message) return; addMessage('user', message); input.value = ''; try { const response = await fetch('/chat', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ session_id: sessionId, message: message }) }); const data = await response.json(); addMessage('assistant', data.response); } catch (error) { addMessage('system', '请求失败: ' + error); } } async function newSession() { sessionId = generateSessionId(); localStorage.setItem('sessionId', sessionId); const response = await fetch('/new_session', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ session_id: sessionId }) }); const data = await response.json(); document.getElementById('chatbox').innerHTML = ''; addMessage('assistant', data.response); } function clearChat() { document.getElementById('chatbox').innerHTML = ''; } // 页面加载时，如果有历史会话，可以加载最后一条消息（这里简化，直接显示欢迎语） window.onload = function() { addMessage('assistant', '你好，我是犀牛资本的合伙人。说吧，你那个想赚钱的点子是什么？别啰嗦，直接说核心。'); } </script> </body> </html> """ return HTMLResponse(content=html_content) @app.post("/chat") async def chat(request: Request): """处理用户消息并返回AI回复""" data = await request.json() session_id = data.get("session_id", "default") message = data.get("message", "") if not message: raise HTTPException(status_code=400, detail="消息内容不能为空") agent = get_or_create_agent(session_id) response = agent.get_response(message) return {"session_id": session_id, "response": response} @app.post("/new_session") async def new_session(request: Request): """开始一轮新的对话""" data = await request.json() session_id = data.get("session_id", "default") agent = ToughInvestorAgent(client) # 创建新的Agent实例 sessions[session_id] = agent welcome_msg = agent.start_new_conversation() return {"session_id": session_id, "response": welcome_msg} @app.get("/health") async def health_check(): return {"status": "up", "model": settings.deepseek_model}

5.2 运行与测试

1. 启动服务：在项目根目录运行：

   uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

2. 打开浏览器：访问http://localhost:8000。
3. 开始对话：在输入框中描述你的副业想法，例如：“我想做一个帮程序员接私活的平台”。
4. 观察 Agent：你会收到一连串尖锐的提问，例如：“市面上已经有程序员客栈、码市、开源众包了，你的平台凭什么能吸引程序员和雇主？你的佣金模式是什么？预计第一年能撮合多少交易？” 如果它需要数据，可能会自动调用搜索工具（注意：示例的搜索工具功能有限，可能需要你替换为真正的搜索 API）。

6. 进阶功能与工程化建议

基础版本已经可以运行。要让这个“毒舌投资人”更强大、更实用，可以考虑以下进阶方向：

6.1 集成更强大的工具

• 专业搜索 API：将simple_web_search替换为 Serper 、 Exa 或 Google Programmable Search 等服务的 API，获取结构化、高质量的搜索结果。
• 财务计算工具：实现一个工具，让 AI 可以调用它进行简单的财务测算，如计算毛利率、净现值（NPV）、投资回报率（ROI）。
• 竞品数据抓取：集成爬虫工具（遵守robots.txt），获取竞品网站的基本信息、定价等。
• 文档生成工具：让 AI 能够将对话总结成一份标准的商业计划书大纲或一页纸项目简介。

6.2 实现记忆与知识库

当前的对话历史是临时的。可以：

• 持久化存储：使用 SQLite、PostgreSQL 或矢量数据库（如 Chroma, Weaviate）存储对话历史和项目分析结论。
• 长期记忆：为每个“商业想法”创建一个知识库，存储 AI 分析过程中产生的所有假设、数据和结论，方便后续回顾和迭代。
• 案例库：构建一个成功/失败的创业案例库，让 AI 在分析时能进行类比。

6.3 优化系统指令与流程

• 分阶段评估：将评估流程设计得更像真实的投资尽调，分为“初筛”、“深度问答”、“财务模型”、“最终建议”等阶段。
• 个性化“毒舌”程度：允许用户选择投资人的风格，如“温和导师”、“严厉拷问官”、“数据狂魔”。
• 多轮追问的深度控制：防止 AI 陷入无意义的细节纠缠，设置合理的追问深度限制。

6.4 工程化与部署

• 错误处理与重试：为 API 调用和工具调用增加完善的错误处理、重试和降级逻辑。
• 速率限制：为 API 接口添加速率限制，防止滥用。
• 异步处理：对于耗时的工具调用（如复杂搜索），使用asyncio避免阻塞。
• Docker 化：创建Dockerfile和docker-compose.yml，方便在任何环境部署。
• 部署到云服务器：使用 Nginx + Gunicorn 部署 FastAPI 应用，或直接部署到 Vercel、Railway 等 PaaS 平台。

7. 常见问题与排查思路

在开发和运行过程中，你可能会遇到以下问题：

8. 最佳实践与安全须知

在进一步开发和实际使用本项目时，请牢记以下要点：

1. API 密钥安全第一：永远不要将.env文件或硬编码的 API Key 提交到公开的 Git 仓库。使用环境变量或密钥管理服务。
2. 成本控制：DeepSeek API 调用会产生费用。在代码中加入用量监控和日志，避免意外的高额账单。可以为对话设置 token 数量上限。
3. 工具调用的可靠性：联网搜索等工具可能返回不准确、过时或有偏见的信息。AI 的结论仅供参考，绝不能替代专业的商业、法律或财务建议。务必在关键决策点上进行人工核实。
4. 内容审核与过滤：考虑在 AI 回复输出前加入一层内容过滤，防止生成不当或有害内容，尤其是在公开部署时。
5. 用户体验优化：前端页面非常简陋。可以考虑使用更现代的框架（如 Vue.js, React）重构前端，增加消息流式输出（Streaming）、打字机效果、对话导出等功能。
6. 拥抱迭代：AI Agent 的效果严重依赖于 Prompt 工程和工具设计。不要指望一次成功，要基于与它的实际对话记录，不断优化系统指令和工具描述。

通过这个项目，你不仅得到了一个能犀利拷问商业想法的 AI 伙伴，更重要的是，你实践了构建一个功能型 AI Agent 的完整流程：从设定角色、设计 Prompt、集成工具、到搭建服务。这个模式可以复用到无数场景，比如 AI 面试官、AI 产品经理、AI 代码评审员等等。希望这个“毒舌投资人”能成为你副业路上的第一块试金石，也祝你基于此框架，创造出更多有趣的 AI 应用。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度