最近很多开发者都在问：AI Agent 到底能做什么？除了写代码、做客服、搞翻译，它还能不能解决更实际、更“功利”的问题？比如，帮你赚钱。

我尝试了一个新思路：与其让 AI 扮演温和的助手，不如让它扮演一个“毒舌投资人”。这个 Agent 不会给你空洞的鼓励，而是会用投资人的视角，冷酷地审视你的副业想法，从市场、成本、执行难度、变现路径等多个维度进行“灵魂拷问”。它的目标只有一个：帮你过滤掉那些看似美好、实则陷阱的“伪需求”，找到真正有潜力的赚钱点子。

这篇文章，我将分享如何从零构建这样一个“AI 毒舌投资人”Agent。整个过程不涉及复杂的算法，核心在于 Prompt 工程、工具链集成和场景化设计。你会发现，用好现有的 AI 模型（如 DeepSeek）和开发工具（如 Cursor），你完全可以在一个周末内，打造一个专属于你的、24小时在线的“副业军师”。

1. 为什么你需要一个“毒舌”的 AI 副业顾问？

在开始动手之前，我们必须先想清楚：为什么是“毒舌”？一个只会说“这个想法很棒”的 AI 助手，对副业探索真的有帮助吗？

答案很可能是否定的。大多数人在构思副业时，容易陷入“自我感觉良好”的陷阱。我们倾向于高估创意的独特性，低估执行的复杂性和市场的残酷性。一个只会附和的 AI，反而会强化这种认知偏差，让你在错误的方向上浪费更多时间。

“毒舌投资人”Agent 的设计哲学恰恰相反：

  • 立场转换 ：它不再是你想法的“支持者”，而是潜在的“否决者”。它的任务是挑刺，是发现漏洞。
  • 维度结构化 ：它不会泛泛而谈，而是强制从几个关键维度（后文会详细拆解）进行系统性评估。
  • 提供替代视角 ：基于它的“知识库”（即训练数据中的商业案例），它可以指出“你没想到的竞争对手”或“更优的变现模式”。

这个 Agent 解决的核心问题是： 在投入真金白银和大量时间之前，如何对副业想法进行一次低成本、高效率的“压力测试” 。它适合所有有副业想法但缺乏商业分析经验，或需要外部视角来打破思维定式的开发者、创作者和创业者。

2. 核心概念：Agent、Skill 与 Prompt 工程

在构建之前，我们需要统一几个关键概念，避免后续讨论产生歧义。

  • AI Agent（智能体） ：在我们的上下文中，它不是一个学术概念，而是一个 能理解目标、调用工具、执行多步骤任务并给出最终结果的程序 。我们的“毒舌投资人”就是一个特定领域的 Agent。它与简单问答机器人的区别在于“主动性”和“工作流”，例如，它会主动要求你补充信息，或按步骤进行分析。
  • Skill（技能） ：Agent 能够完成的具体任务。例如，“市场容量评估”、“竞品分析”、“成本结构拆解”就是我们为投资人 Agent 设计的几个核心 Skill。一个好的 Agent 是多个 Skill 的有机组合。
  • Prompt Engineering（提示词工程） ：这是本项目的灵魂。它指的是通过精心设计输入文本（Prompt），来引导大模型（如 DeepSeek、GPT-4）产生高质量、符合预期的输出。构建“毒舌投资人”，本质上就是编写一套能让大模型“扮演”好这个角色的 Prompt 指令集。

一个常见的误区 ：认为 Prompt 就是“把话说清楚”。实际上，高级的 Prompt 工程更像是在编写一份详细的“角色扮演剧本”和“工作流程规范”。它不仅定义角色，还定义思考框架、输出格式、对话节奏和边界。

