人工智能应用与实践项目式教程 课件 第5-9章 让机器“创作”内容 大语言模型与AIGC-中华美食制作助手 - 副本

让机器“创作”内容——大语言模型与AIGC“高职高专系列丛书人工智能应用与实践项目式教程项目501提示词工程任务知识01应用背景传统电商公司的内容创作（如商品描述、营销文案、技术文档）需要投入大量人力，效率低且容易受创作者个人风格和能力的限制。随着市场竞争的加剧，企业急需更快速、更经济的内容生产方式。02AI+行业结合与传统的内容创作方式相比，提示词工程可以快速将简单的文字描述转化为高质量的内容，缩短创作周期，降低人力成本。内容创作者可以专注于创意构思和优化，而不是重复的写作工作，可以使内容生产更加高效和灵活。03技术原理提示词工程就像和一个聪明的助手对话。你对助手说“我需要一首关于春天的短诗，有鸟儿、花朵和温暖的阳光”，助手就能根据你的描述写出一首诗。提示词就是你对助手的“指令”，好的提示词能让助手更准确地理解你的需求。大语言模型通过学习海量文本，已经掌握了丰富的语言知识，人们通过合适的提示词即可得到相应内容。任务实施01实验平台和数据准备本任务基于“海豚人工智能与大数据实验室”平台开展。提示词工程主要依靠大语言模型的预训练知识，因此只需要提供合适的提示词即可。02数据预处理本任务使用的是已有的大语言模型，输入为纯文本，因此不需要进行数据预处理。任务实施03操作步骤3.1打开AI助手平台（1）打开谷歌浏览器，进入“海豚人工智能与大数据实验室”平台，或者直接访问登录DeepSeek、豆包、文心一言等AI平台官网。本任务主要使用“海豚人工智能与大数据实验室”平台。（2）打开“提示词工程入门”界面，单击界面左侧的“GPT”图标，打开“海豚AI助教”，在界面下方的文本框中可以输入提示词，如图5.1.1所示。任务实施03操作步骤3.2编写基础提示词（1）输入基础提示词，如“天空是”，单击“运行”按钮即可发送文本让大语言模型进行内容生成。（2）观察“海豚AI助教”生成的初始响应，然后输入优化提示词“完善以下句子：天空是”，并运行，即可得到优化后的内容，如图5.1.2所示。（3）比较两次生成的内容，分析提示词变化对输出的影响。任务实施03操作步骤3.3应用提示词结构（1）按照“角色+任务+输入数据”的结构编写提示词，让AI明确“谁”（角色）、“做什么”（任务）、“基于什么”（输入数据），以提升回答的专业性和准确性。例如，指定角色为气象专家，任务是描述天气，输入数据为“天空是”。（2）在提示词文本框中输入以上示例提示词，然后单击“运行”按钮，即可看到“海豚AI助教”生成的响应，如图5.1.3所示。任务实施03操作步骤3.4添加提示词规范要求（1）在提示词中加入格式限制，如限制输出只包含答案，然后编写带有规范要求的提示词示例，避免AI生成冗余内容，确保输出符合特定需求。例如，“请按照以下格式直接回答问题。只能给出答案，不要产生其他内容。问题：浙江的省会是哪里？答案：杭州。问题：中国的首都是哪里？”（2）在提示词文本框中输入以上示例提示词，单击“运行”按钮，结果如图5.1.4所示。（3）验证生成内容是否严格符合格式要求。任务实施03操作步骤3.5零样本与少量样本提示词（1）零样本：输入分类提示词，单击“运行”按钮，观察“海豚AI助教”生成的响应，如图5.1.5所示。（2）少量样本：输入带有格式的提示词样本，单击“运行”按钮，观察“海豚AI助教”生成的响应，如图5.1.6所示。（3）比较两种方式的效果，分析样本对生成内容的影响。任务实施03操作步骤3.6数据分析提示词（1）准备数据分析提示词。例如，你是有丰富工作经验的数据分析师，现在要对学生的体测数据进行分析。体测数据的Excel文件在'learn_pandas.csv'中；列名为School、Grade、Name、Gender、Height、Weight；分别表示学校、年级、姓名、性别、身高、体重。任务如下：①读取数据，并显示前5行；②请按照性别分组，统计平均身高。给出pandas代码。任务实施03操作步骤3.6数据分析提示词（2）在提示词文本框中输入准备的数据分析提示词，单击“运行”按钮，生成内容如图5.1.7所示。（3）复制生成的代码并在Python环境中运行，验证结果。任务实施03操作步骤3.7用大语言模型学会Python编程（1）在提示词文本框中输入“Python代码注释的基本语法”，单击“运行”按钮，学习“海豚AI助教”生成的解释和示例，如图5.1.8所示。（2）在提示词文本框中输入“什么是Python的代码缩进”，单击“运行”按钮，学习“海豚AI助教”生成的解释和示例，如图5.1.9所示。任务实施03操作步骤3.7用大语言模型学会Python编程（3）在提示词文本框中输入“在编写代码的过程中，不小心没有正确缩进，运行程序会提示哪些错误信息，如何定位理解”，单击“运行”按钮，学习“海豚AI助教”生成的解释和示例，如图5.1.10所示。（4）在提示词文本框中输入“在编写Python代码的过程中，不小心没有正确缩进，运行程序会提示哪些错误信息，如何定位理解。