📝智能体开发实战笔记 (Day 1-2)

核心主题： RAG 原理、Prompt 工程、工作流编排

1. 🧠 智能体的底层逻辑：RAG (检索增强生成)

智能体的对话流本质就是三步走：输入 (Input) -> 执行 (Execution) -> 输出 (Output)。 为了让 AI 懂私有知识（比如路飞课程、公司文档），我们需要 RAG。

⚙️ 数据处理流程 (Pipeline)

1. 分块 (Chunking): 把知识库的长文本切成小块。
2. 嵌入 (Embedding): 扔进 Embedding Model，把文字变成数学向量。
3. 入库: 存入 向量数据库 (Vector DB)。

🔄 检索与生成 (Retrieval & Generation)

当用户提问时：

1. 检索: 把用户的问题也变成向量，去向量库里“搜”最相似的内容。
2. 注入: 把搜到的内容（Context）填入 Prompt。
3. 生成: Prompt + 检索到的知识 + 用户问题 -> 扔给大模型 -> 输出答案。

💡 核心价值： 解决大模型“胡说八道”的问题，让它基于事实回答。

2. 🗣️ Prompt 工程 (提示词编写)

提示词是智能体的“大脑皮层”，必须用 Markdown 格式 写才规范。

📐 结构规范

• 标题层级: 用 # 表示一级标题，## 表示二级标题（让 AI 读懂结构）。
• 变量注入: 用双大括号 {{ }} 包裹变量。
  • {{user_input}}: 用户输入的内容。
  • {{context}}: 知识库检索到的内容。

🛡️ 系统提示词 (System Prompt) 模板

Markdown

# Role

你是一个专业的课程顾问。

# Constraints

1. 你必须基于 {{context}} 回复用户，不能编造事实。

2. 如果知识库中没有答案，请直接回答“不知道”。

# Task

回答用户的问题：{{user_input}}

3. 🖼️ 图片检索与多模态

智能体不仅能回文字，还能回图片（比如返回课程海报、架构图）。

• 数据源: 本地图片、在线 URL。
• 难点: 图片多了检索不准。
• 解决方案: 人工标注 (Annotation)。给图片写一段准确的文字描述，检索时其实是在检索这段描述。

📤 图片输出的 Prompt 技巧

如果需要模型返回图片，要在 Prompt 里规定 Markdown 图片格式：

Markdown

# Task

你必须整理相关图片并返回。

# Output Format

请严格按照以下格式输出图片：


(注意：这里必须告诉模型用标准的 Markdown 图片语法，即)

4. 🔀 高级工作流：让 AI 更像人 (Router & Optimization)

为了不让 AI 变成只会答题的机器人，我们需要在检索之前加两个“脑子”：

🚦 第一关：意图识别 (Intent Recognition / Router)

• 为什么要做？ 区分用户是在“闲聊”还是“办正事”。
• 逻辑分流：
  • 👉 情况 A（打招呼/无关话题）： 走 通用大模型（回复“你好”、“天气不错”）。
  • 👉 情况 B（问课程/业务问题）： 走 知识库检索流程（RAG）。

🔧 第二关：问题优化 (Query Rewriting)

• 为什么要做？ 用户问得可能很烂、很模糊（比如只问“多少钱？”）。
• 怎么做？ 在检索之前，先用一个模型把用户的问题改写成机器能听懂的完整句子。
  • 用户问: “贵吗？”
  • 改写后: “请问课程价格是多少？” -> 再去检索知识库，准确率翻倍！