Relevance AI 是一家总部位于澳大利亚悉尼的 AI 创业公司（Y Combinator W22 批次孵化），其核心产品是一个零代码 AI Agent 构建平台：用户通过可视化配置而非编写代码，即可完成大模型选择、提示词管理、工具挂载、多智能体协作、定时触发与运行监控，并将成果以 API 端点、聊天挂件或自动化任务的形式投入生产。平台以「Agent Studio」为构建入口，配合「App Studio」无代码内部工具搭建、内置向量存储、数十个预置工具和 Python 自定义工具扩展，覆盖了从想法验证到上线运维的完整链路。本文首先给出工具速览卡与同类产品对比，然后依次讲解注册配置、30 分钟跑通第一个 Agent、五大核心能力、生产部署与监控、常见误区、面试自测题与学习资源，读者按章节操作即可上手。
掌握 Relevance AI，意味着无需长期排期等待工程资源，也能在数分钟到数天内把 Agent 想法变成线上可用的生产流程——这是产品、运营与 AI 工程师验证和交付 Agent 场景的高性价比技能。
目录
速览卡是工具类内容的固定首屏模块：30 秒判断「这工具是什么、能不能商用、适不适合我」。
为什么需要 Relevance AI：把 Agent 开发从写代码变成拖拽配置
传统构建 AI Agent 的路径依赖工程能力：团队用 LangChain、AutoGen 等框架编写编排代码，逐项对接模型 API、搜索工具、数据库与定时任务，再自行搭建日志和监控。一个中等复杂度的 Agent 从立项到上线往往以周甚至月为周期，业务侧想快速验证想法只能排队等研发排期。其痛点集中在三处：开发门槛高、迭代速度慢、运维成本分散。
Relevance AI 将这条链路压缩为网页上的可视化配置：选择模型供应商与版本、填写系统提示词、从工具库中挂载能力、设置触发器，然后在内置聊天面板直接测试，最后一键发布为定时任务、API 端点或网页挂件。平台负责运行托管、执行日志与用量计量。对于工程团队，平台提供基于 Python 的自定义工具（Custom Tools）机制，可以把任意内部 API 或业务逻辑封装后挂给 Agent 使用——日常无需写代码，复杂场景又能低成本扩展。
与同类工具相比，Relevance AI 的气质差异在于「Agent 原生」：它不像 Zapier、Make 那样以固定触发-动作单元为核心，而是把大模型推理放在流程中央，让工具调用围绕模型决策展开；同时它又是托管服务，免去了自部署与维护的负担，与需要自己写代码、自己运维的 LangChain 生态形成互补而非替代关系。
安装与环境配置：3 步就绪
Relevance AI 是网页服务，所谓「安装」实际是三步：注册账号、创建 API Key、按需安装 Python SDK。
步骤一·注册：访问官网，使用 Google 账号或邮箱注册，选择免费额度（Free）套餐即可开始，无需绑定支付方式。
步骤二·获取 API Key：登录后在右侧账户菜单进入「Settings → API Keys」，点击创建并复制。该 Key 用于后续以 REST API 或 SDK 方式调用已发布的 Agent，网页端操作本身不需要 Key。
步骤三·安装 SDK（可选）：仅当需要以代码方式运维平台（批量创建 Agent、读取运行记录等）时才需要安装官方 Python SDK；若只用网页端，可跳过本步。
# 可选步骤：安装官方 Python SDKpip install relevanceai # 配置 API Key（在平台 Settings → API Keys 创建）export RELEVANCE_API_KEY="你的_API_Key" # 验证 SDK 是否安装成功python -c "import relevanceai; print(relevanceai.__version__)"
快速上手：30 分钟跑通第一个 Agent
最小可用流程的思路是：复用官方模板 → 配置模型与提示词 → 挂载 2-3 个工具 → 对话测试 → 发布。模板市场提供了数十个覆盖销售、客服、运营等场景的预置 Agent，可直接作为起点。
1. 进入「Agent Studio」：登录后在左侧导航点击「Agent Studio」，再从模板中心选择「Web Research Agent」（网页研究）等模板，或点击「Create Agent」从空白创建并命名。
2. 配置模型：在 Agent 编辑页的「Model」下拉框选择模型供应商与版本（如 OpenAI 或 Anthropic 系列），首次使用需在设置中授权对应模型供应商的 API Key。
3. 填写提示词：在「System Prompt」输入框写明角色、任务目标与输出格式，例如「你是一名市场分析师，输出包含来源链接的结论摘要」。
