大家好，我是AI淇橦学。
上期我们做出了第一个能真正跑通的工具模块——读模板、填内容、保存文件，整个流程在终端里跑起来了。
但仔细想想，第3期的程序里其实没有任何「AI」——write_content 做的只是字符串替换，把【客户名称】换成「深圳科技有限公司」，这是最普通的文本处理，和 AI 没有关系。
这一期我们做两件事：
第一件：接入大模型 API，给 Agent 装上真正的 AI 大脑。 从这期开始，Agent 里的决策和理解，都由真实的大模型来完成。
第二件：给 Agent 装上记忆系统。 建立客户资料知识库，输入「深圳那家做传感器的」，大模型理解你的意思，找到对应客户，自动填写报价单。
做完这期，你会得到：
- 一个封装好的
llm.py模块，可以调用国产大模型（本教程使用智谱 GLM 的glm-4-flash） - Agent 能记住你的使用偏好（不用每次重新配置）
- 客户资料知识库，用大模型做语义理解，输入关键词自动匹配客户
- 在终端里演示：说「深圳科技」，大模型理解后找到客户，自动完成报价单填写
一、AI 为什么没有记忆——上下文窗口
在动手之前，先把一个底层概念说清楚，否则后面的设计你会看不懂为什么要这么做。
把 AI 的工作状态想象成一张桌面。你说的话、AI 的回复、工具执行的结果，全都摆在这张桌面上。
问题是：这张桌面面积有限。 内容太多，最早放上去的东西就会被推掉——AI 就「忘记」了。这个桌面大小叫「上下文窗口」，以 Token 计量（约 1 个汉字 = 1.5 个 Token），不同模型上限不同，但都有上限。
更关键的是：每次对话结束，桌面清空。 下次打开程序，是全新的空桌面，上次的一切不见了。
这就是 AI 「没有记忆」的本质——不是忘了，是根本没有地方存。
所以，要给 Agent 加记忆，必须由我们自己来设计「存在哪里、什么时候取出来用」。
二、三种记忆类型，分别解决不同问题
记忆问题没有一个万能方案，针对不同场景有三种机制：
第一种：短期记忆
就是当次任务的上下文。Agent 在处理一份报价单的过程中，记住「已经填了哪些字段、还剩哪些没填」——任务完成后这些信息就可以丢弃了。这种记忆第3期的程序里已经天然存在，不需要额外设计。
第二种：长期记忆
把重要的配置信息存入本地文件，下次启动程序还在。比如：你的模板文件夹路径、日期格式偏好、默认报价有效期……这些信息不应该每次都要重新告诉 Agent。
第三种：知识库记忆（RAG）
你有几十个客户的资料，不可能每次都全部读进来让 AI 处理（Token 不够用）。RAG 的作用是：建一个可以搜索的客户资料库，你说「深圳科技」，它自动找到最匹配的客户信息。
这一期我们把第二种和第三种都做出来。
三、RAG 是什么——用档案柜来理解
RAG = Retrieval Augmented Generation，检索增强生成。名字拗口，但思路很简单：
💡 一句话理解：在 AI 执行任务之前，先从你的资料库里找到最相关的内容，一起交给 AI 参考——让它基于真实资料工作，而不是靠猜。
用生活场景类比：你有一个装了几百份文件的档案柜。每次需要某份文件时，不是把整个档案柜搬给助理（搬不动），而是先在档案柜里找到最相关的那几份，只把这几份给助理参考。RAG 做的就是这件事——自动地、快速地从大量文档里找到最相关的内容。
RAG 的完整 5 步流程：
① 切片：把每份客户资料切成小段，保留「来自哪个文件」的信息
② 向量化：把每段文字转换成一串数字（向量），代表这段文字的「语义指纹」。语义相近的文字，数字也相近——「深圳科技有限公司」和「深圳那家做传感器的」的向量比「深圳科技」和「北京餐饮公司」的向量近得多
③ 存入向量数据库：把所有向量存进专门的数据库，建好索引。这步只做一次
④ 检索：你输入「深圳科技」，这句话也被转成向量，在数据库里找距离最近的片段
⑤ 生成：把找到的客户资料 + 你的指令一起交给 AI，AI 基于真实资料来填报价单
为什么不直接用关键词搜索？
关键词搜索只找包含完全相同词语的内容。你搜「深圳科技」，找不到备注里写的「那家做工业传感器的深圳客户」。
语义搜索理解含义——「深圳科技」「深圳那家传感器公司」「SZ科技」在语义上都很接近，都能被找到。对销售场景来说，你经常只记得客户的片段信息，语义搜索能帮你找到，关键词搜索找不到。
四、接入国产大模型 API
重要说明： 这一期我们需要调用大模型 API，会消耗少量 API 费用（建议预留 5-10 元测试预算）。如果你暂时不想花钱，可以跳过这一期，直接看第 5 期。
国产大模型有很多选择，推荐以下几款（任选其一即可）：
| 模型 | 厂商 | API 文档 | 特点 |
|---|---|---|---|
| 智谱 GLM | 智谱AI | open.bigmodel.cn/dev/api | 开发友好，免费额度较多，本教程使用 |