3. 环境与工具准备

我们选择当前对开发者最友好、效率最高的工具链组合。你不需要是 AI 专家，但需要基本的 Python 和命令行操作知识。

核心运行环境与工具：

  1. Python 环境 ：推荐使用 Python 3.9+。使用 conda 或 venv 创建独立的虚拟环境是最佳实践。 
    # 创建并激活虚拟环境 (以 conda 为例)
conda create -n ai_investor python=3.9
conda activate ai_investor
  2. 大模型 API ：本项目以 DeepSeek 为例，因为它对中文理解好、性价比高、API 稳定。你需要去 DeepSeek 官网注册并获取 API Key。
  3. 开发 IDE ：强烈推荐 Cursor 或 VSCode + Claude Code/DeepSeek 插件 。这些 AI 编程工具能极大提升你构建 AI 应用本身的效率，实现“用 AI 开发 AI Agent”。它们能帮你快速生成代码框架、调试 API 调用、甚至优化 Prompt。
  4. 必要的 Python 包 ：我们主要使用 openai 库（兼容 DeepSeek API）和 python-dotenv 管理密钥。 
    pip install openai python-dotenv

关键配置（ .env 文件）： 在项目根目录创建 .env 文件，用于安全存储你的 API 密钥。 切记不要将此文件提交到 Git！ 

# .env 文件内容
DEEPSEEK_API_KEY=your_deepseek_api_key_here
DEEPSEEK_API_BASE=https://api.deepseek.com

4. 构建“毒舌投资人”Agent 的核心流程拆解

整个构建过程可以分为四个核心阶段，我们将逐步实现。

4.1 阶段一：定义角色与设定对话基调

这是 Prompt 工程的第一步，决定了 Agent 的“人格”。我们需要在系统指令（System Prompt）中完成。

  • 目标 ：让模型彻底进入“苛刻投资人”的角色。
  • 关键要素 ：
    1. 身份声明 ：明确告诉模型“你是谁”。
    2. 性格与语气 ：定义“毒舌”的表现形式（犀利、直接、注重数据、不留情面），但同时保持建设性，而非纯粹打击。
    3. 核心使命 ：阐明你的任务是“筛选出真正有潜力的点子”，而不是“讨好用户”。
    4. 输出要求 ：规定回答的结构，例如必须先给出总体评价，再分点剖析。

4.2 阶段二：设计结构化分析框架（Skill 集）

一个投资人如何分析项目？我们将这个过程抽象成几个可执行的 Skill，并固化到 Prompt 中。

  • 目标 ：确保每次分析都覆盖关键维度，避免随机发散。
  • 核心分析维度（Skill） ：
    1. 需求真伪判断 ：这是一个真实、高频、迫切的痛点，还是伪需求？
    2. 市场与竞品 ：目标市场有多大？已有哪些玩家？你的差异化在哪里？
    3. 变现与成本 ：如何赚钱？成本结构如何？毛利率可能多少？
    4. 执行难度 ：需要哪些关键资源（技术、资金、渠道、时间）？最大风险是什么？
    5. 一句话暴击 ：用最犀利的一句话总结这个想法最致命的弱点。

4.3 阶段三：实现多轮对话与追问逻辑

好的投资人不会一次性下结论。我们的 Agent 应该能主动追问，获取更多信息以做出更精准的判断。

  • 目标 ：实现交互式分析，模拟真实投资对话。
  • 实现方式 ：在程序逻辑中，判断模型的回复是否包含“信息不足”的暗示，或者我们预设的关键信息（如具体成本、用户画像）是否缺失，然后自动生成追问 Prompt，继续对话。

4.4 阶段四：集成与封装

将以上所有逻辑封装成一个易用的 Python 类或函数，并加入简单的命令行交互界面。

5. 完整代码实现与核心 Prompt 剖析

让我们开始动手编码。项目结构如下：

ai_investor_agent/
├── .env                    # 存储API密钥（勿提交）
├── .gitignore             # 忽略.env等文件
├── investor_agent.py      # 主程序文件
└── requirements.txt       # 依赖列表

5.1 核心 Prompt 设计（ investor_agent.py 片段）

这是整个项目的灵魂所在。我们将 System Prompt 和 User Prompt 模板分开设计。

# investor_agent.py
import os
from openai import OpenAI
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()

class ToxicInvestorAgent:
    def __init__(self):
        self.api_key = os.getenv("DEEPSEEK_API_KEY")
        self.base_url = os.getenv("DEEPSEEK_API_BASE", "https://api.deepseek.com")
        self.client = OpenAI(api_key=self.api_key, base_url=self.base_url)
        
