构建内容构建代理

概述

本指南演示如何使用 Deep Agents 从零开始构建一个内容写作代理。你构建的代理将：

从 AGENTS.md 和技能文件夹加载语音和工作流规则
将网络研究任务委托给一个具有 web_search 功能的专用子代理
按照加载的技能起草博客或社交内容
使用 Gemini 生成封面或社交图片，并将文件保存在项目目录下

本教程中的代码集成了图像生成工具和文件系统后端，以便代理可以在项目目录下读写文章、研究笔记和图片。有关完整的可运行项目，请参阅 content-builder-agent 示例。

关键概念

本教程涵盖：

用于 TODO 的长期记忆
用于 TODO 的技能
用于 TODO 的子代理
用于文件读写的文件系统后端
用于搜索和图像生成的自定义工具

先决条件

API 密钥：

Anthropic (Claude) 或其他提供商的 API 密钥
用于通过 gemini-2.5-flash-image 进行图像生成的 Google (Gemini) 密钥
用于网络搜索的 Tavily（免费套餐）
用于跟踪的 LangSmith（可选）

Python 3.11 或更高版本。

设置

创建项目目录

mkdir content-builder-agent
cd content-builder-agent

安装依赖

pip install deepagents google-genai pillow pyyaml rich tavily-python langchain

uv init
uv add deepagents google-genai pillow pyyaml rich tavily-python langchain
uv sync

在你自己的项目中，将 deepagents 固定到一个支持的范围（例如 >=0.3.5,<0.4.0），以匹配上游示例。

设置 API 密钥

export ANTHROPIC_API_KEY="your_anthropic_api_key"
export GOOGLE_API_KEY="your_google_api_key"
export TAVILY_API_KEY="your_tavily_api_key"           # 可选
export LANGSMITH_API_KEY="your_langsmith_api_key"     # 可选

添加配置文件

该示例将行为保留在三种文件中：记忆、技能和子代理定义。

添加 AGENTS.md

在项目根目录创建 AGENTS.md。当你稍后创建代理并指定此文件作为记忆参数的一部分时，它会被加载到系统提示中，以便品牌语音和研究期望适用于每次运行。

# 内容写作代理

你是一家科技公司的内容作家。你的工作是创建引人入胜、信息丰富的内容，向读者介绍人工智能、软件开发和新兴技术。

## 品牌语音

- **专业但平易近人**：像一位知识渊博的同事那样写作，而不是教科书
- **清晰直接**：除非必要，避免使用术语；简单解释技术概念
- **自信但不傲慢**：分享专业知识，但不居高临下
- **引人入胜**：使用具体的例子、类比和故事来阐述观点

## 写作标准

1. **使用主动语态**：“代理处理请求”而不是“请求由代理处理”
2. **以价值为导向**：从对读者重要的内容开始，而不是背景介绍
3. **每段一个观点**：保持段落集中且易于浏览
4. **具体胜于抽象**：使用具体的例子、数字和案例研究
5. **以行动结尾**：每篇文章都应让读者知道下一步该做什么

## 内容支柱

我们的内容专注于：
- 人工智能代理和自动化
- 开发者工具和生产力
- 软件架构和最佳实践
- 新兴技术和趋势

## 格式指南

- 使用标题（H2、H3）来分隔长内容
- 在相关处包含代码示例（带语法高亮）
- 对于 3 项以上的列表使用项目符号
- 尽可能将句子保持在 25 个单词以内
- 在结尾包含明确的行动号召

## 研究要求

在撰写任何主题之前：
1. 使用 `researcher` 子代理进行深入的主题研究
2. 收集至少 3 个可信来源
3. 确定读者需要理解的关键点
4. 找到具体的例子或案例研究来阐述概念

要使此代理符合你自己的语气、支柱和格式规则，请更新 AGENTS.md 中的文本。

添加 subagents.yaml

创建一个名为 subagents.yaml 的文件。然后添加以下文本，该文本描述了一个具有 Tavily 支持的 web_search 工具、Haiku 模型 ID 的 researcher 子代理，以及在从主代理委派时将发现保存到你指定路径的说明：