给出示例代码和错位提示信息”，单击“运行”按钮，学习“海豚AI助教”生成的解释和示例，如图5.1.11所示。（5）实践代码编写，处理缩进错误，查看错误信息。02AI图像生成任务知识01应用背景传统的设计需要设计师投入大量时间进行创意构思和草图绘制，设计周期长、成本高，而且容易受到设计师个人风格和创意局限的影响。随着市场竞争的加剧，企业需要更快速、更经济的设计方式。02AI+行业结合与传统的设计方式相比，AI图像生成技术可以快速将文字描述转化为图像，缩短设计周期，降低人力成本。设计师可以专注于创意构思和优化，而不是重复的绘图工作，使设计过程更加高效和灵活。03技术原理AI图像生成就像一个“会画画的智能助手”。它的工作原理是：先“学习”海量的图片和对应的文字描述，然后根据输入的文字描述，“想象”出符合描述的图像。就像你对一个画家说“画一幅有小桥流水、白墙黑瓦的江南水乡”，画家就能根据你的描述画出相应的画作。任务实施01实验平台和数据准备02数据预处理本任务基于“海豚人工智能与大数据实验室”平台开展。AI图像生成模型已经内置了大量的图片及其对应的文字描述，因此只需要提供相应的文字描述即可。本任务使用的是现成的AI图像生成工具，不需要进行数据预处理。任务实施03操作步骤3.13.23.3启动Web服务器输入需求描述需求理解分析3.43.53.6生成创意关键词生成设计图一键清除与创意设置03AI视频理解任务知识01应用背景传统视频监控主要依靠人工看守，效率低且容易遗漏，尤其是在大型校园、商场、交通枢纽等场所。为了有效预防安全事故，需要对实时视频进行分析，AI视频理解技术应运而生。02AI+行业结合与传统人工监控相比，AI视频理解能自动识别异常行为，实时发出预警，提高安全监控的效率和准确性。如学校可以自动识别学生攀爬围墙的行为、商场可以检测顾客的摔倒情况、交通部门可以分析车辆的违章行为等。03技术原理AI视频理解就像给计算机装上“眼睛”和“大脑”，它先“看”视频中的每帧画面，识别出人物、物体和动作，再“思考”这些画面之间的关系，理解整个视频的内容。就像看动画片，先看到小猫，再看到小猫在追球，最后理解“小猫在追球”这个故事。任务实施01实验平台和数据准备02数据预处理本任务基于“海豚人工智能与大数据实验室”平台开展。由于本任务使用平台预置的视频数据，因此无须额外准备数据。AI系统已经自动完成视频的帧提取、图像识别等预处理工作，我们只需要关注分析结果即可。任务实施03操作步骤3.1启动视频智能解析系统3.2上传视频文件3.3输入关键词3.4查看分析结果3.5其他视频分析04AI视频生成任务知识01应用背景传统的视频制作需要专业设备、大量的人力和时间，制作成本高且周期长。许多学校和企业缺乏专业的视频制作团队，难以制作高质量的教学视频或宣传视频。02AI+行业结合与传统视频制作相比，AI视频生成能快速将简单的文字描述转化为视频内容，缩短制作周期、降低制作成本。教师可以专注于教学内容的设计，而不是视频拍摄和剪辑，从而提高教学质量。03技术原理AI视频生成就像“文字变视频”的魔法。你输入一段文字描述，AI会先“想象”出画面，再“组合”成连贯的视频。就像你告诉朋友“画一个小朋友在公园里放风筝”，朋友就能画出相应的图画，AI则能生成动态的视频。任务实施01实验平台和数据准备02数据预处理本任务基于“海豚人工智能与大数据实验室”平台开展。由于本任务使用平台预置的视频生成模型，因此无须准备额外数据。AI模型已经学习了大量的视频内容，能根据文字描述生成相应的动态画面。由于本任务使用的是现成的视频生成模型，因此不需要进行数据预处理。任务实施03操作步骤3.13.23.3启动Web服务器设定主题和提示词生成故事文案3.43.53.6设置语音和图像参数生成资源生成视频谢谢观看“高职高专系列丛书人工智能应用与实践项目式教程AI+智能办公“高职高专系列丛书人工智能应用与实践项目式教程项目601基于大模型快速生成思维导图任务知识01应用背景传统思维导图的制作需要手动梳理逻辑关系，对绘图技巧和知识结构化能力要求较高。教育行业调研显示，67%的学生因整理复杂知识点耗时过长而放弃系统复习。02AI+行业结合大模型通过自然语言理解将文本自动结构化，结合Markdown格式转换工具，可以实现“输入文字—生成大纲—可视化导图”的全流程自动化。相比传统方式，效率提升50%以上，且支持多版本迭代优化。03技术原理先将需求（如“梳理马哲知识点”）输入大模型进行语义解析（理解需求本质），再调用知识库构建逻辑框架（类似搭积木），接着通过Markdown语法规范输出层级结构，最后由专业工具转换为可视化导图。任务实施01实验平台和数据准备本任务基于“海豚人工智能与大数据实验室”平台开展，且使用平台内置的文件，无须额外准备数据。02数据预处理本任务使用平台内置的实验环境，无须进行数据预处理，直接使用即可。任务实施03操作步骤3.1获取素材（1）打开“基于大模型快速生成思维导图”界面，双击“主文件夹”图标，打开“dolphin-文件管理器”窗口。