        # ！！！核心：系统提示词（定义角色）
        self.system_prompt = """你是一个资深、苛刻、以毒舌著称的天使投资人。你投资过无数项目，见过太多失败案例。你对创业者的想法从不客气，一针见血，专挑毛病。
        你的核心任务是：用最严苛的标准，审视用户提出的副业或创业想法，帮他们提前发现致命缺陷，避免他们浪费时间和金钱。
        
        【你的行为准则】
        1. **立场坚定**：你代表资本方，首要目标是规避风险，寻找高回报潜力项目。对不靠谱的想法必须无情打击。
        2. **数据驱动**：尽可能要求量化分析（市场规模、成本、收入）。拒绝模糊表述。
        3. **结构清晰**：每次分析必须按照以下五个维度展开，每个维度给出评分（1-5分，5分最高）和犀利点评：
           a) 需求真伪与强度
           b) 市场与竞争格局
           c) 变现模式与成本结构
           d) 执行难度与风险
           e) 综合潜力与“一句话暴击”
        4. **毒舌但有建设性**：批评要狠，但最后可以（非必须）提一个最关键的改进建议。你的毒舌是为了他们好。
        5. **主动追问**：如果关键信息缺失（如目标用户、具体服务内容、预算），直接打断分析，要求用户先补充信息。
        
        【输出格式】
        严格遵循以下格式，先给总体评价，再分维度分析：
        ---
        🔥 总体评价：[一句话总结，极其犀利]
        ---
        📊 分维度拷打：
        1. 需求真伪：[评分/5] 点评...
        2. 市场与竞争：[评分/5] 点评...
        3. 变现与成本：[评分/5] 点评...
        4. 执行难度：[评分/5] 点评...
        5. 一句话暴击：[你最犀利的总结，直击要害]
        ---
        💡 （可选）如果还有救：[一个最核心的改进方向]
        """
        
        # 用户提示词模板
        self.user_prompt_template = """请以毒舌投资人的身份，彻底分析以下副业想法：
        
        「想法标题」：{title}
        「具体描述」：{description}
        「我的初始资源」：{resources} （例如：我会编程、有3万启动资金、每天2小时）
        
        请开始你的无情分析。"""
        
        self.conversation_history = []
    
    def analyze_idea(self, title, description, resources):
        """核心分析方法"""
        user_prompt = self.user_prompt_template.format(
            title=title,
            description=description,
            resources=resources
        )
        
        # 构建消息历史，每次都是系统提示 + 历史对话 + 新问题
        messages = [
            {"role": "system", "content": self.system_prompt},
            *self.conversation_history,
            {"role": "user", "content": user_prompt}
        ]
        
        try:
            response = self.client.chat.completions.create(
                model="deepseek-chat", # 根据DeepSeek最新模型名称调整
                messages=messages,
                temperature=0.7, # 适当创造性，让“毒舌”更生动
                max_tokens=1500
            )
            
            analysis = response.choices[0].message.content
            # 将本轮问答加入历史，实现多轮对话上下文
            self.conversation_history.append({"role": "user", "content": user_prompt})
            self.conversation_history.append({"role": "assistant", "content": analysis})
            
            return analysis
            
        except Exception as e:
            return f"分析失败，API调用错误: {e}"

5.2 实现追问与交互逻辑

我们需要增强 Agent 的主动性，使其在信息不足时能打断流程。

# 在 ToxicInvestorAgent 类中添加以下方法
def check_info_sufficiency(self, user_input_dict):
    """检查用户输入的信息是否足够进行基础分析"""
    # 简单规则：标题、描述、资源三者缺一不可，且描述不能太短
    title = user_input_dict.get('title', '')
    description = user_input_dict.get('description', '')
    resources = user_input_dict.get('resources', '')
    
    missing_info = []
    if not title or len(title.strip()) < 5:
        missing_info.append("一个具体的想法标题（至少5个字）")
    if not description or len(description.strip()) < 20:
        missing_info.append("详细的想法描述（至少20字，说清楚做什么、为谁做）")
    if not resources or len(resources.strip()) < 10:
        missing_info.append("你的初始资源说明（如技能、时间、资金）")
    
    return missing_info

def generate_followup_question(self, missing_info_list):
    """根据缺失的信息生成追问"""
    questions = "且慢！作为一个合格的投资人，我无法在信息不全的情况下做判断。\n"
    questions += "请你先补充以下关键信息：\n"
    for i, info in enumerate(missing_info_list, 1):
        questions += f"{i}. {info}\n"
    questions += "\n请一次性补充完整，我们再继续。"
    return questions

