基于Prompt工程构建AI毒舌投资人Agent：副业想法的低成本压力测试

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：

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。