第五篇　进阶与展望：从工具到产品

写到这里，我们的 Python AI 工具箱已经不是当初那堆“埋头干活”的脚本了：它会读提示词、会查本地知识库、会通过 Function Calling 调用外部工具，也部署上了云、有了监控告警。但把一个“自己用着顺手”的内部工具，变成团队愿意天天依赖的产品，中间还差几道坎。第五篇就来填这几道坎。

本篇共四节，各自对应一道坎：

  • 5.1 多模态——让工具箱学会“看”和“听”，处理截图、扫描件与会议录音这类非文本输入。
  • 5.2 Agent 编排——把零散的能力串成能自己规划步骤、自己纠错重试的完整任务流。
  • 5.3 成本控制——算清 token 与云资源的每一分钱，别让智能化变成账单灾难。
  • 5.4 持续学习——建立一套机制，让工具箱跟着模型与工具的迭代一起进化，而不是每次升级都返工。

如果你是按顺序读下来的，这四节正好补上“能用”到“好用”的最后一段路；如果是跳读，建议先翻 3.3 Function Calling，因为 5.2 的 Agent 编排完全建立在它之上。部署相关的基础（轻量服务器、对象存储 COS、云函数）在全书 第四篇 有完整说明，成本一节会直接引用其中的实例选型结论。

延伸阅读