# 子代理定义
# 这些由 content_writer.py 加载并与工具连接

researcher:
  description: >
    在撰写任何内容之前，请始终首先使用此代理研究任何主题。
    搜索网络以获取当前信息、统计数据和来源。
    委派时，告诉它主题和保存结果的文件路径
    （例如，'Research renewable energy and save to research/renewable-energy.md'）。
  model: anthropic:claude-haiku-4-5-20251001
  system_prompt: |
    你是一个研究助理。你可以访问 web_search 和 write_file 工具。

    ## 你的工具
    - web_search(query, max_results=5, topic="general") - 搜索网络
    - write_file(file_path, content) - 保存你的发现

    ## 你的流程
    1. 使用 web_search 查找有关该主题的信息
    2. 使用特定查询进行 2-3 次有针对性的搜索
    3. 收集关键统计数据、引文和示例
    4. 将发现保存到任务中指定的文件路径

    ## 重要提示
    - 用户会告诉你将文件保存到哪里 - 使用该确切路径
    - 始终在你的发现中包含来源 URL
    - 保持发现简洁但信息丰富
  tools:
    - web_search

该文件稍后在创建深度代理时作为参数传递。

添加技能

创建一个 skills/ 目录。每个技能是一个包含 SKILL.md 文件的文件夹，该文件具有 YAML frontmatter（name、description）和技能说明。创建 skills/blog-post/SKILL.md 并将以下文本复制到其中，其中包含有关创建长篇文章、为 SEO 优化内容以及生成封面图片的信息。

---
name: blog-post
description: 撰写和构建长篇博客文章，创建教程大纲，并为 SEO 优化内容以及生成封面图片。当用户要求撰写博客文章、文章、操作指南、教程、技术文章、思想领导力文章或长篇内容时使用。
---

# 博客文章写作技能

## 首先研究（必需）

**在撰写任何博客文章之前，你必须委派研究：**

1. 使用 `task` 工具，设置 `subagent_type: "researcher"`
2. 在描述中，同时指定主题和保存位置：

```
task(
    subagent_type="researcher",
    description="Research [TOPIC]. Save findings to research/[slug].md"
)
```

示例：
```
task(
    subagent_type="researcher",
    description="Research the current state of AI agents in 2025. Save findings to research/ai-agents-2025.md"
)
```

3. 研究完成后，在写作前阅读发现文件

## 输出结构（必需）

**每篇博客文章必须同时包含文章和封面图片：**

```
blogs/
└── <slug>/
    ├── post.md        # 博客文章内容
    └── hero.png       # 必需：生成的封面图片
```

示例：一篇关于“2025 年的 AI 代理”的文章 → `blogs/ai-agents-2025/`

**你必须完成两个步骤：**
1. 将文章写入 `blogs/<slug>/post.md`
2. 使用 `generate_image` 生成封面图片并保存到 `blogs/<slug>/hero.png`

**没有封面图片的博客文章是不完整的。**

## 博客文章结构

每篇博客文章应遵循以下结构：

### 1. 钩子（开头）
- 以引人入胜的问题、统计数据或陈述开始
- 让读者想要继续阅读
- 保持在 2-3 句话

### 2. 背景（问题）
- 解释为什么这个主题重要
- 描述问题或机会
- 与读者的经验联系起来

### 3. 主要内容（解决方案）
- 分为 3-5 个主要部分，使用 H2 标题
- 每个部分涵盖一个关键点
- 在有帮助的地方包含代码示例、图表或屏幕截图
- 对列表使用项目符号

### 4. 实际应用
- 展示如何应用这些概念
- 如果适用，包含分步说明
- 提供代码片段或模板

### 5. 结论和行动号召
- 总结关键要点（最多 3 个要点）
- 以明确的行动号召结尾
- 链接到相关资源

## 封面图片生成

撰写文章后，使用 `generate_cover` 工具生成封面图片：

```
generate_cover(prompt="A detailed description of the image...", slug="your-blog-slug")
```

该工具将图片保存到 `blogs/<slug>/hero.png`。

### 撰写有效的图片提示

使用以下元素构建你的提示：

1. **主题**：主要焦点是什么？具体而明确。
2. **风格**：艺术指导（极简主义、等距、扁平设计、3D 渲染、水彩等）
3. **构图**：元素如何排列（居中、三分法、对称）
4. **调色板**：特定颜色或情绪（温暖的大地色调、凉爽的蓝色和紫色、高对比度）
5. **灯光/氛围**：柔和的漫射光、戏剧性的阴影、黄金时段、霓虹灯辉光
6. **技术细节**：宽高比考虑、用于文本叠加的负空间