4. 挂载工具：点击「Tools → Add Tool」，从工具库勾选 WebSearch（网页搜索）、WebScrape（网页抓取）等，可保留默认参数。
5. 对话测试：在页面右侧聊天面板发送一条查询，观察 Agent 是否按预期调用工具并返回结构化结果；测试不满意就调整提示词后重测。
6. 发布上线：在「Deploy/发布」区选择发布方式——定时自动化（Automations）或 API 端点；发布后 Agent 即获得独立的调用地址，网页端同时提供自动生成的 API 调用示例代码。
7. 验证运行：在「Run History」中查看首次执行记录，确认无报错后即可接入真实业务。
进阶技巧：任务偏复杂时，可在「Agent Teams」中创建主 Agent 并拆分出「搜索员」「摘要员」等子 Agent，由主 Agent 自动分配任务；也可在 Agent 详情页直接复制平台生成的 REST API 调用示例，把 Agent 嵌入现有系统。
核心能力详解：5 大支柱
支柱一·Agent Studio（无代码 Agent 构建）。这是平台的核心工作台：可视化配置模型、提示词、工具与会话记忆，模型层不绑定单一供应商，支持 OpenAI、Anthropic、Google 等主流模型切换。每个 Agent 自带独立会话记忆，并可通过「Input/Output」结构定义输入输出字段，便于后续被外部系统调用。
支柱二·工具生态与自定义工具。平台内置数十个预置工具，覆盖网页搜索与抓取、表格读写、SQL 查询、CRM 写入（如 HubSpot、Salesforce）等高频能力，挂载只需勾选。对预置工具覆盖不到的场景，Custom Tools 支持用 Python 代码封装任意 API 或业务逻辑、或通过无代码表单定义参数，平台负责执行托管，把一个函数变成 Agent 可调用的工具。
支柱三·自动化与触发器（Automations）。Automations 提供三类触发方式：定时调度（如每小时执行一次）、事件触发（收到邮件或 Webhook 请求时执行）、依赖触发（上一个任务完成后衔接执行）。每次执行都有独立运行记录，失败时可配置重试与邮件/Slack 通知，适合跑批类业务。
支柱四·多智能体编排（Agent Teams）。复杂任务可拆给多个「角色化」子 Agent 协作：主 Agent 负责理解用户目标、分解子任务，搜索、分析、撰写等子 Agent 各司其职，上下文在团队内传递，最后由主持 Agent 汇总输出。多智能体适合调研报告、售前方案生成等长链路任务，但层级不宜过深，以免放大 token 消耗与延迟。
支柱五·App Studio 与向量存储。App Studio 允许无代码搭建面向内部使用的 AI 工具界面——用表单收集输入、用按钮触发 Agent、用数据表展示结果，非技术团队也能自建「合同摘要」「内容分类」等小工具。向量存储（Vector Store）提供文档的切块入库与检索能力，是实现 RAG（检索增强生成，即先从资料库检索相关内容、再让模型基于检索结果生成答案）的基础设施，文档上传后即可被 Agent 检索引用。
生产部署与监控：从上线到运维
部署方式一·API 端点接入生产系统。每个已发布的 Agent 和自动化任务都会生成独立的 REST API 端点，外部系统携带平台 API Key 即可调用，适合接入 CRM、工单系统或内部平台。端点支持传入 Agent 定义的输入参数、返回结构化结果。
部署方式二·网页挂件与定时跑批。Agent 可以生成可嵌入网页的聊天挂件（Chat Widget），访客直接在页面上与 Agent 对话；内部跑批类任务则交给 Automations 定时执行，结果通过邮件、Slack 或写入数据库交付。上线前建议先用小流量或低频调度试运行，观察工具调用是否稳定。
可观测性。平台提供「Run History」运行历史，记录每次执行的 token 消耗、延迟、错误信息与工具返回结果，是排查问题的第一入口；「Usage」用量面板汇总账号级消耗，可按需设置用量上限与告警；工作区支持基于角色的权限管理（RBAC，即按角色分配不同访问权限）、API Key 的创建与轮换，企业版提供审计留痕能力。
<p class="para-label">避坑清单：</p>
