「AI Agent 全栈开发 50 讲」——从本地模型部署到多智能体系统，一年省 87 万 第 20 课 | 场景一交付：效果验证与价值复盘

第 20 课 | 场景一交付：效果验证与价值复盘

从第 13 课到第 19 课，我们完成了场景一「竞品监控」的完整闭环。这节课，我们不写代码，而是算一笔账——这套系统到底值多少钱？省了多少时间？未来还能怎么进化？

一、场景一全流程回顾

1.1 8 课链路

1.2 每课产物

二、效率对比：人工 vs 自动化

2.1 耗时对比

2.2 质量对比

三、ROI 计算

3.1 成本模型

人力成本（按月计算）：

技术成本（按月计算）：

3.2 ROI 计算

年节省 = 72,000 - 1,800 = 70,200 元 ROI = 70,200 / 1,800 = 39x 回本周期 = 1,800 / (72,000/12) = 0.3 个月 ≈ 9 天

9 天回本，年化 ROI 39 倍。这还只是显性成本。隐性价值更大：

• 分析师释放的 60 小时/月可以用于深度研究
• 不会遗漏重要信息（避免决策失误）
• 报告质量稳定（不会因分析师状态波动）

四、技术架构总结

4.1 系统架构

4.2 技术栈全景

五、经验教训

5.1 做得好的

1. 业务驱动先行：从第 1 课就明确"竞品监控"这个场景，技术服务于业务
2. 渐进式搭建：从爬虫到报告，每课都有可交付的产物
3. 本地优先：Ollama 部署本地模型，零 API 成本，数据不外泄
4. 错误处理：重试、日志、告警，让系统在无人值守时也可靠

5.2 可以改进的

1. 反爬能力：目前对复杂反爬网站（如豆瓣）效果有限，将在第 49 课加强
2. 多源整合：目前只爬了 IT之家，需要更多数据源
3. 实时性：目前是每天一次，可以改为小时级

六、展望场景二

场景二「数据问答 Agent」将解决一个更核心的问题：

让业务人员像对话一样查数据，而不需要写 SQL。

"上周哪个品类的销量增长最快？" → Agent 自动生成 SQL → 查询数据库 → 返回答案 "对比一下 Q1 和 Q2 的毛利率变化" → Agent 生成多步查询 → 数据可视化 → 分析报告

从第 21 课开始，我们将进入这个更激动人心的场景。

本课无代码。场景一全部代码已包含在第 13-19 课中。