如何用 AI Agent 创业：2026 年完整实战课程

01一、问题引入：为什么是现在，为什么是 AI Agent

这支视频不是单纯教你把一个聊天机器人接到网站上，而是在回答一个更现实的问题：当企业已经知道 AI 可以降本增效，却不知道该找谁落地时，普通人如何进入这个供需缺口，学会构建、包装并销售 AI Agent 服务。

Liam 引用 McKinsey 2025 年 11 月报告中的判断：美国现有工作中，有 57% 可以被已经存在的技术自动化。关键不是“五年后会发生什么”，而是“今天就已经能做什么”。这意味着机会并不只属于拥有大模型实验室、资本或工程团队的人；机会也属于那些能把模型、业务流程、API、数据库和客户结果接起来的人。

视频里另一个重要背景是工资与供需差。AI 技能带来的工资溢价达到 56%，并且在一年内翻倍。Liam 把这解释成早期入场者优势：当市场需求快速扩大，而具备实操交付能力的人仍然稀缺时，最先建立案例、流程和信任的人，会更容易占据客户心智。

课程的核心矛盾：企业并不缺“想用 AI”的意愿，缺的是能把 AI 接进真实业务流程的人。Liam 用 “1:1100” 来描述 AI 服务商与真实需求企业之间的供需缺口：每一个懂交付的服务商，背后都有大量企业还没有被服务。

所以这支视频的价值不在于炫耀工具，而在于给初学者建立一条路径：先理解 agent 的工作方式，再通过几个端到端案例知道如何搭建，最后把能力转成可售卖的咨询、自动化或定制交付服务。

自动化红利技能工资溢价服务商缺口端到端交付

02二、核心概念：从 0 理解 AI Agent

Liam 对 AI Agent 的定义很实用：它是能理解指令并采取行动完成任务的“数字员工”。这个定义的重点在“采取行动”，也就是 agent 不只是回答问题，而是能调用工具、读取数据、写入系统、触发流程，并把一个业务任务推进到结果。

2.1 Chatbot 与 AI Agent 的分界线

传统 chatbot 的主要职责是对话。用户问一个问题，它生成一个回答；用户再问，它再回答。它可以很聪明，但如果它不能连接外部系统、不能执行动作、不能把结果写回业务工具，它仍然只是一个信息交互界面。

AI Agent 则更像一个拥有工作台的员工。它既能读懂用户意图，也能决定下一步需要调用什么工具：可能是查 CRM、读取发票、调用 Google Solar API、发邮件、写 Airtable、给 lead 打电话，或者触发 n8n 中的下一段流程。它的产出不是一句话，而是一个被完成或被推进的任务。

2.2 Agent 的五大组件

视频把 agent 拆成五个基础组件：Brain、Prompt、Memory、Knowledge、Tools。这个拆法适合初学者，因为它把“智能”从一个抽象概念拆成了几个可调试的部分。

Brain（模型）：负责理解、推理和生成。它可以是 Gemini、OpenAI、Anthropic 或其他模型。
Prompt（提示词）：规定 agent 的角色、目标、限制、输出格式和工作步骤。
Memory（记忆）：保存对话上下文、用户偏好或长期状态，让 agent 不必每次从零开始。
Knowledge（知识）：企业文档、FAQ、产品手册、价格表、政策规则等可检索信息。
Tools（工具）：agent 调用外部软件的能力，例如 API、数据库、邮箱、表格、CRM、拨号系统。

2.3 Liam 的三大可控要素：Prompt、Knowledge、Tools

虽然 agent 有五个组件，但 Liam 强调初学者真正应该集中注意力的，是三个最可控、最直接影响交付效果的要素：Prompt、Knowledge、Tools。

Prompt决定 agent 如何理解任务和约束边界；Knowledge决定 agent 有没有足够可靠的业务背景；Tools决定 agent 能不能把事情做完。模型本身当然重要，但初学者通常不会训练模型；记忆也有价值，但很多商业自动化的第一步并不依赖复杂长期记忆。相反，只要你能把提示词写清楚、把知识源整理好、把工具接通，就已经能交付大量可收费的工作流。