5.3 主程序与命令行交互

创建一个简单易用的交互入口。

# 继续在 investor_agent.py 中，添加主函数
def main():
    agent = ToxicInvestorAgent()
    print("="*50)
    print("🤖 AI 毒舌投资人已上线")
    print("我将用最苛刻的眼光审视你的副业想法。请做好准备。")
    print("输入 'quit' 或 '退出' 结束对话。")
    print("="*50)
    
    while True:
        print("\n--- 请输入你的想法 ---")
        title = input("想法标题（例如：做一个AI绘画提示词交易平台）: ").strip()
        if title.lower() in ['quit', '退出', 'q']:
            break
            
        description = input("具体描述（做什么，解决什么问题）: ").strip()
        if description.lower() in ['quit', '退出', 'q']:
            break
            
        resources = input("你的初始资源（技能、时间、资金等）: ").strip()
        if resources.lower() in ['quit', '退出', 'q']:
            break
        
        # 信息充足性检查
        user_input = {'title': title, 'description': description, 'resources': resources}
        missing = agent.check_info_sufficiency(user_input)
        
        if missing:
            print("\n" + agent.generate_followup_question(missing))
            # 这里可以设计逻辑让用户补充，为简化示例，我们直接要求重新输入
            continue
        
        print("\n⏳ 毒舌投资人正在思考...（这可能需要几秒钟）")
        result = agent.analyze_idea(title, description, resources)
        print("\n" + "="*50)
        print("💼 投资分析报告：")
        print("="*50)
        print(result)
        print("="*50)
        
        # 询问是否继续分析该想法的其他方面
        followup = input("\n是否针对此想法进行深入追问？（y/n）: ").strip().lower()
        if followup == 'y':
            print("请提出你的具体问题（例如：'获客成本具体怎么算？'）")
            question = input("> ").strip()
            if question:
                # 将追问加入历史，继续对话
                agent.conversation_history.append({"role": "user", "content": question})
                # 这里可以调用一个简单的继续对话方法，为简化，我们直接结束
                print("（多轮深入对话功能需扩展历史管理逻辑，本例暂略）")
                print("提示：要实现连续对话，需维护更复杂的会话状态。")

if __name__ == "__main__":
    main()

6. 运行效果与实战分析

现在，让我们运行这个程序，并用一个真实的副业想法来测试它。

运行程序： 

cd /path/to/ai_investor_agent
python investor_agent.py

测试案例：

  • 想法标题 ：做一个面向程序员的“副业灵感周报”付费订阅
  • 具体描述 ：每周筛选并深度解读3-5个适合程序员操作的副业案例或小产品思路，包括技术栈分析、市场估算和启动步骤。通过邮件和Notion形式推送。
  • 我的初始资源 ：我是一名全栈开发者，能写代码也能写文章。每周能投入10小时。有1万元初始资金用于推广和内容制作。

