执行摘要#
FlowBeast-Agent 是一个面向业务增长与商业转化场景的 AI Agent 应用与编排项目：以垂直领域的内容生产为入口，通过调用、集成不同的业务 Agent，把内容触达、潜在客户获取与后续客户经营连接起来。
需要先说明边界：这是一个仍在验证中的方向性项目，Demo 已上线但并不完善。 本页描述的是项目定位、目标链路与已经采用的技术策略，不代表一个功能完整、经过商业验证的产品；文中不提供任何效果数字。
背景与问题定义#
增长运营的典型链路是三段：先持续产出内容建立曝光与信任，再承接潜在客户、做线索管理与触达，最后通过外呼等动作推动跟进与转化。
现实中这三段往往由不同工具和不同角色分别完成：内容在一个地方生产，线索在另一个系统里沉淀，外呼又依赖单独的名单与流程。工具之间靠人工搬运，结果是链路长、上下文丢失、每一段都难以判断上一段的质量。
这个项目要验证的问题不是「再做一个单点 AI 工具」，而是：能否用 Agent 编排把这条链路连接起来，让每一段的输出成为下一段的输入，并在此过程中判断哪些环节适合自动化、哪些环节必须保留人工。
设计思路#
目标链路按三段组织：
- 内容生产：面向垂直领域持续生产有价值的内容，承担曝光、认知与信任的建立；
- 线索获取与客群经营：承接内容带来的潜在客户，连接线索管理与客户触达流程；
- 外呼分发及其他业务 Agent 集成：调用或集成现有 Agent，推动线索跟进与商业转化。
需要强调的是，这条链路是根据方向性记忆整理的概念模型，不代表已经完成的产品功能。它的作用是明确「要连接什么」，而不是宣称「已经连接完成」。
技术策略与实现#
- 模型：基于 Qwen、DeepSeek 等模型开展 Agent 应用实践。
- 组织方式：用 Prompt、Skills、MCP 组织任务流程、集成工具调用，探索复杂任务的自动化执行。
- 集成优先：不追求所有能力都自研；线索经营、外呼分发等环节优先考虑调用或集成现有 Agent，把精力放在流程连接与任务编排上。
- 开发方式：使用 Claude Code 辅助开发与调试，围绕实际任务验证输出结果并迭代实现。
- 当前形态：项目 Demo 已上线，用于验证链路与交互，而非承载真实业务流量。
当前状态与边界#
已完成
- 按「内容生产 → 线索获取与客群经营 → 外呼分发」的三段链路完成了项目定位与任务拆解；
- 形成了基于 Qwen / DeepSeek、Prompt / Skills / MCP 的 Agent 应用与集成实践；
- Demo 已上线，可演示基本链路。
尚未完成
- 链路的完整打通与稳定性：项目仍不完善，不能按「已完成的商业产品」理解；
- 业务验证：没有真实客户、真实线索或转化数据，因此不提供任何效率提升、转化率或收入数字；
- 产品化能力：权限、计费、监控、异常处理与多租户等尚未系统建设。
边界
- 本页的三段链路是概念模型，不是功能清单；
- 「调用或集成现有 Agent」是技术策略，不代表已经接入了某一批具体的第三方 Agent；
- 项目的价值目前在于方向验证与 Agent 应用实践，而不是可复用的商业交付。
经验迁移#
这个项目对我的价值，不在于多写了一个 Agent Demo，而在于把「业务链路」放在「技术选型」前面：
- 先定义业务链路，再决定哪里用 Agent——内容、线索、外呼三段中，真正值得自动化的往往只是其中几个可标准化的环节；
- 能集成就不重复造——线索经营与外呼分发优先调用现有能力，自研集中在流程编排与上下文衔接；
- 方向性项目也要有边界——Demo 能跑通不等于产品可交付，对外表述必须区分「已验证」与「规划中」。
这三点与我在智能质检、智能客服方向的做法一致：先把规则和流程定义清楚，再让模型或 Agent 去执行；先用评测判断是否变好，再谈扩大范围。
链接#
- GitHub：https://github.com/ArlesZhang/FlowBeast-Agent
- Demo 与后续进展以仓库说明为准；本页会随项目实际进展更新，未更新即表示仍处于当前状态。