Prompt 像岗位说明书

它告诉 agent “你是谁、服务谁、目标是什么、不能做什么、输出要长什么样”。在商业场景里，提示词写得越像岗位 SOP，越容易稳定交付。

Tools 像员工权限

没有工具的 agent 只能建议；有工具的 agent 才能操作。工具越多，agent 解决问题的路径越多，但也越需要权限控制和错误处理。

2.4 工具与 API 的原理

Agent 调用工具，本质上是通过 API 与外部软件交互。你给 agent 一个工具描述，它会阅读这个描述，判断什么时候该调用，提取所需参数，把参数传给 API，然后把 API 返回结果纳入下一步推理。

例如在费用报销流程中，agent 看到发票图片后，需要调用模型提取字段；字段返回后，又需要交给 Output Parser 变成结构化数据；用户确认后，再调用 Airtable 写入记录。这里的 agent 并不是“一次回答完所有内容”，而是像流程协调员一样，在多个工具之间接力。

复杂任务通常会被拆成多步：先搜集信息，再整理格式，再确认，再写入系统，再通知相关人。这个拆解能力，是 agent 与普通自动化脚本的差异之一。脚本通常按固定路径运行；agent 则能在一定范围内根据上下文决定下一步。

03三、关键论点与实操步骤：从概念到可卖服务

视频中最有实操价值的部分，是四个端到端 agent 案例。它们不是孤立 demo，而是覆盖了企业常见需求：票据处理、线索捕获、咨询报价、电话资格筛选和自动跟进。下面按课程脉络拆解。

3.1 费用报销 Agent 实操：从发票图片到 Airtable 记录

第一个案例用 n8n 搭建费用报销 agent。用户通过 Telegram 发送发票，流程自动接收图片，然后调用 Gemini 2.5 Flash 识别发票中的关键信息，例如商家、金额、日期、税费、币种和用途。模型输出后，Output Parser 把自然语言结果整理成可写入数据库的字段。

这个案例看似简单，但它体现了企业最愿意付费的一类自动化：把高频、重复、容易出错的手工录入变成半自动或全自动流程。财务、行政、采购、HR 都有类似任务。Liam 的演示并不是为了说“报销就是最好的商业方向”，而是为了证明一个模式：只要某个流程由非结构化输入开始，以结构化记录结束，中间需要人反复复制粘贴，就适合用 agent 改造。

输入：员工在 Telegram 里发送发票图片或文件，n8n 监听消息并获取附件。
理解：Gemini 2.5 Flash 读取发票内容，提取金额、日期、供应商等字段。
结构化：Output Parser 校验字段格式，减少模型自由输出带来的不稳定。
确认：流程暂停并等待用户确认，避免错误数据直接进入财务表。
写入：确认后把结果写入 Airtable，形成可查询、可审核的报销记录。

可复制的商业表达：“我们帮你把员工报销从人工录入变成 Telegram 提交、AI 自动识别、人工一键确认、财务表自动更新。”这比“我会做 AI agent”更容易让客户理解价值。

3.2 太阳能咨询 Agent：把地址变成报价线索

第二个案例面向太阳能行业。用户在聊天框里输入地址，agent 调用 Google Solar API，获取屋顶可安装面板数量、预计发电量、太阳照射条件和相关财务估算。随后，它可以把联邦税收抵免 30% 这样的政策信息纳入回答，并把用户资料写入 Airtable，形成 lead。

这个案例的关键在于：它把“咨询”变成了“数据驱动的互动报价”。传统表单只能收集姓名、电话和邮箱；AI 太阳能咨询 agent 则可以先给用户一个有价值的初步判断，再自然地收集联系方式。对企业来说，这种 lead 往往比冷冰冰的表单更有质量，因为用户已经看到了个性化结果。

用户输入地址：聊天框收集用户地址，并提示用户补充屋顶或电费相关信息。
调用 Google Solar API：根据地址获取屋顶潜力、面板数量和发电估算。
生成咨询结果：把技术数据转成用户能理解的语言，包括节省潜力和 30% 联邦税收抵免。
捕获线索：在用户产生兴趣后收集姓名、电话、邮箱和安装意向。
写入 Airtable：把地址、估算结果和联系方式统一存储，供销售团队跟进。

从销售角度看，这个 agent 的价值不是“能聊天”，而是“能提高线索转化率”。它让网站访客从浏览者变成被初步教育过的潜在客户，同时减少销售人员在低意向用户身上浪费的时间。

3.3 AI 语音 Qualification Agent：让电话筛选自动发生

第三个重点案例是 AI 语音资格筛选 agent。Liam 提到 Retell 和 11Labs 这类语音工具，用来自动拨打 lead 电话，收集关键信息，并把结果传回 n8n 触发后续流程。