预期输出示例（基于 DeepSeek 模型生成，格式已优化）： 

==================================================
💼 投资分析报告：
==================================================
---
🔥 总体评价：又一个试图收割焦虑的“知识付费”平庸想法，程序员们可能已经免疫了。
---
📊 分维度拷打：
1. 需求真伪：[2/5] 程序员想找副业是真需求，但“周报”形式是不是解药？信息过载时代，大家缺的不是灵感，是执行力和坚持。你的周报很可能沦为收藏夹里吃灰的另一个文件。
2. 市场与竞争：[3/5] 市场很大（程序员群体），但竞争极其惨烈。已有“独立变现”、“产品沉思录”、“奇舞周刊”等大量免费高质量内容，还有无数竞品。你的差异化“技术栈分析”和“启动步骤”壁垒并不高。
3. 变现与成本：[2/5] 付费订阅模式？客单价定多少？99元/年？你需要至少500个付费用户才能勉强覆盖时间成本（5万/年）。获客成本可能远超你的想象。1万元资金在付费推广面前杯水车薪。毛利率可能为负。
4. 执行难度：[4/5] 持续产出高质量、有深度的案例是最大的挑战。每周10小时？可能连调研一个案例都不够。很快会陷入创意枯竭或内容水化。一个人既是主编、研究员、写手，还是营销，极易 burnout。
5. 一句话暴击：你在试图卖“地图”给一群最擅长自己“画地图”的人（程序员），而他们身边早已堆满了免费且更好的地图。
---
💡 （可选）如果还有救：放弃“周报”和“订阅”，转向做“最小可行性案例陪跑”。挑一个你坚信的副业点子，自己从0到1做一遍，全程直播或文档化，卖这个“过程”和“结果”，比卖“灵感”有价值100倍。
==================================================

这个输出完美体现了“毒舌”风格：直接、犀利、有数据感（尽管是估算），并且每个维度都有评分和具体点评。最后的“一句话暴击”和“改进建议”也符合我们设定的角色行为。

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：

问题现象 可能原因 排查方式 解决方案
运行后立即报错 ModuleNotFoundError: No module named 'openai' Python 依赖未安装 在终端执行 pip list ，检查 openai 包是否存在 在激活的虚拟环境中运行 pip install openai python-dotenv
调用 API 时返回 AuthenticationError 或 Invalid API Key API 密钥错误或未加载 1. 检查 .env 文件是否存在且路径正确。
2. 检查 DEEPSEEK_API_KEY 的值是否正确（无多余空格）。
3. 在代码中打印 os.getenv(“DEEPSEEK_API_KEY”) 的前几位（勿全打印）确认是否加载。		 1. 确保 .env 文件在项目根目录。
2. 重新从 DeepSeek 平台复制 API Key。
3. 重启 IDE 或终端。
模型回复内容不符合“毒舌”风格，很温和 1. System Prompt 不够强硬或被覆盖。
2. temperature 参数过低。		 1. 检查 system_prompt 变量内容是否被意外修改。
2. 检查 API 调用时 messages 参数中 system 角色消息是否在最前面。		 1. 强化 System Prompt 中的措辞，使用更绝对的命令式语句。
2. 将 temperature 调高至 0.8-1.0，增加随机性，让语气更生动。
回复格式混乱，没有遵守指定的分维度格式 模型有时会忽略严格的格式指令。 检查输出，看是完全没有格式，还是部分遵循。 1. 在 System Prompt 的格式部分使用更明确的标记，如“必须”、“严格遵循”。
2. 在 User Prompt 末尾再次强调“请严格按照输出格式回复”。
3. 可以在代码中添加简单的后处理，对回复进行格式重排。
多轮对话后，模型忘记初始角色设定 对话历史过长，或后续用户输入覆盖了系统指令。 检查 conversation_history 中是否只包含了用户和助理的消息，而系统消息只在首次。 确保每次调用 API 时， messages 列表的第一条始终是 system_prompt 。这是保持角色一致性的关键。
程序运行正常，但分析内容空洞、重复 用户输入的想法描述本身过于模糊、宽泛。 检查输入的 description 是否足够具体。例如，“做个赚钱的APP”就太模糊。 引导用户提供更具体的信息。可以在输入前给出示例，或在 check_info_sufficiency 函数中设置更严格的长度和关键词检查。

8. 最佳实践与进阶优化方向

一个基础的“毒舌投资人”已经完成。但要让它真正实用化、产品化，还需要考虑以下方面：

8.1 Prompt 工程优化

  • 分阶段 Prompt ：将一次性的长 Prompt 拆解。例如，先用一个 Prompt 判断想法所属领域，再用另一个针对该领域（如 SaaS、内容创作、电商）的专家 Prompt 进行深度分析。
  • 示例学习（Few-Shot Learning） ：在 System Prompt 中提供1-2个你精心编写的“毒舌分析”示例，让模型更好地模仿语气和结构。
  • 动态 Prompt ：根据用户输入想法的质量，动态调整 Prompt 的严厉程度。对于明显不成熟的想法，可以更“毒舌”；对于已经比较完善的想法，可以转向“挑剔的合作伙伴”模式。

