M0.2 Agent 能做什么：真实案例地图

目标：建立"Agent 能落地在哪些场景"的地图，后面学技术时知道在为什么而学。

1. 客服 Agent：自动应答、工单分流

做什么：用户问问题 → Agent 先理解意图 → 能答的自己答，答不了的自动转人工并附上"已了解的背景"。

代码示意（这是后面你会真的写出来的骨架）：

def support_agent(user_msg, history):
    intent = llm_classify(user_msg)          # 判断：退货 / 查物流 / 投诉 / 闲聊
    if intent == "查物流":
        order_id = extract_order_id(user_msg)
        status = call_api("/orders/{}/status".format(order_id))   # 调内部系统
        return llm_write_reply(status, user_msg)
    else:
        return handoff_to_human(intent, history)

你该记住的点：客服 Agent 的核心价值不是"聊天"，而是它能连上你的业务系统（订单、用户、知识库）。

2. 写作 / 办公 Agent：写文案、做 PPT、整理会议纪要

典型形态：给一堆杂乱输入 → 出一个结构化产出。

def meeting_minutes(transcript: str) -> str:
    prompt = f"""
    你是会议纪要助手。请把下面录音整理为：
    1. 核心结论
    2. 待办事项（含负责人、截止时间）
    3. 风险点
    录音：{transcript}
    """
    return llm(prompt)

练习：把你最近一次微信语音/开会记录粘进去跑一遍，对比你手写纪要，看 Agent 漏了什么、又编了什么。

3. 编程 Agent：Cursor / Copilot 帮你写代码

它们不是"搜索引擎"，而是能读你整个项目、按指令改代码的 Agent。

# 你给它的一句话，背后是 Agent 在工作流里跑了多步：
# "给这个登录接口加上 rate limit 限制，每分钟 60 次"
# Agent 会：读路由代码 → 找合适中间件 → 写代码 → 写测试 → 跑测试

关键认知：编程 Agent 的瓶颈不是"会不会写"，而是你描述需求准不准、给的上下文够不够。

4. 科研 / 数据分析、营销 Agent

# 数据分析 Agent 的最小骨架
def data_agent(csv_path, question):
    df = pd.read_csv(csv_path)
    code = llm_generate_pandas_code(df.head(), question)  # 让模型生成 pandas 代码
    result = run_in_sandbox(code, df)                      # 沙箱里执行，防乱改
    return llm_explain(result)

自测

1. 上面 4 类场景里，哪一类你自己工作/生活里马上能用上？写一句你要解决的具体问题。
2. 这些 Agent 都共同依赖一个能力：连接外部系统（API、数据库、文件）。这跟"只会聊天的机器人"的根本区别是什么？
3. 选一个场景，用一段话描述你希望 Agent 替你完成的具体任务（要具体到"输入什么、输出什么"）。