在真实销售团队里，“联系新线索、确认预算、确认时间、确认需求、判断是否值得销售跟进”是非常耗时的工作。语音 agent 的意义在于，它可以承担第一轮筛选：礼貌开场、说明来意、提问、记录回答、判断是否合格，并在满足条件时安排下一步。

触发拨号：Airtable 或 CRM 出现新 lead 后，n8n 调用 Retell 或 11Labs 发起电话。
对话脚本：语音 agent 按业务脚本询问预算、需求、地区、时间线和决策权。
结构化记录：通话结果被转成字段，例如意向等级、痛点、异议和推荐下一步。
后续动作：合格 lead 自动通知销售，不合格 lead 进入培育或沉默流程。

这个案例的交付门槛更高，因为电话场景对语速、延迟、口吻、合规和失败兜底都有要求。但正因为复杂，客户也更愿意为稳定结果付费。对初学者来说，它适合作为进阶项目，而不是第一个上手项目。

3.4 Chat Widget + Voice + Lead Capture：从入口到跟进的全链路

视频还涉及把聊天组件、语音 agent 和线索捕获连成完整链路。网站上的 chat widget 负责接住访客，agent 负责回答问题、判断需求、收集资料；当用户留下电话后，语音 agent 可以继续做 qualification；所有结果写入 Airtable 或 CRM，再由 n8n 触发邮件、短信、销售提醒或预约流程。

这条链路更接近真实商业交付：客户通常不只想要一个“智能聊天框”，而是想要更多合格线索、更少人工筛选、更快响应速度和更清晰的销售数据。因此，卖 agent 的时候，应该围绕业务指标表达，而不是围绕工具名称表达。

从项目到产品化服务：把“搭一个 agent”包装成“网站线索捕获与自动资格筛选系统”，客户更容易判断 ROI，也更容易接受一次性搭建费加月度维护费。

3.5 变现蓝图：Builder 与 Consultant 两条路径

Liam 提到自己的 AI 自动化学校，并把入门者大致分成两条路径：builder 和 consultant。Builder 偏重亲手搭建系统，理解 n8n、API、数据库、部署和调试；consultant 偏重发现业务问题、设计方案、销售项目、管理客户预期和交付结果。

这两条路径并不互斥。最强的个人服务商通常两边都懂：既能用客户语言讲清楚 ROI，也能进入 n8n 里修复一个失败节点。初学者可以先从 builder 做起，用小项目建立手感，再逐步训练咨询与销售能力；也可以从 consultant 做起，找技术伙伴交付，但必须理解 agent 的边界，避免卖出无法落地的承诺。

视频里的 30 天挑战，本质上是把学习目标从“看完课程”改成“拿到第一个付费客户”。这会逼迫你做三件事：选择一个垂直场景，做出一个可展示 demo，联系真实企业并询问他们是否愿意为结果付费。

3.6 推荐工具栈：先用低代码跑通商业闭环

视频中出现的工具栈非常适合初学者：n8n 用来编排流程，Gemini 2.5 Flash 用来做快速低成本的理解与提取，Airtable 用来存储结构化数据，Telegram 用作轻量输入入口，Google Solar API 提供行业数据，Retell 或 11Labs 负责语音交互，Hostinger 可用于部署面向客户的网站或演示页面。

这套工具的优点是交付速度快，不要求一开始就写完整后端。缺点是当客户规模、权限、审计、稳定性要求上升时，你需要补上更严谨的工程能力，例如日志、重试、错误队列、权限隔离、数据备份和隐私合规。

04四、对比表格与决策矩阵

下面三张表把视频里的核心判断整理成可扫描的决策矩阵。阅读方式很简单：先判断你是在做聊天体验还是业务动作，再判断你能控制的 agent 组件，最后选择一个适合当前能力和客户需求的实操项目。