| 豆包 | 字节跳动 | www.volcengine.com/docs/82379 | 性价比高，文档清晰，适合新手 |
| 通义千问 | 阿里云 | help.aliyun.com/zh/model-st… | 功能完善，企业级稳定性 |
| 文心一言 | 百度 | cloud.baidu.com/doc/WENXINW… | 中文理解能力强 |
这期我以智谱 GLM 为例，使用 `glm-4.7 模型（其他模型流程类似，只是 API 调用方式不同）。
步骤 1：注册并获取 API Key
以智谱 GLM 为例：
- 打开 智谱AI开放平台
- 注册/登录账号
- 进入「API Key 管理」
- 创建新的 API Key，复制保存（只显示一次，务必保存好）
⚠️ 重要提示：API Key 相当于你的密码，不要泄露给他人，不要上传到公开的 GitHub 仓库。
步骤 2：封装 llm.py 模块
打开 Codex，，发送以下提示词：
📋 发给 Codex 的提示词（直接复制使用）：
123456789101112131415161718192021222324252627282930帮我创建一个 llm.py 文件，封装智谱 GLM API 调用。
【使用智谱 GLM API】
- API 地址：https://open.bigmodel.cn/api/paas/v4/chat/completions
- 模型：glm-4-flash（智谱最新模型，速度快、成本低）
- 不使用 SDK，直接用 requests 库调用 API
【需要实现的函数】
1. chat(messages, model="glm-4-flash")
- 输入：messages 列表，格式为 [{"role": "user", "content": "..."}]
- 使用 requests 库调用智谱 API
- 请求头：Authorization: Bearer {API_KEY}
- 请求体：{"model": model, "messages": messages}
- 返回：模型的文本回复（字符串）
- 打印：API 调用的 token 使用情况
- 错误处理：网络超时、API 错误、返回格式错误等
2. encode_text(text)
- 输入：一段文本
- 调用智谱的 embedding API（如果有的话），或者用 chat 模型生成文本摘要
- 返回：文本的向量表示（list of floats）
- 如果没有 embedding API，可以暂时用简单的文本哈希代替
【技术要求】
- 使用 requests 库（Python 标准库，无需安装额外依赖）
- 代码有清晰的中文注释
- 每个函数要有错误处理（网络超时、API 错误等）
- API Key 从环境变量读取（os.getenv("ZHIPU_API_KEY")），不要硬编码
- 设置合理的超时时间（30秒）
Codex 生成代码后，在终端里设置环境变量：
Windows:
1set ZHIPU_API_KEY=你的API_Key
Mac/Linux:
1export ZHIPU_API_KEY=你的API_Key
然后运行测试：
1python llm.py
如果看到正常的返回结果，说明 API 接入成功。
五、实操开始：给 Agent 装上记忆系统
现在动手。我们在第3期的 sales-agent 项目基础上继续，不需要新建项目。
这期的实操分 4 步：
- 建立长期记忆——用配置文件存偏好设置
- 准备客户资料文件
- 用 Codex 生成知识库模块（基于大模型的 RAG）
- 测试：输入客户关键词，大模型自动匹配客户，完成报价单填写
第一步：建立长期记忆（配置文件）
把下面这段内容复制进去，根据你的实际情况修改：
12345678910{
"template_folder": "templates",
"output_folder": "output",
"date_format": "YYYY年MM月DD日",
"currency_format": "人民币",
"quote_validity_days": 30,
"company_name": "你的公司名称",
"salesperson_name": "你的名字",
"contact_phone": "你的联系电话"
}
📌 把
公司名称、你的名字、联系电话改成你自己的真实信息。这些信息会自动填入每份报价单。
这个文件就是 Agent 的「长期记忆」——每次启动程序，它都会先读取这个文件，知道你的偏好设置，不需要你重新告诉它。
第二步：准备客户资料文件
在 sales-agent 文件夹里新建一个子文件夹，命名为 customers。
