ClawHub

Agent开发决策辅助系统

Prompts

AI Agent开发决策辅助系统。用户提出Agent应用想法，自动从技术选型、竞品格局、市场前景、行业趋势、开发可行性、系统稳定性、成本预算、推广策略8大维度进行综合分析，生成专业交互式HTML可行性决策报告。覆盖LLM选型/Agent框架/架构模式/幻觉控制/Token成本/RAG方案/Prompt工程/评测体系等Agent开发专属议题。触发词：Agent决策, Agent可行性, Agent开发, 做Agent应用, AI Agent评估, 智能体决策, 搭建Agent, Agent分析报告, agent decision, AI助手开发, 多智能体系统, Agent选型。

Install

openclaw skills install agent-decision

AI Agent 开发决策辅助系统

概述

本技能为 AI Agent 应用开发提供专业的多维度可行性决策分析。用户只需提供 Agent 产品名称和应用方向，系统自动完成市场调研、技术评估、竞品分析、成本估算，生成专业的交互式可视化 HTML 决策报告。

核心能力

  1. 技术选型分析 — LLM/GPT 模型对比选型、Agent 框架评估（LangChain/CrewAI/Dify/Coze/AutoGPT）、架构模式推荐
  2. 竞品格局分析 — 搜索同类 Agent 产品、头部竞品拆解、差异化机会识别
  3. 市场前景分析 — Agent 市场规模、增长率、细分赛道机会、政策环境
  4. 行业趋势分析 — Agent 技术发展趋势、落地场景演进、投资热度
  5. 开发可行性评估 — 技术难度、团队能力匹配、开发周期预估、技术债务风险
  6. 系统稳定性方案 — 幻觉控制策略、可靠性保障、异常处理机制、质量监控体系
  7. 成本预算估算 — LLM API Token 成本、服务器/向量数据库、人力投入、总 TCO
  8. 推广策略建议 — GTM 策略、冷启动方案、定价模式、渠道选择
  9. 综合可行性评分 — 8 维度加权评分、交互式雷达图、风险矩阵

使用方式

触发词 + Agent产品名称 + 应用方向描述

示例：

  • "Agent决策：做一个AI客服多智能体系统"
  • "帮我评估做AI法律咨询Agent可行吗"
  • "分析AI编程助手Agent的可行性"
  • "Agent可行性分析：做一个电商智能导购Agent"

工作流程

第一阶段：数据采集（并行搜索）

使用 WebSearch 工具并行搜索以下维度：

  1. 技术生态：搜索 {产品方向} Agent LLM 技术选型 框架 LangChain CrewAI 2025 2026
  2. 竞品分析：搜索 {产品方向} AI Agent 竞品 产品 排行榜
  3. 市场数据：搜索 AI Agent 市场规模 增长率 2025 2026 预测
  4. 行业趋势：搜索 AI Agent 行业应用 趋势 落地场景 2025 2026
  5. 成本估算：搜索 LLM API Token 价格 成本 对比 GPT Claude DeepSeek 2025 2026
  6. 商业模式：搜索 AI Agent 商业模式 定价 变现 SaaS 2025

第二阶段：深度分析（可选WebFetch）

对关键搜索结果中数据丰富的页面进行 WebFetch 获取详细信息。

第三阶段：报告生成

运行报告生成脚本生成交互式 HTML 报告：

python {baseDir}/scripts/report_generator.py \
  --name "产品名称" \
  --direction "产品方向" \
  --output "output_path.html" \
  --scores '{"tech_maturity":75,"competition":65,"market":80,"industry_fit":70,"dev_feasibility":75,"stability":68,"cost_control":72,"promotion":65}' \
  --tech '{"llm_options":[...],"frameworks":[...],"architecture":"...","detail":"..."}' \
  --competitors '{"count":45,"top3":[...],"saturation":"中等","detail":"..."}' \
  --market '{"size":"471亿","growth":"38%","forecast":"...","detail":"..."}' \
  --industry '{"trend":"快速上升","hot_scenarios":[...],"detail":"..."}' \
  --feasibility '{"difficulty":"中等","team_match":"高","timeline":"3-4个月","risks":[...],"detail":"..."}' \
  --stability '{"hallucination_control":"...","reliability":"...","monitoring":"...","detail":"..."}' \
  --cost '{"api_monthly":"5000-20000","infra":"3000-8000","labor":"5-15万/月","total_annual":"30-80万","detail":"..."}' \
  --promotion '{"gtm":"...","channels":[...],"pricing":"...","detail":"..."}'