表 1：Chatbot vs AI Agent 对比
维度	Chatbot	AI Agent	商业含义
响应方式	主要生成文字回答，围绕对话本身工作。	理解目标后拆解任务，并在多个步骤中推进结果。	客户为“结果”付费的意愿通常高于为“回答”付费。
是否采取行动	通常不直接执行外部动作，除非额外接入自动化。	可以调用 API、写入数据库、发送消息、触发工作流。	能否行动，是从演示工具进入企业流程的分界线。
是否需要工具	可以只依赖模型和知识库。	高度依赖工具描述、权限、参数提取和返回结果处理。	工具越贴近业务系统，项目越有护城河。
典型场景	FAQ、客服问答、产品介绍、内容推荐。	报销处理、线索筛选、报价生成、CRM 更新、自动跟进。	初学者可先用 chatbot 获得入口，再逐步升级为 agent。
风险点	回答不准、知识过期、用户体验差。	错误调用工具、写错数据、权限过大、流程失败无人知晓。	销售 agent 服务时必须说明确认、日志和人工兜底机制。

表 2：三大可控要素对照
可控要素	作用	难度	典型工具或做法
Prompting	定义角色、目标、边界、输出格式和任务步骤，是 agent 的岗位说明书。	入门容易，稳定变难；需要反复根据失败样例调整。	系统提示词、Few-shot 示例、输出模板、错误处理指令、业务 SOP。
Knowledge	提供业务上下文，让 agent 回答和决策基于公司资料、产品规则和行业数据。	中等；难点在资料清洗、版本更新、权限隔离和检索质量。	知识库、向量检索、FAQ、政策文档、产品手册、价格表、Airtable。
Tools	让 agent 采取行动，例如查数据、写记录、发通知、拨电话、生成报价。	最高；涉及 API、鉴权、参数校验、失败重试和业务后果。	n8n、Zapier、Make、Google Solar API、Telegram、Retell、11Labs、CRM API。

表 3：四个实操 Agent 对比
实操 Agent	用途	平台	关键 API / 工具	复杂度
费用报销 Agent	把发票图片转成结构化报销记录，并等待用户确认后写入表格。	n8n、Telegram、Airtable	Gemini 2.5 Flash、Output Parser、Airtable API、Telegram Bot	低到中；适合第一个商业 demo。
太阳能咨询 Agent	根据地址估算屋顶太阳能潜力，生成初步咨询结果并捕获 lead。	网站 Chat Widget、Airtable	Google Solar API、Airtable API、聊天组件、税收抵免规则	中；需要处理行业数据与用户转化路径。
AI 语音 Qualification Agent	自动拨打新线索电话，询问预算、需求和时间线，判断是否值得销售跟进。	Retell 或 11Labs、n8n、CRM	语音模型、电话 API、转写、n8n Webhook、CRM / Airtable	中到高；需要关注延迟、脚本质量和合规。
Chat + Voice + Lead Capture 全链路 Agent	从网站访客接待到电话筛选，再到 CRM 记录和销售通知的完整自动化。	网站、n8n、Airtable、语音平台	Chat Widget、Retell / 11Labs、Airtable API、邮件或短信通知、Hostinger 部署	高；适合包装成高客单价服务。

05五、视频金句：值得反复记住的四个判断

这些句子保留英文原文，并在中文语境中解释其意义。它们基本覆盖了视频的逻辑：自动化机会已经存在，初学者要聚焦可控要素，工具决定行动能力，而早期建立技能的人会获得市场位置。

“57% of all the work that Americans do today can be automated with the technology that already exists. Not technology coming in 5 years.”
中文理解：机会不是遥远预测，而是已经可以用现有技术改造的工作。

“While an agent has five components, the three things you actually need to focus on are prompting, knowledge, and tools.”
中文理解：初学者不要被概念淹没，先抓住最能影响交付结果的三件事。

“The more tools you give to an agent, the more flexibility it has to solve problems.”
中文理解：工具就是 agent 的行动能力，但工具越多，越要设计权限和错误兜底。

“The people who build these skills now, while the gap is still massive, are the ones who will get to establish themselves.”
中文理解：供需缺口最大的时候，也是个人建立案例、口碑和定价权的时候。