（2）双击“思维导图”打开“思维导图-文件管理器”窗口，即可获取素材“马哲笔记.doc”，如图6.1.1所示。任务实施03操作步骤3.2工具准备（1）双击打开“VisualStudioCode”编辑器，单击“新建文件”按钮，如图6.1.2所示。（2）在打开的“新建文件”文本框中输入文件名“test.md”，如图6.1.3所示。（3）按回车键，选择保存路径为“思维导图”，然后单击“创建文件”按钮，如图6.1.4所示。任务实施03操作步骤3.3通过提示词生成Markdown文档（1）设计初始提示词，明确生成需求。（2）在界面左侧栏单击“GPT”图标，打开“海豚AI助教”，在“提示词输入”文本框中输入设计好的提示词，单击“运行”按钮，获取初步响应，如图6.1.5所示。任务实施03操作步骤3.3通过提示词生成Markdown文档（3）继续输入并发送提示词，如图6.1.6所示。（4）分析响应内容，发现此结果不是我们想要的，可能是上述提示词描述不够准确，因此进一步修改提示词并得到响应，如图6.1.7所示。任务实施03操作步骤3.4生成与转换（1）将鼠标拖动到“海豚AI助教”响应的内容上，就会出现“复制”按钮，单击“复制”按钮即可完成响应内容的复制。右键单击新建的“test.md”文件的第一行，选择“粘贴”选项完成响应内容的粘贴，如图6.1.8所示。任务实施03操作步骤3.4生成与转换（2）选择“文件”→“另存为”选项，在打开的“另存为”对话框中选择保存路径，单击“保存”按钮即可完成保存，如图6.1.9所示。任务实施03操作步骤3.4生成与转换（3）双击打开“xmind”，单击“xmid”图标右侧的“…”按钮，在打开的下拉列表中选择“文件”→“导入”→“Markdown”选项，如图6.1.10所示。任务实施03操作步骤3.4生成与转换（4）在打开的对话框中选择“主目录”→“data”→思维导图→“test.md”文件，如图6.1.11所示。双击该文件，即可导入“xmid”中。任务实施03操作步骤3.4生成与转换（5）打开文件后即可得到如图6.1.12所示的思维导图。任务实施03操作步骤3.5总结内容为思维导图（1）双击打开“VisualStudioCode”编辑器，单击“新建文件”按钮，在打开的“新建文件”文本框中输入文件名“test2.md”，然后按回车键。选择保存路径为“data”目录下的“思维导图”，然后单击“创建文件”按钮，如图6.1.13所示。任务实施03操作步骤3.5总结内容为思维导图（2）双击“主文件夹”图标，在打开的窗口中找到保存在“data”→“思维导图”目录下的“马哲笔记.doc”，如图6.1.14所示。（3）打开“马哲笔记.doc”，添加如图6.1.15所示的提示词。（4）将“马哲笔记.doc”所有内容当作提示词进行复制，拷贝给“海豚AI助教”大模型进行总结归纳，结果如图6.1.16所示。（5）按照3.4中的步骤（1）和步骤（2）将大模型生成的响应内容拷贝到“test2.md”文件中并保存，如图6.1.17所示。然后向“xmind”中导入Markdown文档，得到思维导图，如图6.1.18所示。02办公自动化与PPT自动生成任务知识01应用背景传统的PPT制作存在重复劳动多、风格不统一、排版耗时长等问题。市场调研显示，职场人士平均每周花费8小时进行文档处理，其中PPT制作占35%。AI技术通过内容解析、版式推荐和智能排版，显著降低了制作成本。02AI+行业结合传统的PPT制作依赖人工逐页设计，需要反复调整文字、图片和排版；AI技术通过自然语言处理理解内容结构，自动匹配最佳版式，实现了“输入大纲—输出成稿”的跨越式改进。例如，Markdown转PPT工具可以将标题、列表、代码块等元素智能映射到对应的幻灯片版式中。03技术原理AI通过解析内容层级（标题/正文/列表），结合预设的美学规则（对齐/对比/留白），自动生成美观的PPT。其工作流程包括：内容理解—版式匹配—元素布局—样式优化，最终输出符合专业标准的演示文稿。任务实施01实验平台和数据准备02数据预处理本任务基于“海豚人工智能与大数据实验室”平台及平台内置的数据开展，无须额外准备数据。本任务使用平台内置的实验数据，无须进行数据预处理，直接使用即可。任务实施03操作步骤3.1安装python-pptx库3.2配置VisualStudioCode编辑器3.3创建空白幻灯片3.4给PPT添加文本3.5给PPT添加内容并设置样式03办公自动化与Excel表格处理任务知识01应用背景用传统方法操作Excel表格时存在三大痛点：重复性高（60%时间用于基础格式调整）、易出错（人工计算错误率约12%）、协作困难（多人编辑版本混乱）。AI技术通过自动化规则引擎和智能校验机制，可以将常规表格的处理效率提升8倍以上。02AI+行业结合传统的Excel表格处理方法依赖手动操作，效率低且易出错。AI技术通过大模型理解自然语言指令（如统计总分并排序），自动完成数据清洗、公式生成、图表制作等任务，将数小时的工作压缩至几分钟。