然后在 customers 文件夹里新建一个文件 客户资料.json，把下面的内容复制进去（这是示例数据，之后可以换成你真实的客户）
当然，这个地方你也可以交给Codex去做，我这样是为了让你初次学习体验一下，你可以专门的创建一个客户资料，直接告诉Codex帮你保存就可以。
1234567891011121314151617181920212223242526272829303132333435[ { "id": "C001", "company_name": "深圳科技有限公司", "contact_person": "李总", "contact_phone": "138-0001-0001", "industry": "工业传感器制造", "address": "广东省深圳市南山区科技园", "notes": "主要采购工业传感器套件，对价格敏感，付款周期30天", "last_quote": "2025-03-15", "preferred_products": ["XS-2000B传感器", "XS-3000控制模块"]
},
{
"id": "C002",
"company_name": "上海贸易集团",
"contact_person": "王经理",
"contact_phone": "139-0002-0002",
"industry": "进出口贸易",
"address": "上海市浦东新区陆家嘴",
"notes": "批量采购为主，要求交货期不超过15天，开具增值税发票",
"last_quote": "2025-04-20",
"preferred_products": ["XS-1000基础套件"]
},
{
"id": "C003",
"company_name": "北京智能装备公司",
"contact_person": "张总",
"contact_phone": "136-0003-0003",
"industry": "智能制造设备",
"address": "北京市朝阳区望京",
"notes": "注重产品稳定性和售后服务，预算充足，决策周期较长",
"last_quote": "2025-05-01",
"preferred_products": ["XS-3000控制模块", "XS-4000高精度套件"]
}
]
📌 你之后可以随时往这个文件里加更多客户，每次加完，重新运行一次「建立知识库」的命令，新客户就会被纳入搜索范围。
你的文件夹结构现在应该是这样的：
12345678sales-agent/
├── templates/
│ └── 报价单模板.docx
├── output/
├── customers/
│ └── 客户资料.json
├── config.json
└── agent.py
第三步：用 Codex 生成知识库模块（基于大模型）
打开 Codex，然后把下面这段提示词发给 Codex：
📋 发给 Codex 的提示词（直接复制使用）：
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354我在做一个销售报价单 Agent，现在需要给它加一个记忆模块，
文件名是 memory.py，请帮我实现以下功能：
【背景说明】
- 项目结构：customers/客户资料.json 存放客户信息，config.json 存放配置
- 客户资料是一个 JSON 数组，每个客户有：id、company_name、contact_person、
contact_phone、industry、address、notes、last_quote、preferred_products
- 我需要能通过自然语言描述来搜索客户，比如「深圳科技」或「做传感器的那家」
- 使用大模型 API 来做语义理解和匹配（已封装好的 llm.py）
【需要实现的功能】
1. load_config()
- 读取 config.json，返回配置字典
- 如果文件不存在，返回默认配置并打印提示
- 打印：已加载配置
2. load_customers()
- 读取 customers/客户资料.json，返回客户列表
- 打印读取到的客户数量
3. search_customer_with_llm(query, customers, llm_func)
- 输入：搜索关键词（自然语言描述）、客户列表、大模型函数
- 构造提示词：让大模型根据客户资料，找到最匹配的客户
- 提示词模板：
"""
以下是客户资料列表：
{客户列表，每个客户一行，包含 id、company_name、industry、notes}
用户搜索：{query}
请根据以上客户资料，找到最匹配的用户搜索意图的客户。
返回格式：只返回客户ID，例如：C001
"""
- 调用 llm.chat() 发送请求