或者直接在 Python 中调用：

import json, sys
sys.path.insert(0, '{baseDir}/scripts')
from report_generator import generate_report

data = {
    "name": "产品名称",
    "direction": "产品方向",
    "scores": {...},
    "tech": {...},
    "competitors": {...},
    "market": {...},
    "industry": {...},
    "feasibility": {...},
    "stability": {...},
    "cost": {...},
    "promotion": {...}
}

html = generate_report(data)
with open('output.html', 'w', encoding='utf-8') as f:
    f.write(html)

报告结构

生成的 HTML 报告包含以下章节：

  1. 封面页 — 产品名称、评估时间、总体评分、决策建议徽章
  2. 执行摘要 — 核心结论与建议（可行/谨慎/暂缓/不建议）
  3. 八维度雷达图 — 交互式 Canvas 雷达图，直观展示各维度优劣势
  4. 技术选型分析 — LLM 模型对比表、Agent 框架选型矩阵、推荐架构
  5. 竞品格局分析 — 竞品数量、头部玩家、市场饱和度、蓝海机会
  6. 市场前景分析 — 市场规模、增长率、细分赛道机会
  7. 行业趋势分析 — 技术成熟度曲线、落地场景热度、投资风向
  8. 开发可行性评估 — 技术难度评级、团队匹配度、开发周期、里程碑建议
  9. 系统稳定性方案 — 幻觉控制、可靠性设计、Prompt 版本管理、评测体系
  10. 成本预算估算 — API Token 月度/年度成本、基础设施、人力 TCO
  11. 推广策略建议 — GTM 路径、冷启动方案、定价策略、渠道矩阵
  12. 风险矩阵 — 技术/市场/竞争/合规/运营 5 类风险评级
  13. 综合决策建议 — 加权评分汇总、分阶段行动路线图

评分模型

基于以下 8 个维度加权评分（满分 100）：

维度权重评估标准
技术成熟度15%LLM 能力匹配度、框架生态完善度、开源替代方案可用性
竞品格局15%同类 Agent 产品数量、头部集中度、差异化空间
市场前景15%Agent 市场规模、细分赛道增长、用户付费意愿
行业适配10%Agent 能力与行业需求契合度、可替代传统方案的程度
开发可行性15%技术难度、团队 LLM/AI 能力、开发周期合理性
系统稳定性10%幻觉可控性、多轮对话一致性、异常恢复能力
成本可控性10%API Token 成本可控性、规模化边际成本、ROI 预期
推广潜力10%产品自传播性、GTM 清晰度、商业模式可行性

评分等级：

  • ≥80分：✅ 强烈建议做 — 技术成熟，市场明确，ROI 乐观
  • 65-79分：🟡 谨慎推进 — 有机会但需差异化或技术验证
  • 50-64分：⚠️ 暂缓观望 — 先做 MVP 验证核心假设
  • <50分：❌ 不建议做 — 技术/市场/成本有重大风险

Agent 开发核心技术决策速查

决策项选项适用场景风险提示
LLM 选型GPT-4o / Claude 3.5 / DeepSeek-V3 / Qwen / Gemini按精度/成本/延迟三角权衡单模型依赖风险，建议多模型 fallback
Agent 框架LangChain / CrewAI / Dify / Coze / 自研LangChain灵活/CrewAI多智能体/Dify低代码框架锁定风险，自研维护成本高
架构模式单Agent / 多Agent协作 / RAG+Agent / 工作流编排简单/复杂/知识密集型/流程化多Agent调试难，RAG召回质量决定上限
记忆方案会话窗口 / 摘要记忆 / 向量记忆 / 图谱记忆短/长/语义/关系型上下文记忆越长token成本越高
评测体系人工评测 / LLM-as-Judge / 自动化回归 / 用户反馈不同阶段的评测需求评测覆盖率不足导致线上事故
部署方式API 服务 / 自托管模型 / 边缘部署不同成本/延迟/隐私需求自托管需要GPU资源，冷启动慢

注意事项

  1. LLM API 价格波动频繁，成本估算需留 30% 缓冲
  2. Agent 产品同质化严重，差异化定位是关键决策点
  3. 幻觉问题仍是 Agent 商业化的最大技术瓶颈
  4. 监管政策（AI 生成内容标识、数据安全）持续收紧
  5. 最终决策需结合团队实际 AI 能力与资源判断
More in Prompts