文章介绍了如何使用 CrewAI、OpenRouter 和 Seltz MCP 服务器构建一个多智能体 GTM（市场进入）研究管道。文章指出 GTM 研究的核心难题在于“连接问题”：触发信号（如新高管入职、融资）与人员背景信息分散在不同数据源中，传统搜索 API 只返回片段，需要大量抓取和拼装。Seltz 作为面向此场景的网络索引，单次调用即可返回完整结构化记录。管道由三个 Agent 组成：Signal Hunter 搜索目标公司的触发事件，People Enricher 获取相关人员的完整职业记录，Outreach Strategist 合并两者输出，生成带个性化首句的排序外联名单。
本文深入解析了Claude Code的“harness”架构，解释了为何简单的模型调用不足以构建可靠的代码代理。作者通过CrewAI框架逐步重建了包括核心循环、工具管理、规划机制在内的关键组件，揭示了通过工程化手段弥补模型差距的方法。
文章介绍了如何构建一个完全开源、可本地部署的深度研究系统。该系统由 Onyx（检索层）、CrewAI（编排层）和 Voxtral（语音层）组成。通过三阶段执行流程、自适应策略和六阶段检索管道，Onyx 在 DeepResearch Bench 排名第一，超越了 OpenAI 和 Gemini。文章强调了数据隐私的重要性，并详细拆解了实现高质量自我托管研究的架构细节。
本文记录了作者利用 Claude Code 从零搭建一个能自主诊断 MySQL 和 Linux 的 AI Agent 的全过程。文章深入浅出地讲解了基于 ReAct 模式的 Agent 核心原理，详细拆解了开发所需的“模型、工具、提示词”三要素及六步开发流程。作者分享了实际落地中遇到的坑（如 Socket 连接问题、tail 命令卡死等）及解决方案，并总结出“Agent 效果 = 模型能力 × 工具质量 × Prompt 清晰度”的公式。