<ul class="dash-list"><li>免费额度对 token 与运行次数有限制，长上下文或高频触发会快速耗尽，建议上线前在 Usage 面板设置用量告警与预算上限</li><li>WebScrape 抓取高频访问或依赖 JavaScript 渲染的站点时易超时或结构变化导致失败，关键数据源应改用对方官方 API 或自定义工具</li><li>将模型供应商（如 OpenAI）的 Key 托管在平台时，应使用平台密钥管理功能并定期轮换，不要把 Key 写进系统提示词或日志中</li><li>多智能体层级过深会显著放大 token 成本与响应延迟，上线前先以单 Agent 验证流程，再按需拆分并持续观察 Run History 中的耗时分布</li></ul>
| 维度 | Relevance AI | Gumloop | Lindy | Flowise |
|---|---|---|---|---|
| 定位 | 零代码 AI Agent 构建与托管平台 | 无代码 AI 自动化流水线平台 | AI Agent 个人助理类自动化 | 开源无代码 LLM 应用构建器 |
| 编排范式 | Agent 为中心，多智能体协作 + 自动化触发 | 可视化节点流水线（Pipeline） | 对话式创建与管理 Agent | 可视化节点拖拽（LangChain 生态） |
| 类型约束 | 零代码为主，支持 Python 自定义工具 | 无代码为主，少量代码扩展 | 零代码为主 | 零代码 + JavaScript 函数节点 |
| 学习曲线 | 低（模板多，30 分钟内上手） | 低（模板化流水线） | 低（对话式引导） | 中（需理解节点与数据流） |
| 生态集成 | 数十个内置工具、向量库、REST API | 数十个内置工具与连接器 | 邮件、日历、CRM 等个人效率工具 | 依赖 LangChain 集成生态 |
| 生产部署 | 云端托管，API 端点/挂件/定时任务一键发布 | 云端托管 | 云端托管 | 自托管为主，生产需自行运维 |
| License | 闭源 SaaS（免费额度 + 订阅） | 闭源 SaaS | 闭源 SaaS | Apache 2.0（开源可商用） |
| 适合谁 | 想快速验证并上线 Agent 的产品/运营团队 | 偏好节点流模板的自动化团队 | 个人与中小团队效率自动化 | 有自托管能力、需私有化部署的工程团队 |
选型建议：追求开源自托管、团队具备运维能力的，选 Flowise；个人或小团队需要邮件/日历类助理自动化的，选 Lindy；习惯 Zapier 式节点流且看重模板数量的，选 Gumloop；而希望在单一平台内完成 Agent 构建、多智能体编排、内部工具搭建与托管运维，且团队以非工程人员为主的，Relevance AI 的综合匹配度最高。
版本迭代
Relevance AI 2022 年初以向量搜索与数据处理平台立项（YC W22），2023 年末转向 AI Agent 赛道推出 Agent Studio，2024 年先后补齐 App Studio、多智能体编排与向量存储，逐步形成「Agent 构建 + 内部工具 + 自动化」一体的产品形态（截至训练数据，可能已有更新版本）。
| 版本 | 时间 | 变化 | 提升 |
|---|---|---|---|
| 早期平台 | 2022-01 | 立项并入选 YC W22 | 以向量检索、数据处理与机器学习运维能力服务企业客户 |
| Agent Studio | 2023-11 | 从数据平台转向 AI Agent 赛道 | 推出无代码 Agent 构建器，支持主流大模型与内置工具挂载 |
| App Studio | 2024-02 | 无代码内部工具构建 | 表单、按钮、数据表可视化搭建，可对接 Agent 与自动化 |
| 企业能力增强 | 2024-06 | 多智能体与向量库 | Agent Teams 多智能体编排、内置向量存储、用量计量与角色权限 |
Relevance AI 的迭代主线清晰——从数据基础设施切入，抓住 2023 年末的 Agent 浪潮完成产品转向，再以「零代码 + 托管」降低采用门槛，以「多智能体 + 向量库 + 内部工具」扩大应用纵深。对使用者而言，无需追随每个小版本，优先确认所需的多智能体、RAG 与权限治理能力在当前正式版本中已可用即可。
AI 应用场景
智能销售线索研究（SDR Agent）
阶段：Agent 编排与自动化调度
解决的问题：销售团队通常要花大量时间逐条搜索目标公司新闻、融资动态与决策人信息并整理成简报，人工流程耗时且覆盖面有限。用 Relevance AI 构建线索研究 Agent，挂载 WebSearch 与 CRM 写入工具后，可批量生成结构化线索摘要并自动同步到 HubSpot 等系统。官方在销售 Agent 演示中给出的口径是线索调研时间可减少 90% 以上（实际幅度取决于数据源质量与流程设计）。