### 示例提示

**对于技术博客文章：**
```
等距 3D 插图，展示相互连接的发光立方体，代表 AI 代理，每个立方体都有微妙的电路图案。立方体通过发光的数据流连接。深海军蓝背景（#0a192f），带有电蓝色（#64ffda）和柔和的紫色（#c792ea）点缀。简洁的极简风格，顶部有大量负空间用于标题。专业的科技美学。
```

**对于教程/操作指南：**
```
干净的扁平插图，展示双手在键盘上打字，抽象的代码符号向上漂浮，变成灯泡和齿轮。温暖的渐变背景，从柔和的珊瑚色到浅桃色。友好、平易近人的风格。居中构图，留有文本叠加空间。
```

**对于思想领导力：**
```
人类轮廓与几何神经网络图案融合的抽象可视化。分割构图 - 左侧是有机的水彩纹理，过渡到右侧干净的矢量线条。柔和的鼠尾草绿和温暖的赤陶色调。沉思、前瞻的情绪。
```

## SEO 考虑

- 在标题和第一段中包含主要关键词
- 在全文中自然使用关键词 3-5 次
- 将标题保持在 60 个字符以内
- 撰写元描述（150-160 个字符）

## 质量检查清单

完成前：
- [ ] 文章已保存到 `blogs/<slug>/post.md`
- [ ] 主图已生成在 `blogs/<slug>/hero.png`
- [ ] 钩子在前 2 句话中抓住了注意力
- [ ] 每个部分都有明确的目的
- [ ] 结论总结了关键点
- [ ] 行动号召告诉读者下一步该做什么

接下来，创建 skills/social-media/SKILL.md 并将以下文本复制到其中，其中包含有关起草社交媒体帖子和生成配套图片的信息：

---
name: social-media
description: 起草引人入胜的社交媒体帖子，撰写钩子，建议标签，创建线程结构，并生成配套图片。当用户要求撰写 LinkedIn 帖子、推文、Twitter/X 线程、社交媒体说明、社交帖子或为社交平台重新利用内容时使用。
---

# 社交媒体内容技能

## 首先研究（必需）

**在撰写任何社交媒体内容之前，你必须委派研究：**

1. 使用 `task` 工具，设置 `subagent_type: "researcher"`
2. 在描述中，同时指定主题和保存位置：

```
task(
    subagent_type="researcher",
    description="Research [TOPIC]. Save findings to research/[slug].md"
)
```

示例：
```
task(
    subagent_type="researcher",
    description="Research renewable energy trends in 2025. Save findings to research/renewable-energy.md"
)
```

3. 研究完成后，在写作前阅读发现文件

## 输出结构（必需）

**每个社交媒体帖子必须同时包含内容和图片：**

**LinkedIn 帖子：**
```
linkedin/
└── <slug>/
    ├── post.md        # 帖子内容
    └── image.png      # 必需：生成的视觉图
```

**Twitter/X 线程：**
```
tweets/
└── <slug>/
    ├── thread.md      # 线程内容
    └── image.png      # 必需：生成的视觉图
```

示例：一篇关于“提示工程”的 LinkedIn 帖子 → `linkedin/prompt-engineering/`

**你必须完成两个步骤：**
1. 将内容写入适当的路径
2. 使用 `generate_image` 生成图片并保存在帖子旁边

**没有图片的社交媒体帖子是不完整的。**

## 平台指南

### LinkedIn

**格式：**
- 1,300 字符限制（约 210 个字符后显示更多）
- 第一行至关重要 - 让它成为钩子
- 使用换行符提高可读性
- 结尾使用 3-5 个标签

**语气：**
- 专业但个人化
- 分享见解和经验
- 提出问题以促进互动
- 使用“我”并分享经历

**结构：**
```
[钩子 - 一句引人入胜的话]

[空行]

[背景 - 为什么这很重要]

[空行]

[主要见解 - 2-3 个短段落]

[空行]

[行动号召或问题]

#hashtag1 #hashtag2 #hashtag3
```