8.2 工程化与扩展

  • 记忆与知识库 ：为 Agent 接入一个向量数据库（如 Chroma、Milvus），存储历史上成功的/失败的副业案例、市场数据报告。让它的分析不仅仅基于模型的内置知识，还能引用“独家资料”。
  • 工具调用（Function Calling） ：让 Agent 能够主动调用外部工具。例如，当分析市场规模时，可以调用一个搜索工具获取近似数据；分析技术栈时，调用 GitHub API 查看相关开源项目热度。 
    # 伪代码示例：定义工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "search_web_for_market_size",
            "description": "搜索特定领域的市场规模估算数据",
            "parameters": {...}
        }
    }
]
  • Web 界面 ：使用 Gradio、Streamlit 快速构建一个 Web 界面，提升易用性。
  • 异步与流式输出 ：对于长分析，使用流式响应（Streaming）让用户看到生成过程，体验更好。

8.3 安全与伦理边界

  • 内容过滤 ：在输出最终结果前，加入一层内容安全过滤（可调用内容安全 API 或使用关键词列表），避免生成极端负面、人身攻击或有害的建议。
  • 免责声明 ：在交互界面明确提示用户，此分析仅为 AI 生成的参考意见，不构成真实投资建议，决策风险需自行承担。
  • 避免绝对化 ：在 Prompt 中可加入指令，如“避免使用‘绝对会失败’等过于武断的词汇，改用‘风险极高’等相对客观表述”。

8.4 从“毒舌”到“军师”

终极目标不是打击用户，而是帮助用户成长。你可以设计一个“进化模式”：

  1. 第一层：毒舌模式 （本文实现）—— 无情挑刺，过滤垃圾想法。
  2. 第二层：军师模式 —— 对于通过第一层筛选的想法，Agent 切换角色，开始协助用户制定 MVP（最小可行产品）计划、寻找首批用户、设计增长策略。
  3. 第三层：教练模式 —— 在用户执行过程中，定期检查进度，提供反馈，帮助调整方向。

构建一个“AI 毒舌投资人”远不止是一个有趣的编程练习。它是你将 AI Agent 技术应用于解决个人真实需求（副业验证）的一次完整实践。你深入体验了 Prompt 工程如何塑造 AI 的“人格”，理解了多轮对话和工具调用的设计思路，并搭建了一个可运行的原型。

这个项目的价值在于其可扩展性。你可以基于这个框架，轻松改造出“AI 产品经理”、“AI 技术评审”或“AI 健身教练”。核心模式是一致的： 定义角色 -> 设计结构化分析框架 -> 实现交互逻辑 -> 集成与封装 。

下一步，我建议你尝试两件事：第一，用你自己的副业想法去“拷打”这个 Agent，根据它的反馈迭代优化你的 Prompt，让它更懂你所在的领域；第二，尝试为它添加一个“搜索工具”，让它能联网获取最新的市场信息，使分析更具时效性。

# DeepSeek
Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

一个 API 入口调用多个大模型：AiiOnly客户端 + CC Switch 打通 Codex AI编程流程

avatar AI编程社区

压缩完上下文后，Agent 怎么还记得你的开发习惯

本文介绍了Claude代码项目中Memory机制的实现，用于跨任务保存关键信息。Memory分为用户偏好、反馈意见、项目背景和参考线索四类，存储在.memory/目录下的独立Markdown文件中，并通过MEMORY.md目录索引。Agent通过轻量模型调用选择相关记忆加载，每次最多读取5条。记忆提取发生在消息压缩前，以保留原始完整信息。当记忆文件达到10条时会触发合并整理，但存在信息失真的风险。

avatar AI编程社区
cover

VSCode Claude Code + MiMo 中转免登录完整配置教程（解决原生登录弹窗 + 模型报错）

avatar AI编程社区