具体案例：市场运营人员在模板中心选用销售研究类模板，调整提示词后发布为每日定时任务，Agent 每晚自动抓取目标客户动态、写入 CRM 并推送简报。单条线索的调研与摘要生成从人工处理的 10-20 分钟降至 1 分钟以内，团队每周可覆盖的线索数量明显提升。
客服知识库问答助手
阶段：RAG 管道构建与客服自动化
解决的问题：客服团队面对高频重复问题，人工逐条回复响应慢、口径不一。把产品文档、FAQ 上传至平台向量存储，构建带 RAG 检索能力的客服 Agent，Agent 先从知识库检索相关内容再生成回答，可将常见问题的首次响应时间从小时级降至秒级。
具体案例：客服主管在 Agent Studio 中挂载文档检索工具，把知识库接入 Agent 并在工单系统里以 API 方式调用。Agent 先给出带知识库引用的回复草稿，人工确认后发送，常见问题的人工接管率显著下降，夜间时段也能保持自动响应。
内部运营工具快速搭建（App Studio）
阶段：零代码内部工具构建
解决的问题：运营、市场等非技术团队经常需要「把一段文本输入，得到分类或摘要输出」的小工具，走正式开发流程往往排期数周。App Studio 让业务人员用表单、按钮和数据表直接搭建这类工具，并把结果写入表格或数据库。
具体案例：内容运营在 App Studio 中搭建「评论分类器」，将用户评论粘贴到表单后由 Agent 自动标注为投诉/咨询/好评并汇总统计。整个工具在小时内完成搭建并投入使用，相比提需求排期节省数天等待时间，且后续调整分类规则无需再走开发流程。
常见误区
误区既然是零代码平台，把工具全挂上去、提示词随便写两句，Agent 就能自己搞定一切，不需要设计流程。
正解Relevance AI 省去的是编码环节，但流程设计、提示词质量、工具选择与异常兜底仍需人工决策。工具并非越多越好——每多一个工具，模型的选择难度和调用失败点都会增加。正确做法是先用最小工具集跑通主流程，再按 Run History 暴露的问题逐步补充。
为何常见：「零代码」的营销强调容易让人忽略 Agent 本质上仍是需要精心设计的软件系统，平台只是把编码工作换成了配置工作。
误区都是把应用连接起来做自动化的平台，Relevance AI 顶多是多了一个 AI 步骤。
正解Zapier/Make 的核心是固定的「触发-动作」规则，模型不参与流程决策；Relevance AI 的流程中央是大模型，Agent 根据用户目标自主决定调用哪些工具、以什么顺序执行，支持多智能体分工与自然语言交互，能处理规则写不出来的非结构化任务。
为何常见：两者都以「自动化」为卖点、都有可视化界面，用户容易按既有品类经验归类，从而低估 Agent 编排的差异。
误区在平台上建了 Agent，就是要嵌到网页里跟客户聊天，否则没有别的用途。
正解聊天只是 Agent 的交互外壳之一。平台上的 Agent 可以以无头（headless）方式运行：通过 REST API 被外部系统调用、由 Automations 定时触发、或在多智能体团队中作为子 Agent 被其他 Agent 调用。销售调研、工单分类、数据清洗等后台任务都可以由无对话界面的 Agent 完成。
为何常见：产品宣传中最直观的演示往往是对话框对话，导致用户把交互形态误当成能力边界。
误区平台已经封装好一切，选哪个模型、烧多少 token 都不用管，每月付订阅费即可。
正解Relevance AI 提供的是多模型接入与计量面板，但模型选择直接影响效果与成本：复杂推理任务需要强模型，高频简单任务换低成本模型更划算。平台会按 token 计量消耗，免费额度用完后即产生费用，必须在 Usage 面板设置预算与告警。
为何常见：平台的「托管」属性让用户误以为成本也被整体打包，忽略了模型 API 本身就是按量计费的弹性支出。
误区Agent 上线时提示词调好后就稳定运行，效果波动是模型本身的问题，与提示词无关。
正解线上 Agent 的输入分布会随业务变化，工具返回内容格式也可能因上游站点改版而变化，需要周期性检查 Run History 中的失败样本与低质量输出，迭代提示词和工具参数。官方实践也建议为 Agent 配置失败重试与结果校验逻辑，而不是上线后放任不管。
为何常见：把 Agent 当成一次性交付的软件、而非持续运营的服务，是团队刚从传统开发切换到 Agent 开发时最常见的惯性思维。
面试题
Q1. Relevance AI 的产品形态是什么？
- A.开源的大模型训练框架
- B.零代码的 Agent 构建平台← 正确答案
- C.关系型数据库管理系统
- D.通用前端组件样式库
答案：B。Relevance AI 是零代码 AI Agent 构建 SaaS 平台，核心是 Agent Studio 可视化工作台。它不是模型训练框架、数据库或前端组件库，因此其余三项均与产品定义不符。