此外，还可以智能分析数据趋势，提供决策建议，实现从“人工操作”到“智能协同”的升级，大幅提升办公效率和决策质量。03技术原理想象你有一个“数字管家”，她能读懂你的表格需求：当你输入“统计各区域销售额”时，她会自动找到“区域”和“销售额”两列，像点钞机般快速求和，并生成柱状图。AI技术通过解析表格结构（标题/数据/公式区），结合预设的办公规则（日期格式/金额精度），像流水线一样完成自动化处理。任务实施01实验平台和数据准备02数据预处理本任务基于“海豚人工智能与大数据实验室”平台开展，且使用平台内置的数据。本任务使用平台内置的数据，无须进行预处理，直接使用即可。任务实施03操作步骤3.13.23.3安装openpyxl库配置VisualStudioCode编辑器创建学生信息表3.43.5美化学生成绩表成绩统计与排序04办公自动化与Excel图表分析任务知识01应用背景传统的Excel图表制作方法存在三大痛点：耗时，人工选择数据源、调整图表类型平均耗时45分钟；低效，72%的用户因格式设置错误导致图表失真；局限，静态图表难以动态反映数据变化趋势。AI技术通过智能识别数据特征、自动匹配最佳图表类型、实时更新可视化效果，可以将制图效率提升6倍以上。02AI+行业结合传统的Excel图表制作需要手动选择数据、调整格式，耗时且专业门槛高。AI技术通过自然语言指令（如生成各月销售额柱状图）自动完成图表创建与美化，将操作时间从30分钟缩短至1分钟。此外，还可以智能推荐图表类型，实现“一句话生成专业图表”，让数据分析真正普惠化。任务知识03技术原理想象你有一个“数据翻译官”，她能读懂你的分析需求：当你输入“比较各区域季度销售额”时，她会自动选择柱状图，像调色师一样调整配色方案，并添加数据标签。AI技术通过解析数据维度（时间/类别/数值），结合可视化规则（对比度/信息密度），像导演一样编排图表的每个细节。任务实施01实验平台和数据准备本任务基于“海豚人工智能与大数据实验室”平台开展，并且使用平台内置的数据。02数据预处理本任务使用平台内置的数据，无须进行数据预处理，直接使用即可。任务实施03操作步骤3.1安装openpyxl库3.3绘制柱状图3.2配置VisualStudioCode编辑器3.4绘制饼图谢谢观看“高职高专系列丛书人工智能应用与实践项目式教程AI+教育人文“高职高专系列丛书人工智能应用与实践项目式教程项目701图文创作任务知识01应用背景在儿童教育领域，教师长期面临个性化教学资源创作耗时耗力的挑战。传统的故事与插图制作需要经历构思、撰写、绘图等多个环节，依赖教师个人创意与美术功底，耗时较多。随着素质教育的深化和课堂互动需求的提升，教师亟需能够快速生成高质量、个性化图文内容的技术工具，以缓解备课压力，提升教学效率。02AI+行业结合与传统人工创作依赖教师独立完成全流程不同，AI赋能的教育图文创作实现了从“经验驱动”到“数据驱动”的跨越。以“智慧故事工坊”为例，传统模式下教师需要手动编写故事脚本并绘制插图，而AI工具根据关键词即可自动生成情节完整的故事文本及相应的插图，将创作周期从数小时压缩至秒级。这不仅降低了内容创作的门槛，还可以生成个性化内容以适配不同教学场景，激发学生兴趣。任务知识03技术原理AI图文创作就像一位精通文学与绘画的AI导演描述一个电影创意。首先通过大语言模型理解创作者的需求，分解出关键元素：角色（狐狸侦探、兔子助手）、场景（阳光森林、绿篱迷宫）、情节（推动木头、选择岔路）和主题（团队合作）。然后，文生图模型依据这些元素调动其学习过的海量童话插图和自然景观数据“想象”出符合描述的视觉画面，如角色造型、光影氛围等。最后，一个图文并茂的完整故事便一气呵成了。任务实施01实验平台和数据准备本任务基于扣子（Coze）平台开展，扣子是新一代AI大模型智能体开发平台，因此无须额外准备数据。02数据预处理无须进行数据预处理，只需要关注创作流程。任务实施03操作步骤3.1进入智能体开发平台3.2新建工作流3.3配置开始节点3.4添加绘本故事生成节点3.5添加绘本插图提示词生成节点3.6添加图像生成节点任务实施03操作步骤3.7添加画板节点3.8配置结束节点3.9试运行与发布工作流02试卷批改任务知识01应用背景学校里的试卷批改长期依赖人工，教师日均需要批改150份作业，耗时超4小时，且易因疲劳导致判断失误（如手写公式识别错误率高达25%）。更棘手的是，传统的批改方式无法针对学生错题提供个性化指导，因此“错题反复出现”现象普遍，教学效率低下。02AI+行业结合传统的试卷批改模式费时费力、反馈滞后，而AI试卷批改系统能实现“即时诊断”：自动识别手写内容、精准判分、生成错题建议。例如，系统能自动识别“3+5=9”的错误并提示“建议复习加法法则”，真正实现“批改—反馈—提升”闭环。任务知识03技术原理AI试卷批改系统就像有个“智能小助手”帮你批改作业：你把试卷交给它（输入），它先“看懂”手写内容（如把“V”识别成“正确”），再用数学规则“检查答案”（如验证“3+5=8”是否正确），最后给出“哪里错了、怎么改”的贴心建议（输出）。