06六、时间戳目录：按章节快速回看

以下时间点根据字幕概要和视频结构整理，适合二刷时快速定位。具体秒点可能因 YouTube 章节或片头长度略有偏差，但内容顺序与课程脉络一致。

00:00开场：Liam 介绍自己的 AI agent 经历、公司收入、订阅者规模和企业交付背景。
01:05市场背景：McKinsey 57% 自动化潜力、AI 技能工资溢价和早期入场者优势。
02:20供需缺口：为什么大量企业有 AI 需求，但缺少能真正落地的服务商。
03:10AI Agent 定义：从“会聊天的机器人”转向“能采取行动的数字员工”。
04:15五大组件：Brain、Prompt、Memory、Knowledge、Tools 的基本作用。
05:25三大可控要素：为什么初学者要优先掌握 Prompting、Knowledge 和 Tools。
06:30工具调用原理：agent 如何通过 API 读取工具描述、提取参数并获得返回结果。
07:35多工具编排：复杂任务如何拆成搜索、整理、确认、写入和通知等步骤。
08:40费用报销 Agent：Telegram 接收发票，Gemini 2.5 Flash 提取字段，Airtable 存储。
10:25用户确认机制：为什么在财务和高风险流程里要保留人工确认节点。
11:20太阳能咨询 Agent：地址输入、Google Solar API、发电估算、税收抵免和 lead 捕获。
13:10AI 语音 Qualification Agent：Retell / 11Labs 自动拨号，收集销售筛选信息。
14:45全链路 Agent：Chat Widget、Voice、Lead Capture 与 n8n 后续流程连接。
16:10变现蓝图：AI 自动化学校、builder 路径、consultant 路径和 30 天拿客户挑战。
17:35工具栈总结：n8n、Gemini 2.5 Flash、Airtable、Telegram、Google Solar API、11Labs / Retell、Hostinger。

07七、把课程变成行动：初学者的 30 天执行框架

如果只看完视频，你获得的是信息；如果把它拆成 30 天行动，你才会获得可销售的资产。下面是基于视频逻辑整理的执行框架，适合没有客户、没有案例、但愿意从一个垂直场景开始的人。

第 1 周：选一个流程，而不是选一个工具

不要从“我要学 n8n”开始，而要从“我想帮谁减少什么工作”开始。好的入门流程通常具备三个特征：重复频率高、输入输出清晰、业务风险可控。费用报销、线索录入、客服 FAQ 升级、预约提醒、报价初筛，都是比较适合的起点。

第 2 周：做一个可演示的端到端 demo

Demo 不需要覆盖所有边界情况，但必须能从真实输入走到真实结果。比如上传一张发票，最后看到 Airtable 多了一条记录；输入一个地址，最后看到太阳能估算和 lead 记录。客户不需要知道每个节点的细节，他们需要看到流程被完成。

第 3 周：联系真实企业，验证痛点和付费意愿

用非常具体的语言发起沟通：不要说“我能帮你做 AI 自动化”，而要说“我做了一个系统，可以把你们的发票录入时间减少到员工拍照、AI 提取、财务确认三步。你们现在每周处理多少张发票？”这种表达会自然引出业务现状、成本和预算。

第 4 周：把第一个项目交付成案例

第一个客户不一定要高价，但必须换来真实反馈、可展示截图、前后对比和推荐语。后续销售时，你需要的不是“我学过某某课程”，而是“我帮一个团队把某流程从每天 2 小时降到 15 分钟”。这才是 agent 服务的商业证据。

08八、风险与边界：卖 AI Agent 时不要忽略的问题

视频强调机会，但真正交付时还要理解边界。企业愿意为自动化付费，也会担心错误、权限、隐私和稳定性。你越早把这些问题纳入方案，越像一个可信的服务商。

补充矩阵：交付 AI Agent 前的风险检查
风险	可能后果	建议处理方式
模型提取错误	发票金额、客户电话或报价参数写错，影响财务或销售判断。	使用结构化 parser、字段校验、置信度提示和人工确认节点。
工具权限过大	agent 可能写入错误系统、泄露数据或触发不该触发的动作。	最小权限原则；先读后写；高风险动作必须人工批准。
流程失败无人知道	客户以为系统在运行，实际 lead 没有进入 CRM 或电话没有拨出。	设置日志、失败通知、重试策略和人工回查面板。
客户预期过高	客户以为 agent 可以完全替代员工，遇到边界情况后失望。	销售时明确自动化范围、准确率假设、人工兜底和迭代周期。
隐私与合规问题	发票、电话录音、客户资料可能涉及敏感信息。	确认数据存储位置、访问权限、保留周期和客户所在行业要求。

初学者最容易犯的错误，是把 demo 当成交付。Demo 证明“能跑通”，交付则要求“能在客户环境里持续稳定地跑”。两者之间的差距，正是你可以向客户收取搭建费、维护费和优化费的理由。

09九、相关推荐

继续阅读课程列表或相邻课程，可以把本页内容放到更大的 AI agent 学习路径里。