Q2. 在 Agent Studio 中，给 Agent 挂载「工具」的主要作用是什么？
- A.调整对话的输出样式
- B.提供外部能力调用入口← 正确答案
- C.管理成员的访问权限
- D.汇总历史对话数据
答案：B。工具（Tools）是 Agent 获取外部能力的通道，如网页搜索、网页抓取、写入 CRM 等。调整输出样式、管理权限、汇总对话都属于平台其他模块的职责，与工具挂载无关。
Q3. 与 LangChain 相比，Relevance AI 最本质的不同是什么？
- A.前者是代码框架，后者是零代码托管平台← 正确答案
- B.前者只支持一家模型供应商，后者支持多家
- C.前者无法做 RAG，后者内置向量库
- D.前者开源免费，后者完全闭源收费
答案：A。LangChain 是开发者编写的编排框架，Relevance AI 是可视化托管的零代码平台，这是二者最本质的差异。两者都支持多家模型、都能做 RAG；Relevance AI 虽闭源但有免费额度，并非完全收费。
Q4. 外部系统以标准方式调用已发布的 Agent，应使用哪种途径？
- A.调用平台生成的 REST API 端点← 正确答案
- B.导出 Agent 为本地可执行文件
- C.通过电子邮件附件触发执行
- D.通过 SSH 登录服务器手动运行
答案：A。平台为每个已发布 Agent 生成独立的 REST API 端点，外部系统携带 API Key 调用即可。导出为本地可执行文件、邮件附件触发、SSH 登录均不是平台提供的标准调用方式。
Q5. 零代码 Agent 平台最不适合承担哪类任务？
- A.有明确输入输出的流程型业务任务
- B.需要高频调用模型与工具的 RAG 问答
- C.底层操作系统内核级别的性能优化← 正确答案
- D.定时抓取网页并生成摘要报告
答案：C。Agent 平台擅长把「模型 + 工具」组合成自动化流程，适合 RAG 问答、网页抓取摘要等任务；但操作系统内核级优化属于底层系统工程，不在 Agent 平台能力边界内。
Q6. 平台内自定义工具（Custom Tools）最典型的实现方式是什么？
- A.使用 Python 代码封装 API 或业务逻辑← 正确答案
- B.使用 Excel 公式编写数据处理规则
- C.编写 C++ 插件并自行编译上传
- D.修改平台前端代码实现新功能
答案：A。Custom Tools 支持用 Python 把任意 API 或内部逻辑封装为 Agent 可调用的工具，平台负责执行托管。Excel 公式、C++ 插件、修改前端代码都不是官方支持的扩展方式。
Q7. 为控制已上线 Agent 的 token 成本，有效的手段有哪些？
- A.精简系统提示词与注入的上下文← 正确答案
- B.选择单价更低的模型供应商← 正确答案
- C.给 Agent 挂载尽可能多的工具
- D.降低自动化的触发频率与执行上限← 正确答案
答案：ABD。token 成本与输入输出长度、模型单价、调用次数直接相关，因此精简提示词、换低成本模型、限制触发频率都能压降成本。反之，挂载过多工具会增加模型决策消耗和失败重试，是成本上升的常见原因。
Q8. 平台的运行历史与日志能帮助排查哪些问题？
- A.单次执行的 token 消耗与费用← 正确答案
- B.单次执行的延迟与错误信息← 正确答案
- C.用户对界面配色的主观偏好
- D.工具返回内容的实际结果← 正确答案
答案：ABD。Run History 记录每次执行的 token 消耗、延迟、错误与各工具的实际返回结果，是定位 Agent 失败和成本异常的第一入口。界面配色属于前端展示范畴，不记录在运行日志中。
Q9. 在平台上实现 RAG 的正确步骤是哪一组？
- A.将整库文档直接粘贴进提示词使用
- B.文档切块入库，检索后注入上下文← 正确答案
- C.关闭模型上下文，仅依赖联网搜索
- D.把文档转换为问答对，离线存储答案
答案：B。RAG 的标准做法是把文档切块写入向量存储，查询时先检索相关片段再注入模型上下文，兼顾效果与成本。整库粘贴会超出上下文窗口；只靠联网搜索或离线问答对都不属于文档级 RAG。
Q10. 生产环境中平台安全治理的做法，哪一项不应采纳？
- A.定期轮换 API Key 并遵循最小权限原则
- B.对 Agent 的输入输出保留审计留痕
- C.将所有成员的 Prompt 全量公开共享← 正确答案
- D.限制 Agent 可访问的外部工具名单
答案：C。安全治理要求 Key 轮换、权限最小化、审计留痕与工具白名单。Prompt 中往往含业务敏感信息，全量公开共享会扩大泄露面，是明确不应采纳的做法。