技术调研

适用场景

1 研发团队评估前端框架（如React、Vue、Angular）并输出选型报告

2 架构组调研向量数据库（Milvus、Pinecone、Qdrant）用于RAG系统

3 技术委员会对比云厂商AI Agent平台能力与成本

4 运维团队评估可观测性工具（Prometheus、Datadog、SkyWalking）

核心Prompt（安装配置用）

你是一名企业级技术调研Agent，负责对指定技术方向进行深度调研并输出对比分析与选型建议。你的任务：1）根据用户输入的技术领域或候选技术列表，检索并整理每个技术的关键信息，包括：核心功能、架构特点、社区活跃度、学习曲线、许可协议、企业级支持、性能基准、集成难度、成本模型；2）从功能完备性、性能、生态、成本、风险五个维度进行评分（1-5分），并给出加权总分；3）输出结构化报告，格式为：一、技术概览；二、多维度对比表格；三、评分矩阵；四、适用场景匹配；五、选型建议与理由；六、潜在风险与缓解措施。约束条件：必须基于可验证的公开信息，不得编造数据；若信息不足，需明确标注“信息缺失”并建议补充调研；对比至少覆盖3个候选技术；选型建议需结合企业规模、团队技能、现有技术栈等上下文（若未提供，则给出通用建议并提示补充）。输出语言为中文，报告长度控制在800-1200字，表格清晰，重点结论加粗。

所需工具 / API对接

需要对接：1）搜索引擎API（如Google Custom Search、Bing Web Search）用于检索技术文档与评测；2）代码托管平台 API获取仓库star、issue、贡献者数据；3）Stack Overflow API获取问题活跃度；4）企业内网知识库（如Confluence、Notion）用于读取现有技术栈约束；5）LLM API（如OpenAI、通义千问）用于生成报告。

安装部署步骤

11. 环境准备：确保服务器或容器具备Python 3.9+、Node.js 18+，并安装Docker（可选）。执行`python -m venv agent-env && source agent-env/bin/activate`创建虚拟环境。

22. 安装依赖：执行`pip install requests openai langchain chromadb`，以及`npm install axios`（若前端调用）。

33. 配置参数：在项目根目录创建`config.yaml`，填写`llm_api_key`、`search_api_key`、`代码托管平台_token`、`enterprise_kb_url`等，并设置`max_candidates: 5`、`score_weights: {function:0.3, performance:0.25, ecosystem:0.2, cost:0.15, risk:0.1}`。

44. 导入Prompt：将核心Prompt保存为`prompts/tech_research.txt`，并在Agent初始化时通过`openai.ChatCompletion.create`加载，或使用LangChain的`PromptTemplate`。

55. 连接工具API：编写`tools.py`，实现`search_web(query)`、`get_代码托管平台_stats(repo)`、`get_stackoverflow_stats(tag)`、`read_enterprise_kb(path)`四个函数，并封装为Agent可调用的工具。

66. 测试验证：运行`python agent.py --topic "向量数据库" --candidates "Milvus,Pinecone,Qdrant"`，检查输出是否包含对比表格、评分矩阵和选型建议，并验证数据来源可追溯。

77. 上线部署：使用FastAPI封装为REST API，执行`uvicorn main:app --host 0.0.0.0 --port 8000`，并配置Nginx反向代理与API密钥鉴权。

88. 监控与迭代：接入Prometheus监控调用次数、耗时、错误率，每周人工抽检报告质量，更新Prompt和评分权重。

配置参数

参数名	说明	默认值
`max_candidates`	单次调研最多对比的技术数量	5
`score_weights`	五个维度的评分权重（功能、性能、生态、成本、风险）	{function:0.3, performance:0.25, ecosystem:0.2, cost:0.15, risk:0.1}
`output_language`	报告输出语言	zh
`report_length`	报告目标字数范围	800-1200
`enable_enterprise_kb`	是否读取企业内网知识库以获取技术栈约束	true

效果示例

输入：调研向量数据库，候选为Milvus、Pinecone、Qdrant，团队已有Kubernetes和Python技术栈。输出：一、技术概览：Milvus开源分布式，Pinecone全托管，Qdrant轻量Rust。二、对比表格：功能完备性、性能、生态、成本、风险五列。三、评分矩阵：Milvus总分4.2，Pinecone 3.8，Qdrant 4.0。四、适用场景：Milvus适合大规模自建，Pinecone适合快速上线，Qdrant适合中小规模。五、选型建议：推荐Milvus，因团队有K8s经验且需控制成本。六、风险：运维复杂度高，建议先试点。

常见问题

问：Agent调研的数据来源可靠吗？答：Agent会优先检索官方文档、代码托管平台仓库和权威评测，并标注来源链接，但建议人工复核关键数据。
问：能否调研非技术类产品？答：本Agent聚焦技术选型，非技术类调研建议使用市场调研Agent。
问：部署需要多少成本？答：若使用云LLM API，单次调研约0.1-0.5元；自建模型则需GPU服务器，成本较高。
问：如何保证选型建议贴合企业实际？答：需在config中启用企业知识库连接，并传入现有技术栈、团队规模、预算等上下文。
问：支持多轮追问吗？答：支持，Agent会保留上下文，可针对某维度深入提问。

企业落地建议

建议以API服务方式部署在内网，供研发团队按需调用。初期可选用云LLM降低门槛，月成本约200-500元（按100次调研估算）。注意事项：1）设置调用频率限制，避免滥用；2）定期更新搜索API密钥和Prompt；3）人工抽检报告质量，尤其关注数据准确性；4）与内部技术评审流程结合，Agent输出作为参考而非最终决策。需要我们帮你落地吗？可以试试免费AI诊断→