需通过火山方舟平台开发部署ai agent：开通服务并绑定企业项目→生成ak/sk→安装cli→初始化项目→配置agent.yaml声明tools→本地调试→接入自定义skill→构建镜像→推送仓库→控制台部署服务。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在火山引擎上基于豆包大模型开发可部署、可调用的AI Agent，需绕过已下线的豆包App内置智能体功能，直接使用面向开发者的云原生工具链。2026年7月15日起，豆包平台原“智能体”功能正式终止服务，所有新Agent开发必须通过火山方舟平台完成。
准备开发环境与权限
登录火山引擎控制台→进入「火山方舟」服务页→点击「开通服务」。若账号未加入企业项目，需先创建或加入一个已开通豆包大模型API配额的企业项目；【未绑定企业项目将无法调用任何Agent工具】。
在「访问密钥」页面生成一对AK/SK，该密钥将用于后续CLI认证及API调用，务必保存好SK——它只显示一次，丢失后需重新生成并更新所有已部署服务的配置。
打开终端，执行 curl -s https://get.fangzhou.dev | bash 安装方舟CLI；安装完成后运行 fangzhou login 并输入AK/SK完成绑定。
用方舟CLI快速初始化Agent项目
在空目录中执行：fangzhou init --model doubao-2.1-pro --type agent，该命令会自动生成包含agent.yaml、skills/和tests/的标准结构。
agent.yaml是核心配置文件，其中tools字段必须显式声明所用技能：如需联网搜索，必须写入- name: web_search；若漏填，Agent运行时遇到对应意图将直接报错退出，不会自动降级或提示缺失。
执行 fangzhou dev 启动本地调试服务，终端将输出类似 http://localhost:8080/v1/chat/completions 的调试地址，此时即可用curl或Postman向该地址发送含tool_choice: "auto"的请求，触发工具自动调用链。
接入自定义工具（Skills）
方法一：使用内置Skill模板
进入skills/目录，运行 fangzhou skill create --template http-get --name fetch_stock_price，CLI将生成带类型校验、错误重试、超时控制的HTTP Skill代码框架。
方法二：手动注册已有HTTP接口
在agent.yaml的tools下添加块：
- name: get_weather
type: http
url: https://api.example.com/weather
method: GET
parameters:
city: string
注意：参数名必须与函数签名完全一致，大小写敏感，否则运行时报ParameterMismatchError。
方法三：加载Python函数为Skill
新建skills/weather.py，定义函数def get_weather(city: str) -> dict:，并在agent.yaml中用type: python引用；该函数返回值将被自动序列化为JSON传给LLM，【返回字典必须为纯JSON可序列化类型，含datetime或numpy对象会直接崩溃】。
部署到生产环境
第一步：构建镜像
执行 fangzhou build --tag my-agent:v1.2，CLI会读取Dockerfile（若不存在则自动生成），打包含模型推理逻辑、Skill运行时、健康检查端点的容器镜像。
第二步：推送至火山引擎容器仓库
运行 fangzhou push --registry vcr.volcengine.com/my-proj/my-agent:v1.2，推送前确保已执行volcctl login并拥有目标命名空间的写权限。
第三步：创建服务实例
在火山方舟控制台「服务管理」页点击「新建服务」→选择刚推送的镜像→设置最小副本数为2（单副本无故障转移能力）→开启「自动扩缩容」→勾选「启用工具调用审计日志」→点击「部署」。
部署成功后，服务详情页将显示对外API地址，格式为https://xxx.fangzhou.volcengine.com/v1/chat/completions；该地址支持标准OpenAI兼容请求体，可直接替换现有系统中的OpenAI endpoint。
