我想写一个有含金量的agent项目，技术栈打算用ts那一套，目的是学习agent相关的知识，项目能经得住拷打。

回复 群友 4457： 结合你前面一直在找“AI 前沿信息抓取、技术周报”，我建议做一个你自己会持续用的项目： 带证据核验的 AI 技术调研 Agent。 不是“抓几篇文章，让模型总结”，而是给它一个技术问题，它能查资料、发现信息缺口、补充调查，最后交付有出处、能解释不确定性的报告。TS 完全可以做。 具体长什么样 比如你问：“我的资讯筛选系统适不适合用 Jev？” 它先了解你的任务量、延迟要求和分类需求，再查官方文档与评测，区分“官方宣称”和“独立验证”，发现缺少真实测试时明确标出来，最终给出带证据的判断。 相比普通周报，这个题目更能学到 Agent 的决策、上下文管理、工具可靠性和评测，也与你自己的实际需求一致。 含金量主要做在这四处 第一，真的需要决策，而不是固定流水线。 抓取、解析、存储这些用确定性代码；“还缺什么证据、下一步查什么、什么时候停止”交给 Agent。 面试官问“为什么不用脚本”，你可以明确指出：不同问题的信息缺口不一样，需要动态补查。但所有步骤都固定的部分，你没有硬塞模型。 第二，每个重要结论都能追溯。 保存来源 URL、抓取时间、正文快照和引用片段。模型写出的结论要关联具体证据，而不是末尾随便挂几个链接。 例如价格来源是去年文章、官网已经更新，系统应该识别冲突，优先采用当前官方资料；无法确认就保留不确定性。网页里的“忽略之前指令”只能作为资料，不能获得工具权限。 第三，任务中断后还能继续。 抓到第八篇文章时服务重启，不要从头再付一次费用。记录任务进度、工具调用结果和已完成步骤；对超时、限流、重复任务分别处理。 允许用户看到进度、取消任务，并设置最大搜索次数和费用预算。这些比多加一个聊天页面更能体现工程能力。 第四，证明它比简单方案好。 先整理一批你亲自核验的问题作为测试集，例如： 查最新版本变化、比较两个方案、处理过期资料、识别相互矛盾的说法，以及“根本找不到可靠答案”。 比较三个版本：一次搜索直接回答、固定检索流程、动态 Agent。 记录答案正确性、引用是否真正支持结论、信息新鲜度、耗时和成本。不要只让另一个模型打分：链接有效性可以程序检查，关键事实需要人工抽查。 动态 Agent 如果没有更好，就保留简单流程。这也是值得讲的实验结论。 TS 技术栈怎么选 界面用 Next.js，服务端用 Node.js／TypeScript，模型接入用 AI SDK，工具参数用 Zod 校验，PostgreSQL 保存任务、证据和执行记录。 调研任务放独立 worker 跑，不要绑在一个网页请求里。初期用数据库记录状态就能起步，确实需要并发调度、退避重试时再引入队列。 先做单 Agent 加少量工具：搜索、读网页、检索已存证据、生成报告。不必一开始就上多 Agent、向量库和一堆框架；没有它们解决不了的问题，就先不加。 为什么这个方向适合“经得住拷打” Joye 的学习资料强调，接入模型、做出聊天界面的门槛在降低，真正的难点在真实问题和工程取舍。刚查到的 LangChain 相关招聘也专门涉及可观测性和评测；这不能代表整个市场，但说明这些能力确实有实际岗位需求。 你最终应该能拿出来的，不只是演示视频，而是一条完整任务记录、一组对照实验，以及几个“它曾经怎么失败、你为什么这么改”的案例。 项目名字不决定含金量。你能不能证明它可靠、解释取舍、承认边界，才决定它能不能经得住追问。