整个过程快如闪电、精准贴心，让批改从“体力活”变成“智慧活”。任务实施01实验平台和数据准备02数据预处理本任务基于扣子平台开展，且无须额外准备数据。本任务无须进行数据预处理，只需要关注创作流程。任务实施03操作步骤3.1进入智能体开发平台访问扣子官网，注册并登录，然后打开“扣子编程”选项卡进入智能体开发平台。3.2新建工作流（1）在界面左侧的“管理”选区选择“资源库”选项，进入“资源库”界面。单击界面右上角的“+资源”按钮，在打开的下拉列表中选择“工作流”选项。（2）在打开的“创建工作流”对话框中配置工作流基础信息。在“工作流名称”文本框中输入“chick”；在“工作流描述”文本框中输入“试卷批改”。（3）单击“确认”按钮，完成工作流的初始化创建，进入工作流编辑界面。任务实施03操作步骤3.3配置开始节点（1）在工作流编辑界面中定位到默认生成的“开始”节点。（2）配置节点输入参数。如图7.2.1所示，将“变量名”设置为“input”；将变量类型设置为“Image”，用于接收试卷图片。（3）保存节点配置，完成工作流触发入口的参数定义。任务实施03操作步骤3.4添加识别试题节点（1）在工作流编辑界面，单击“+添加节点”按钮，在弹出的节点选择面板中单击“大模型”按钮添加“大模型”节点，并将其命名为“识别试题”。（2）将“开始”节点右侧的输出端口与“识别试题”节点左侧的输入端口进行连接，完成两个节点的逻辑关联。（3）在“识别试题”窗口配置节点参数，详细配置信息如图7.2.2所示。任务实施03操作步骤3.5添加批改试题节点（1）在工作流编辑界面，单击“+添加节点”按钮，在弹出的节点选择面板中单击“大模型”按钮添加“大模型”节点，并命名为“批改试题”。（2）将“识别试题”节点右侧的输出端口与“批改试题”节点左侧的输入端口进行连接，完成两个节点的逻辑关联。（3）在“批改试题”窗口中配置节点参数，详细的配置信息如图7.2.3所示。任务实施03操作步骤3.6添加修改建议与练习节点（1）在工作流编辑界面，单击“+添加节点”按钮，在弹出的节点选择面板中单击“大模型”按钮添加“大模型”节点，并命名为“修改建议与练习”。（2）将“批改试题”节点右侧的输出端口与“修改建议与练习”节点左侧的输入端口进行连接，完成两个节点的逻辑关联。（3）在“修改建议与练习”窗口配置节点参数，详细的配置信息如图7.2.4所示。任务实施03操作步骤（1）触发试运行。在工作流编辑界面，单击底部的“试运行”按钮，打开“试运行”窗口。（2）试运行输入。在“试运行输入”选区上传“待批改的试卷”，单击“试运行”按钮进行测试，如图7.2.7所示。3.7配置结束节点任务实施03操作步骤（3）检查每个节点的执行状态（成功/失败），查看中间节点输出结果和最终输出结果是否符合预期。若有问题则调试修改节点配置或连接，直至运行成功且结果满意。（4）发布工作流。在工作流编辑界面右上角，单击“发布”按钮，在弹出的窗口中配置发布信息，如图7.2.8所示。确认配置信息后，单击“发布”按钮完成工作流的正式上线。3.7配置结束节点03构建成语填空练习助手任务知识01应用背景成语填空题是考查语言运用能力的重要题型，传统的成语填空题依赖固定题库，缺乏针对性，教师手动批改耗时且难以提供个性化指导，学生易因重复错误丧失兴趣。02AI+行业结合传统的成语填空题依靠教师设计题目、批改和统一讲解。AI技术可以实现根据输入自动出题、实时批改、解析错误原因和推荐专项练习，还可以实现24小时服务、题目难度调整，并通过大数据分析发现共性学习盲点。03技术原理可以将成语填空练习助手比作“智能游戏”：输入环节用户选择难度或主题；学习环节调用内置成语知识库和大语言模型，分析句子语境与成语匹配度；输出环节生成填空题目并提供多维度反馈，如对比成语适用性。任务实施01实验平台和数据准备02数据预处理本任务基于“海豚人工智能与大数据实验室”平台内置的Dify应用开展。由于本任务使用平台内置的应用，因此无须额外准备数据。本任务使用平台内置的应用，无须进行数据预处理，只需要关注创作流程。任务实施03操作步骤3.13.23.3创建聊天助手选择大模型编排提示词模板3.43.5修改变量设置添加开场白和下一步问题建议3.6调试与预览04创建教学教案生成器任务知识01应用背景传统的教学教案编写方式依赖教师手动整理教学目标、设计活动及编排资源，耗时且易受个人经验限制。因此，需要智能化工具辅助教师提升工作效率。02AI+行业结合过去，教师需要逐字撰写教学教案。现在AI通过自然语言处理技术可以自动解析PDF课件内容，并结合教学知识库生成结构化教案。例如，Dify平台调用大模型可以快速生成教学设计，然后通过Markdown转Word插件输出标准化文档，实现“输入课件→生成教案→一键下载”的全流程自动化。03技术原理教学教案生成器如同一位“智能助教”：它先阅读教师上传的PDF课件，再通过内置的教育知识库生成教学目标、活动设计等模块，最后将结果整理成Word文档。任务实施01实验平台和数据准备02数据预处理本任务基于“海豚人工智能与大数据实验室”平台内置的Dify应用开展，无须额外准备数据。