### Twitter/X

**格式：**
- 每条推文 280 字符限制
- 更长的内容使用线程（使用 1/🧵 格式）
- 每条推文不超过 2 个标签

**线程结构：**
```
1/🧵 [钩子 - 主要见解]

2/ [支持点 1]

3/ [支持点 2]

4/ [示例或证据]

5/ [结论 + 行动号召]
```

## 图片生成

每个社交媒体帖子都需要一张引人注目的图片。使用 `generate_social_image` 工具：

```
generate_social_image(prompt="A detailed description...", platform="linkedin", slug="your-post-slug")
```

该工具将图片保存到 `<platform>/<slug>/image.png`。

### 社交图片最佳实践

社交图片需要在拥挤的动态中以小尺寸工作：
- **大胆、简单的构图** - 一个清晰的焦点
- **高对比度** - 在滚动时脱颖而出
- **图片中无文字** - 太小无法阅读，平台会添加自己的文字
- **正方形或 4:5 比例** - 适用于所有平台

### 撰写有效的提示

包含以下元素：

1. **单一焦点**：一个清晰的主题，而不是繁忙的场景
2. **大胆风格**：鲜艳的色彩、强烈的形状、高对比度
3. **简单背景**：纯色、渐变或微妙的纹理
4. **情绪/能量**：匹配帖子的语气（鼓舞人心、紧迫、深思熟虑）

### 示例提示

**对于见解/技巧帖子：**
```
单个发光的灯泡漂浮在深紫色渐变背景上，灯泡由相互连接的金色几何线条制成，柔和的光线向外辐射。极简、引人注目、高对比度。正方形构图。
```

**对于公告/新闻：**
```
由彩色几何形状制成的抽象火箭向上发射，留下一串粒子轨迹。明亮的珊瑚色和蓝绿色配色方案，背景为干净的白色。充满活力、喜庆的情绪。大胆的扁平插图风格。
```

**对于发人深省的内容：**
```
两个重叠的半透明圆圈，一个蓝色一个橙色，在中心形成一个发光的交集。代表协作或思想的交汇。深炭灰色背景，柔和空灵的光芒。极简主义且引人深思。
```

## 内容类型

### 公告帖子
- 以新闻开头
- 解释影响
- 包含链接或下一步

### 见解帖子
- 分享一个具体的学习
- 简要解释背景
- 使其可操作

### 问题帖子
- 提出一个真诚的问题
- 首先提供你的看法
- 保持专注于一个主题

## 质量检查清单

完成前：
- [ ] 帖子已保存到 `linkedin/<slug>/post.md` 或 `tweets/<slug>/thread.md`
- [ ] 图片已与帖子一起生成
- [ ] 第一行抓住了注意力
- [ ] 内容符合平台限制
- [ ] 语气符合平台规范
- [ ] 有明确的行动号召或问题
- [ ] 标签相关（非通用）

它们指示代理首先调用 researcher 子代理，在 blogs/、linkedin/ 或 tweets/ 下编写 markdown，并调用 generate_cover 或 generate_social_image 生成图片。当你稍后创建代理并指定技能文件夹时，这些技能文件夹中 SKILLS.md 文件的 frontmatter 会被加载到系统提示中，以便代理在任务与技能描述匹配时可以使用该技能。

构建脚本

在项目根目录创建 content_writer.py。以下部分按顺序属于一个文件。

添加工具

研究子代理使用 Tavily 搜索。博客和社交工作流使用 Gemini 图像生成。稍后创建代理时，load_subagents 函数读取 subagents.yaml 并将工具名称解析为这些装饰函数。

import os
from pathlib import Path
from typing import Literal

import yaml
from langchain.tools import tool

EXAMPLE_DIR = Path(__file__).parent


@tool
def web_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news"] = "general",
) -> dict:
    """搜索网络获取当前信息。

    参数:
        query: 搜索查询（需具体详细）
        max_results: 返回结果数量（默认：5）
        topic: "general" 用于大多数查询，"news" 用于时事新闻

    返回:
        包含标题、URL 和内容摘要的搜索结果。
    """
    try:
        from tavily import TavilyClient

        api_key = os.environ.get("TAVILY_API_KEY")
        if not api_key:
            return {"error": "TAVILY_API_KEY 未设置"}

        client = TavilyClient(api_key=api_key)
        return client.search(query, max_results=max_results, topic=topic)
    except Exception as e:
        return {"error": f"搜索失败: {e}"}