- 解析大模型返回的客户ID
- 返回：匹配到的客户对象（如果找不到返回 None）
- 打印：搜索「xxx」，找到客户：公司名
4. save_quote_history(customer_id, output_file, config)
- 把本次报价记录追加写入 customers/报价历史.json
- 记录内容：客户ID、输出文件名、时间戳
- 打印：已记录本次报价历史
【在文件末尾加一个演示函数 demo_search()】
- 加载配置和客户数据
- 依次搜索三个关键词：「深圳科技」「上海贸易」「智能制造」
- 打印每次搜索结果，展示找到了哪个客户
【技术要求】
- 从 llm.py 导入 chat 函数
- 代码有清晰的中文注释
- 每个函数要有错误处理
- 大模型调用失败时提供友好的错误提示
Codex 直接生成并创建 memory.py。
测试知识库是否正常： 在终端里运行：
1python memory.py
你应该看到类似这样的输出：
第四步：把记忆系统接入主程序
现在把 memory.py 和第3期的 agent.py 连接起来，让整个流程变成：
输入客户关键词 → 大模型理解并搜索客户资料 → 自动填写报价单 → 保存新文件
打开 Codex 对话框，把下面这段提示词发给Codex（这次是修改 agent.py）：
📋 发给 Codex 的提示词（直接复制使用）：
12345678910111213141516171819202122232425262728293031323334353637383940请帮我修改 agent.py，把记忆系统接入主流程。
【当前状态】
- agent.py 里有三个工具函数：read_file、write_content、save_file
- memory.py 里有记忆模块：load_config、load_customers、search_customer_with_llm、save_quote_history
- llm.py 提供了 chat() 函数，可以调用大模型
【需要修改的内容】
把 agent.py 底部的 main() 函数改成新的交互流程：
1. 启动时自动加载配置（load_config）和客户数据（load_customers）
- 打印：Agent 启动中，正在加载配置和客户数据...
2. 读取报价单模板，打印找到的占位符列表
3. 在终端提示用户输入：「请输入客户名称或关键词（例如：深圳科技、上海那家贸易公司）：」
4. 用 search_customer_with_llm 搜索客户，传入 llm.chat 函数
- 找到客户后，打印：找到客户「xxx」，是否使用？(y/n)
- 用户确认后继续
5. 从客户资料自动提取填写信息：
- 客户名称 → company_name
- 联系人 → contact_person
- 联系电话 → contact_phone
- 报价日期 → 今天的日期（用 config 里的 date_format 格式）
- 销售员 → config 里的 salesperson_name
- 其他模板里有但客户资料没有的字段（如产品名称、报价金额）→ 在终端提示用户手动输入
6. 调用 write_content 填写内容，调用 save_file 另存为新文件
- 文件名格式：报价单_{客户名称}_{日期}.docx
7. 调用 save_quote_history 记录本次操作
8. 打印完成提示：✅ 报价单已生成：output/报价单_xxx_xxx.docx
【注意】
- 从 memory.py 和 llm.py 导入需要的函数
- 产品名称、报价金额这类每次都不同的字段，用 input() 让用户在终端输入
- 代码要有清晰的中文注释
Codex 修改完 agent.py 后，在终端里运行：
1python agent.py
你会看到类似这样的交互过程：
1234567891011121314151617181920212223242526🚀 Agent 启动中，正在加载配置和客户知识库...
✅ 已加载配置
✅ 已读取 3 个客户，知识库建立完成
📋 读取模板：templates/报价单模板.docx
找到待填写字段 8 个：【客户名称】【联系人】【联系电话】【报价日期】
【产品名称】【产品型号】【报价金额】【备注】
请输入客户名称或关键词：深圳科技
🔍 搜索中...
找到客户「深圳科技有限公司」（匹配度：82%）
联系人：李总 | 电话：138-0001-0001
是否使用该客户？(y/n)：y
✅ 已自动填入客户信息
需要手动输入以下字段：
产品名称：工业传感器套件
产品型号：XS-2000B
报价金额：58,000元
备注：含安装调试服务
✏️ 正在填写报价单...
💾 正在保存文件...