本任务使用平台内置的应用，无须进行数据预处理，只需要关注创作流程。任务实施03操作步骤3.1创建空白工作流3.3添加文档提取节点3.2配置开始节点3.4添加LLM生成通用教案任务实施03操作步骤3.5添加LLM生成优化教案3.7配置结束节点3.6添加Markdown转换器3.8测试运行谢谢观看“高职高专系列丛书人工智能应用与实践项目式教程AI+医疗健康“高职高专系列丛书人工智能应用与实践项目式教程项目801基于机器学习的心脏病预测任务知识01应用背景根据世界卫生组织2023年发布的《全球心血管疾病报告》，每年约有1790万人死于心血管疾病，占全球总死亡人数的32%。其中，冠心病、心肌梗死等疾病经常在无明显先兆的情况下突发，救治时间窗极短。目前，临床诊断依赖医生经验、心电图、血液生化指标及影像学检查，流程复杂、成本高，且在基层医疗机构普遍存在专业资源不足、筛查覆盖率低的问题。尤其在疾病早期，患者往往无症状，传统手段难以有效识别高风险人群，导致大量可预防的死亡事件发生。02AI+行业结合传统的心脏病风险评估工具（如Framingham评分、ASCVD风险计算器）基于有限变量和固定权重，难以反映个体差异与变量之间的复杂交互。而基于机器学习的AI模型能够从大规模真实世界的医疗数据中自动学习非线性关系，动态生成个性化风险预测。例如，可以同时分析年龄、血压、胆固醇、家族史、运动反应等多个维度，识别出传统方法容易忽略的高风险组合。此外，还可以嵌入电子健康记录系统，实现自动化、实时化的风险预警，显著提升筛查效率与可及性，尤其适用于资源有限的基层医疗场景。任务知识03技术原理机器学习模型通过数据驱动的方式实现预测功能，其工作流程包括三个阶段：输入、学习和输出。在输入阶段，模型接收结构化的医疗数据，如患者的年龄、性别、血压、胆固醇水平等特征；在学习阶段，算法通过优化内部参数，寻找能够有效区分“患病”与“未患病”两类样本的决策边界；在输出阶段，模型对新患者的输入数据进行处理，输出其患心脏病的概率或类别标签。整个过程不依赖人工设定规则，而是从历史数据中自动归纳规律，体现了AI“从经验中学习”的核心能力。任务实施01实验平台和数据准备本任务使用“海豚人工智能与大数据实验室”平台和平台自带的“HeartDisease.csv”文件。该文件包含303条患者的医疗记录数据，涵盖13项输入特征与1项目标标签，输入特征包括年龄（age）、性别（sex）、胸痛类型（cp）等核心医疗指标，目标标签为是否患有心脏病（HeartDisease，1表示患病，0表示未患病）。该数据集来源于临床医疗统计，用于构建医疗指标与心脏病患病风险的关联预测模型。02数据预处理模型训练前需要对医疗数据进行针对性预处理，以保障数据质量与模型训练效果，主要步骤包括：检查数据完整性，确认各特征列无缺失值、异常值（如血压为0的无效数据）；了解数据分布，通过统计描述获取各指标的均值、中位数、取值范围等基本信息，明确医疗指标的分布特征；可视化数据关系，绘制各核心特征之间的相关性热力图，对数据进行One-Hot编码。任务实施03操作步骤3.13.23.33.4读取csv文件查看各字段的基本情况绘制各字段之间的相关系数热力图检查缺失数据任务实施03操作步骤3.53.63.73.8统计未患病和患病的数量绘制未患病和患病人数的对比柱状图对分类特征进行One-Hot编码设置画图索引任务实施03操作步骤3.93.103.113.12对连续数据进行标准化处理对数据进行K近邻模型训练评估K近邻模型效果把数据分成训练集和测试集任务实施03操作步骤3.133.14对数据进行随机森林模型训练评估随机森林模型效果02基于深度学习的癌细胞与正常细胞的自动鉴别任务知识01应用背景肺癌是我国致死率最高的恶性肿瘤，其治疗方案高度依赖病理分型——腺癌适用靶向治疗，鳞状细胞癌多采用化疗或免疫治疗，而大细胞癌则预后较差须激进干预。然而，我国病理医师严重短缺，基层医院常由非专科医师诊断，导致分型错误率高达15%～20%。同时，人工阅片耗时长、主观性强，难以满足日益增长的早筛需求。02AI+行业结合传统的病理诊断依赖医师在显微镜下逐区域观察，易受疲劳、经验差异影响，且无法量化细胞特征。AI诊断通过深度卷积神经网络自动提取细胞核形态，组织排列方式、染色强度等数百种特征，实现了标准化、高通量分类。AI可以作为“智能初筛员”，快速过滤正常样本，并对可疑区域高亮提示，使病理医师聚焦疑难病例，效率提升30%以上。任务知识可以把AI模型想象成一位“数字病理实习生”：它先看成千上万张已标注的病理图像（如“这是腺癌”），从中学习不同癌症类型的视觉模式（如腺癌呈腺泡状，鳞状细胞癌有角化珠）。训练完成后，当输入一张新图像时，模型会将其转化为数学向量，并与记忆中的各类样本比对，输出最可能的类别及“有多确定”（置信度）。整个过程如同人类专家的经验积累，但速度更快、记忆更全。03技术原理任务实施01实验平台和数据准备本任务使用“海豚人工智能与大数据实验室”平台和平台自带的“CancerCellDataset.zip”压缩文件。