@tool
def generate_cover(prompt: str, slug: str) -> str:
    """为博客文章生成封面图片。

    参数:
        prompt: 要生成的图片的详细描述。
        slug: 博客文章的 slug。图片保存至 blogs/<slug>/hero.png
    """
    try:
        from google import genai

        client = genai.Client()
        response = client.models.generate_content(
            model="gemini-2.5-flash-image",
            contents=[prompt],
        )

        for part in response.parts:
            if part.inline_data is not None:
                image = part.as_image()
                output_path = EXAMPLE_DIR / "blogs" / slug / "hero.png"
                output_path.parent.mkdir(parents=True, exist_ok=True)
                image.save(str(output_path))
                return f"图片已保存至 {output_path}"

        return "未生成图片"
    except Exception as e:
        return f"错误: {e}"


@tool
def generate_social_image(prompt: str, platform: str, slug: str) -> str:
    """为社交媒体帖子生成图片。

    参数:
        prompt: 要生成的图片的详细描述。
        platform: "linkedin" 或 "tweets"
        slug: 帖子的 slug。图片保存至 <platform>/<slug>/image.png
    """
    try:
        from google import genai

        client = genai.Client()
        response = client.models.generate_content(
            model="gemini-2.5-flash-image",
            contents=[prompt],
        )

        for part in response.parts:
            if part.inline_data is not None:
                image = part.as_image()
                output_path = EXAMPLE_DIR / platform / slug / "image.png"
                output_path.parent.mkdir(parents=True, exist_ok=True)
                image.save(str(output_path))
                return f"图片已保存至 {output_path}"

        return "未生成图片"
    except Exception as e:
        return f"错误: {e}"


def load_subagents(config_path: Path) -> list:
    """从 YAML 加载子代理定义并配置工具。

    与 `memory` 和 `skills` 不同，深度代理默认不会从文件加载子代理。
    此辅助函数将配置外部化，以便您可以在不修改 Python 代码的情况下编辑 YAML。
    """
    available_tools = {
        "web_search": web_search,
    }

    with open(config_path) as f:
        config = yaml.safe_load(f)

    subagents = []
    for name, spec in config.items():
        subagent = {
            "name": name,
            "description": spec["description"],
            "system_prompt": spec["system_prompt"],
        }
        if "model" in spec:
            subagent["model"] = spec["model"]
        if "tools" in spec:
            subagent["tools"] = [available_tools[t] for t in spec["tools"]]
        subagents.append(subagent)

    return subagents

创建代理

使用 create_deep_agent 创建深度代理时，传递记忆路径、技能目录、图像工具、来自 YAML 的子代理，以及一个以示例目录为根的 FilesystemBackend，以便像 ./AGENTS.md 和 ./skills/ 这样的路径能正确解析。

from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend


def create_content_writer():
    """创建一个由文件系统文件配置的内容写作代理。"""
    return create_deep_agent(
        model="google_genai:gemini-3.1-pro-preview",
        memory=["./AGENTS.md"],
        skills=["./skills/"],
        tools=[generate_cover, generate_social_image],
        subagents=load_subagents(EXAMPLE_DIR / "subagents.yaml"),
        backend=FilesystemBackend(root_dir=EXAMPLE_DIR),
    )

from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend


def create_content_writer():
    """创建一个由文件系统文件配置的内容写作代理。"""
    return create_deep_agent(
        model="openai:gpt-5.4",
        memory=["./AGENTS.md"],
        skills=["./skills/"],
        tools=[generate_cover, generate_social_image],
        subagents=load_subagents(EXAMPLE_DIR / "subagents.yaml"),
        backend=FilesystemBackend(root_dir=EXAMPLE_DIR),
    )

from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend


def create_content_writer():
    """创建一个由文件系统文件配置的内容写作代理。"""
    return create_deep_agent(
        model="anthropic:claude-sonnet-4-6",
        memory=["./AGENTS.md"],
        skills=["./skills/"],
        tools=[generate_cover, generate_social_image],
        subagents=load_subagents(EXAMPLE_DIR / "subagents.yaml"),
        backend=FilesystemBackend(root_dir=EXAMPLE_DIR),
    )

