2025年走向智能体：AI应用赋能投研

AI集成工具和本地部署

以Ollama为例介绍DeepSeek模型的本地部署。

Step1： 首先访问https：//ollama.com，并下载适合自己操作系统的终端。

Step2： 在官网中点击Models，搜索需要的DeepSeek模型版本。

Step3： cmd中直接输入命令如：ollama run deepseek-r1：1.5b下载DeepSeek

（Ollama在本地模型的默认端口为11434，若其他应用需要调用该模型，将访问请求的 base_url改为http：//localhost：11434/v1即可。)

AI信息检索与知识库

主流大模型

市面主流大模型支持输入文件类 型及传入文件上限情况。

每日复盘：秘塔 AI+DeepSeek

案例：利用大语言模型的搜索功能，可以快速查阅财经新闻。大模型这项功能够实时更 新信息，确保用户获取到最及时的市场动态和财经资讯。基于财经新闻的搜索与大语言 模型的文本加工能力，我们可以实现自动化撰写行情复盘报告。

AI深度研究

深度报告-秘塔AI

案例：利用秘塔AI研究功能生成英伟 达公司的投资价值报告。

深度报告-ChatGPT

案例：利用ChatGPT深度研究功能生成英 伟达公司的投资价值报告。

AI编程开发

编程智能体

Cursor：专为开发者设计，集成强大AI功能，交互体验良好。 功能性较传统IDE不够完善 。

Trae： 适合中文开发者，免费调用不同大模型。用户群体和社区较小，训练数据不如其他工具成熟 。

Github Copilot： Vscode深度集成，通过训练大量开源代码，质量较高，支持多语言编程。免费版受限，开源许可存在争议 。

Cline： 命令行设计，终端用户友好，设计轻量，资源占用较少。文本界面，视觉化编程需求不适应。

编程智能体—Bolt.New

Bolt.new是一款浏览器内的AI网页和APP开发智能体，它利用StackBlitz来实现全栈应 用程序开发。该应用程序为用户提供了一个简单的基于聊天的环境，用户可在此环境中 提示代理进行代码更改，这些更改会在网页容器开发环境中实时更新。

编程智能体—v0.dev

v0.dev是一款Vercel推出的，由AI驱动的UI生成工具，可以根据用户的提示词生成UI组 件，支持迭代和修改，方便用户创建网址。

智能体与工作流

智能体（Agent)

智能体（Agent）： 大模型智能体能够动态决定任务执行的流程和工具，并自主控制任 务的完成过程。 工作流（Workflow）： 按照预设的代码和规则来编排、协调大模型工具和大模型调用。工作流的缺陷：无法规划任何，执行过程卡顿。 没有记忆，任务时长有限。 复杂任务执行力差，多次小错误积累导致失败。

何时使用智能体

工作流在可以预见、定义良好的任务提供更良好的一致性和预见性。但是当面对简单任务时简单的大模型单次调用足以满足。 为了在复杂任务上取得更好的效果时，我们评估平衡延迟和成本后可以使用智能体。

定义

MCP（Model Context Protocol）是 Claude 定制的一个开放的协议标准，用于在AI模型 和开发环境之间建立统一的上下文交互，让AI更好地理解和处理代码。

目标

旨在解决AI助手与数据源之间的连接问题。通过MCP这一通用标准，开发者得以一致的方 式实现AI模型与各种数据源和工具的链接（中间协议层），提高自动化效率和交互能力。 有望彻底解决 LLM（大型语言模型）应用连接数据难的痛点，一个 MCP 协议搞定与多种 数据源的连接。

架构

MCP协议遵循 客户端-主机-服务器架构 。MCP Host：是发起连接的 LLM 应用程序 （如Claude Desktop、 IDE），负责管理 MCP服务器和提供客户端功能。 MCP Client：用于维护主机与服务器的独 立连接，并处理用户的输入和输出。客户 端通过MCP协议与服务器维持一对一连接 ，保证安全性和隔离性。 MCP Server：向客户端提供上下文、工具 和提示，是 MCP 协议的资源存储和处理 中心，负责存储和管理本地和远程资源， 并提供给客户端使用。

解决的痛点

复杂的跨平台集成： 在没有MCP的情况下，不同平台和软件之间的集成往往需要大量的定制开发。 MCP架构使用户能够跨应用程序集成 AI 能力，同时保持清晰的安全边界并隔离问 题。 自动化任务的复杂性： 传统方法需要编写大量代码来实现自动化，维护成本高。 数据处理的极端方式： 将数据上传到大模型（安全隐患，数据大小和类型限制）或让大模型获得本地管理 员权限（安全风险高）。

智能体

随着大模型在关键能力上的成熟—理解复杂输入、参与推理和规划、可靠地使用工具以及 从错误中修正，智能体逐渐在生产过程中出现。来自人类用户的命令或与人类用户的交互 式讨论。一旦任务明确，代理将独立规划和操作，可能返回人类以获取更多信息或判断。 在执行过程中，智能体在每一步从环境中获取“真实情况”（如工具调用结果或代码执行 ）以评估其进度至关重要。智能体可以在检查点或遇到阻碍时暂停以获取人类反馈。任务 通常在完成时终止，但通常也包含停止条件（如最大迭代次数）以保持控制。智能体可以处理高难度任务，但它们的实现方式很直接，它们通常只是使用基于环境反馈 的循环工具。因此，拥有清洗而完整的文档与设计良好的工具集十分重要。

使用场景： 对于没有解决路径的困难或不可预测步骤的开放问题。大模型经过多轮次运行，其决 策结果有一定可信度，智能体在信任环境下可以拓展任务规模。 自主化大模型意味着高成本和错误积累的错误，需要在沙盒环境下大量的训练。

扣子（Coze）

扣子是新一代 AI 应用开发平台，借助扣子提供的可视化设计与编排工具，用 户可以通过零代码或低代码的方式，快速搭建出基于大模型的各类 AI 项目， 满足个性化需求、实现商业价值。

报告节选：

编辑：火腿肠