该文件包含标注完整的细胞图像数据集，涵盖4类核心细胞：腺癌（adenocarcinoma）、大细胞癌（large_cell_carcinoma）、鳞状细胞癌（squamous_cell_carcinoma）、正常细胞（normal）。数据以文件夹形式分类组织，每个类别对应独立文件夹，内部存储多张对应类型的显微镜细胞图像（格式为JPG/PNG），数据来源于临床病理切片扫描样本，用于训练和构建癌细胞与正常细胞的自动鉴别模型。任务实施02数据预处理模型训练前需要对细胞图像数据进行针对性预处理，保障数据质量与模型训练效果，主要步骤包括：检查数据完整性，确认各类别文件夹下图像文件无缺失、无损坏（如无法打开的无效图像）；统一图像规格，将所有图像缩放至模型要求的输入尺寸（如224×224像素），并统一色彩模式（如转换为RGB格式）；图像归一化处理，将像素值映射至0～1区间，以降低数值范围对模型训练的影响；数据增强（可选），通过随机翻转、旋转、轻微裁剪等操作扩充训练数据，提升模型的泛化能力。任务实施3.1读取检测图片03操作步骤（1）打开“基于深度学习的癌细胞与正常细胞自动鉴别”界面，在界面左侧的“组件”选区选择“数字图片处理”选项，在打开的下拉列表中将“读取单图片文件”组件拖曳到画布中。（2）单击“读取单图片文件”组件，在打开的“读取单图片文件”选区进行参数设置。将“图片路径”设置为“test_normal1.png”，然后运行组件。（3）运行完成后成功读取图片文件，单击界面下方的展开按钮，打开“结果”选项卡即可查看，如图8.2.1所示。任务实施3.2加载本地检测模型03操作步骤（1）在“组件”选区选择“图像分类”选项，在打开的下拉列表中将“导入分类模型”组件拖曳到画布中。（2）单击“导入分类模型”组件，在打开的“导入分类模型”选区中进行参数设置，设置“模型列”为“Chest_CT_model.zip”。（3）右键单击“导入分类模型”组件执行运行操作，单击界面下方的展开按钮，在“结果”选项卡显示文件导入成功，如图8.2.2所示。任务实施3.3本地检测模型预测03操作步骤3.3.1单图片识别（1）在“组件”选区“图像分类”选项下选中“分类模型识别-单图片”组件并拖曳到画布中，然后分别连接“分类模型识别-单图片”组件和“读取单图片文件”组件，以及“分类模型识别-单图片”组件和“导入分类模型”组件。（2）单击“分类模型识别-单图片型”组件，在打开的“分类模型识别-单图片型”选区中进行参数设置。设置“单张图像”为“output_img”，设置“模型列”为“model”，然后执行运行操作，识别结果如图8.2.3所示。任务实施3.3本地检测模型预测03操作步骤3.3.2多图片识别（1）在“组件”选区的“数字图像处理”选项下选中“读取多张图片”组件并拖曳到画布中。（2）单击“读取多张图片”组件，在打开的“读取多张图片”选区中进行参数设置，设置“图片路径”为“test_CT.zip”，然后执行运行操作完成对多张图片的读取，如图8.2.4所示。任务实施3.3本地检测模型预测03操作步骤3.3.2多图片识别（3）在“组件”选区“图像分类”选项下选中“分类模型识别-多图片”组件并拖曳到画布中，然后分别连接“分类模型识别-多图片”组件和“读取多张图片”组件，以及“分类模型识别-多图片”组件和“导入分类模型”组件。（4）单击“分类模型识别-多图片”组件，在打开的“分类模型识别-多图片”选区中进行参数设置。设置“图片文件夹”为“output”，设置“模型列”为“model”，然后执行运行操作完成对多张图片的识别，如图8.2.5所示。任务实施3.4加载训练数据集03操作步骤（1）在“组件”选区“图像分类”选项下选中“加载分类数据集”组件并拖曳到画布中。（2）单击“加载分类数据集”组件，在打开的“加载分类数据集”选区中进行参数设置，设置“文件夹列”为“Chest_CT_classification.zip”，然后执行运行操作，完成对训练数据集的加载，如图8.2.6所示。任务实施3.5查看训练数据集中的各类型图片03操作步骤（1）在“组件”选区“数字图像处理”选项下选中“分类图片显示”组件并拖曳到画布中，然后连接“分类图片显示”组件和“加载分类数据集”组件。（2）单击“分类图片显示”组件，在打开的“分类图片显示”选区中进行参数设置，设置“分类数据”为“classfile”，然后执行运行操作，即可查看训练数据集中不同类型的图片示例，如图8.2.7所示。任务实施3.6拆分训练集03操作步骤（1）在“组件”选区“图像分类”选项下选中“分类训练集拆分”组件并拖曳到画布中，然后连接“分类训练集拆分”组件和“加载分类数据集”组件。（2）单击“分类训练集拆分”组件，在打开的“分类训练集拆分”选区中进行参数设置。设置“原始数据列”为“classfile”，设置“训练与非训练数据比例”为“0.8”，然后执行运行操作，即可按8∶2的比例拆分训练集，得到测试集，如图8.2.8所示。