from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend


def create_content_writer():
    """创建一个由文件系统文件配置的内容写作代理。"""
    return create_deep_agent(
        model="openrouter:anthropic/claude-sonnet-4-6",
        memory=["./AGENTS.md"],
        skills=["./skills/"],
        tools=[generate_cover, generate_social_image],
        subagents=load_subagents(EXAMPLE_DIR / "subagents.yaml"),
        backend=FilesystemBackend(root_dir=EXAMPLE_DIR),
    )

from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend


def create_content_writer():
    """创建一个由文件系统文件配置的内容写作代理。"""
    return create_deep_agent(
        model="fireworks:accounts/fireworks/models/qwen3p5-397b-a17b",
        memory=["./AGENTS.md"],
        skills=["./skills/"],
        tools=[generate_cover, generate_social_image],
        subagents=load_subagents(EXAMPLE_DIR / "subagents.yaml"),
        backend=FilesystemBackend(root_dir=EXAMPLE_DIR),
    )

from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend


def create_content_writer():
    """创建一个由文件系统文件配置的内容写作代理。"""
    return create_deep_agent(
        model="baseten:zai-org/GLM-5",
        memory=["./AGENTS.md"],
        skills=["./skills/"],
        tools=[generate_cover, generate_social_image],
        subagents=load_subagents(EXAMPLE_DIR / "subagents.yaml"),
        backend=FilesystemBackend(root_dir=EXAMPLE_DIR),
    )

from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend


def create_content_writer():
    """创建一个由文件系统文件配置的内容写作代理。"""
    return create_deep_agent(
        model="ollama:devstral-2",
        memory=["./AGENTS.md"],
        skills=["./skills/"],
        tools=[generate_cover, generate_social_image],
        subagents=load_subagents(EXAMPLE_DIR / "subagents.yaml"),
        backend=FilesystemBackend(root_dir=EXAMPLE_DIR),
    )

添加入口点

使用用户消息调用代理以验证代理是否正常工作：

import sys

from langchain.messages import HumanMessage

if __name__ == "__main__":
    task = (
        " ".join(sys.argv[1:])
        if len(sys.argv) > 1
        else "Write a blog post about how AI agents are transforming software development"
    )

    agent = create_content_writer()
    result = agent.invoke(
        {"messages": [HumanMessage(content=task)]},
        config={"configurable": {"thread_id": "content-builder-demo"}},
    )

    for msg in result.get("messages", []):
        if hasattr(msg, "content") and msg.content:
            print(msg.content)

运行代理

文件系统后端可以读取、写入和删除 root_dir 下的文件。仅在专用目录中运行，并在发布前审查生成的内容。

从项目目录，你可以不传递参数或通过传递提示作为参数来调用代理：

python content_writer.py

python content_writer.py Write a blog post about prompt engineering

设置了 LANGSMITH_API_KEY 后，你可以在 LangSmith 中检查运行情况。

输出

成功后，生成的工件将写入系统临时目录（在 macOS 和 Linux 上，通常在 /tmp/ 下），而不是在你的项目文件旁边。

blogs/
└── prompt-engineering/
    ├── post.md
    └── hero.png
research/
└── prompt-engineering.md

路径遵循 SKILL.md 中的技能说明。

完整代码

在 GitHub 上浏览完整的 content-builder-agent 示例，包括基于 Rich 的流式 UI。

后续步骤

编辑 AGENTS.md 以更改品牌语音和研究要求
在 skills/<name>/SKILL.md 下添加技能以支持新的内容类型
在 subagents.yaml 中添加子代理并在 load_subagents 中注册工具
阅读子代理、技能和自定义以进行更深入的配置

将这些文档通过 MCP 连接到 Claude、VSCode 等，以获取实时答案。

在 GitHub 上编辑此页面或提交问题。

Tutorials

Conceptual overviews

Additional resources

概述

关键概念

先决条件

设置

添加配置文件

构建脚本

运行代理

输出

完整代码

后续步骤

​概述

​关键概念

​先决条件

​设置

​添加配置文件

​构建脚本

​运行代理

​输出

​完整代码

​后续步骤

概述

关键概念

先决条件

设置

添加配置文件

构建脚本

运行代理

输出

完整代码

后续步骤