✅ 报价单已生成：output/报价单_深圳科技有限公司_2025年6月15日.docx
📝 已记录本次报价历史
第五步：验收结果
运行完成后，做以下检查：
功能验收：
- 输入「深圳科技」能正确找到「深圳科技有限公司」
- 输入「上海贸易」能正确找到「上海贸易集团」
- 客户的名称、联系人、电话自动填入，无需手动输入
- 手动输入的字段（产品、金额）能正确填入对应位置
- output 文件夹里生成了新文件，文件名包含客户名和日期
- 原始模板文件内容未被修改
- customers/报价历史.json 里有本次操作的记录
现在你的 Agent 有了记忆： 它认识你的客户，知道你的配置偏好，用大模型理解你的意图，并且会记录每次报价历史。
六、遇到问题怎么办
情况一：搜索结果不准确，找到了错误的客户
在 Codex 对话框里说：「search_customer_with_llm 搜索『深圳科技』时返回了错误的客户，请优化提示词，要求大模型仔细对比 company_name 和 notes 字段」
情况二：API 调用失败，提示认证错误
检查环境变量是否设置正确：
12345# Windows
echo %ZHIPU_API_KEY%
# Mac/Linux
echo $ZHIPU_API_KEY
确认 API Key 没有过期，且有足够的额度。
情况三：大模型返回格式不正确
在 Codex 对话框里说：「大模型返回的内容不是纯客户ID，而是一段话，请优化提示词，强调只返回客户ID（如 C001），不要返回其他内容」
情况四：客户资料.json 读取失败
确认文件路径：customers/客户资料.json，注意文件夹名是 customers，JSON 格式要正确（可以把文件内容粘贴到 jsonlint.com 检查格式是否正确）
情况五：日期格式显示不对
在 Codex 对话框里说：「报价日期显示的是 2025-06-15 这种格式，但我希望是 2025年6月15日，请修改日期格式化的代码，读取 config.json 里的 date_format 配置来决定格式」
七、这期做了什么——小结
这期你给 Agent 做了三件事：
第一件：接入了国产大模型 API
- 封装了
llm.py模块，可以调用智谱 GLM/豆包/通义千问等国产大模型 - 本教程使用智谱 GLM 的
glm-4-flash模型，不依赖 SDK，直接用 requests 调用 - 从此以后，Agent 的决策和理解都由真实的大模型来完成，不再是简单的字符串替换
第二件：装上了两层记忆
- 长期记忆（config.json）：记住你的配置偏好，每次启动自动加载
- 客户知识库（RAG）：存放客户资料，用大模型做语义理解，输入关键词自动匹配
第三件：实现了智能客户搜索
- 你输入「深圳科技」或「那家做传感器的」，大模型理解你的意思
- 从客户资料库里找到最匹配的客户，自动填入报价单
现在的流程是：你输入客户关键词 → 大模型理解并搜索客户 → 自动填入已知信息 → 你只需要补充产品和金额 → 生成报价单。
坦白说，做完这个功能之后，我觉得效率提升挺明显的。以前每次都要改代码里的客户信息，现在只需要输入一个模糊的关键词，大模型就能理解并自动匹配，省了不少时间。
这个方案特别适合的场景：
- 客户数量超过 10 个，经常需要复用客户信息
- 客户信息比较复杂（公司名、联系人、地址、备注等）
- 你经常只记得客户的部分信息（比如「深圳那家做传感器的」）
- 需要大模型理解你的自然语言表达，而不是精确匹配关键词
但现在还有一个问题：每次只能处理一个客户。如果你有 10 份报价单要做，还是要跑 10 次程序。下期我们来解决这个问题——给 Agent 加上规划能力，让它自己制定计划、批量处理多份报价单，你只需要告诉它「帮我处理这 10 个客户的报价单」，它自己把事情做完。
下期预告： 现在你每次只能处理一个客户。如果你有一批客户要同时出报价单，Agent 能不能自己规划步骤、批量搞定？第5期我们来做这件事——让 Agent 学会「自己想清楚要做什么，再去做」，从「你推一步它走一步」变成「你说目标，它自己做完」。
思考题： 你试着往 客户资料.json 里加了你真实的客户信息吗？用大模型搜索的时候准确吗？你用的是哪款国产大模型？体验如何？评论告诉我。
关注公众号「AI淇橦学」，和 AI 一起成长。
有问题或建议？后台留言即可。