任务实施3.7拆分测试集03操作步骤（1）在“组件”选区“图像分类”选项下选中“分类测试集拆分”组件并拖曳到画布中，然后连接“分类训练集拆分”组件的测试集部分和“分类测试集拆分”组件。（2）单击“分类测试集拆分”组件，在打开的“分类测试集拆分”选区中进行参数设置。设置“非训练数据列”为“非训练集”，设置“验证测试集拆分比例”为“0.8”，然后执行运行操作，即可按8∶2的比例拆分测试集，得到验证集，如图8.2.9所示。任务实施3.8分类模型训练03操作步骤（1）在“组件”选区“图像分类”选项下选中“分类模型训练”组件并拖曳到画布中，然后分别连接“分类训练集拆分”组件的训练集部分和“分类模型训练”组件，以及“分类测试集拆分”的测试集部分和“分类模型训练”组件。（2）单击“分类模型训练”组件，在打开的“分类模型训练”选区中进行参数设置。设置“训练集”为“训练集”，“验证集”为“验证集”，“批量大小”为“4”，“学习率”为“0.1”，“训练周期”为“4”，然后执行运行操作。打开“结果”选项卡可以查看训练结果，如图8.2.10所示。任务实施3.9模型评估03操作步骤（1）在“组件”选区“图像分类”选项下选中“分类模型评估”组件并拖曳到画布中，然后如图8.2.11所示连接各组件。（2）单击“分类模型评估”组件，在打开的“分类模型评估”选区中进行参数设置。设置“模型列”为“model”，设置“测试集数据”为“测试集”，然后执行运行操作，在“结果”选项卡中可以查看训练结果。任务实施3.10使用训练好的模型进行单图片识别03操作步骤（1）在“组件”选区“图像分类”选项下选中“分类模型识别-单图片”组件，拖曳到画布中进行连接。（2）单击“分类模型识别-单图片”组件，在打开的“分类模型识别-单图片”选区中进行参数设置。设置“单张图像”为“output_img”，设置“模型列”为“model”，然后执行运行操作，可以看到成功识别单张图片并给出分类结果，如图8.2.12所示。任务实施3.11使用训练好的模型进行多图片识别03操作步骤（1）在“组件”选区“图像分类”选项下选中“分类模型识别-多图片”组件并拖曳到画布中，分别进行连接。（2）单击“分类模型识别-多图片”组件，在打开的“分类模型识别-多图片”选区中进行参数设置。设置“图片文件夹”为“output”，设置“模型列”为“model”，然后执行运行操作，即可得到图片识别结果，表明模型训练成功，如图8.2.13所示。03构建医疗知识图谱任务知识01应用背景现代医疗体系每天产生海量数据，如电子病历、临床指南、药品说明书、医学文献、检验报告等。然而，这些信息大多以非结构化文本或孤立表格的形式存在，彼此之间缺乏语义关联。医师在诊断时需要在不同系统之间反复切换、手动比对信息，效率低且易出错。更严重的是，年轻医师或基层医师因经验不足，难以快速地从庞杂的知识中提取关键线索，往往会影响诊疗质量。02AI+行业结合传统的医疗信息系统以“记录”为核心，数据之间彼此割裂；而AI驱动的知识图谱则以“关联”为核心，将疾病、症状、药物、检查、科室等概念通过语义关系连接成一张巨大的“医学知识网络”。医生或患者只需要提出一个问题（如头痛伴呕吐可能是什么病?），系统就能够沿着图谱路径自动推理出可能的疾病列表、对应的检查和治疗建议。这种从“被动查询”到“主动推理”的转变，极大提升了医疗知识的可及性任务知识知识图谱的构建过程类似于“整理一本超级医学百科全书”。首先，从原始数据中识别出关键名词（如“高血压”“阿司匹林”“心内科”），这些是图谱中的“节点”；然后，找出它们之间的逻辑关系（如“高血压→推荐药物→阿司匹林→就诊科室→心内科”），这些是连接节点的“边”。最终，所有“节点”和“边”组成一张巨大的语义网络。当用户提问时，系统就像一位熟悉全书索引的专家，沿着这张网络快速定位答案。整个过程可以概括为：输入原始数据→提取实体与关系→构建语义网络→支持智能查询与推理。03技术原理任务实施01实验平台和数据准备02数据预处理本任务使用“海豚人工智能与大数据实验室”平台和平台自带的“MedicalData.csv”文件。文件包含23列与医疗相关的数据，涵盖疾病名称、症状、病因、推荐药物等核心字段，用于构建医疗领域的知识图谱。构建知识图谱前需要对数据进行简单的处理，以确保数据质量，主要包括：检查核心字段的完整性，确认无缺失值；校验字段内容的一致性，规范名称格式；清洗冗余数据，过滤无效记录。任务实施03操作步骤3.13.23.3读取csv文件（采集的医疗数据）数据采样统计推荐药物的出现频次3.53.6统计治疗费用创建知识图谱3.7创建知识图谱3.4分析治疗时长04基于本地知识库的中医药知识问答助手任务知识01应用背景中医药知识体系庞大且分散，经典古籍如《本草纲目》《黄帝内经》等语言古奥，现代研究文献又浩如烟海。普通大众难以准确理解“四气五味”“君臣佐使”等概念，基层中医师也常因知识更新滞后而影响辨证准确性。同时，互联网上存在大量伪中医信息。如何将权威、结构化的中医药知识以通俗、安全、可交互的方式传递给大众，成为行业的迫切需求。02AI+行业结合传统获取中医药知识的方法通常是查阅书籍或医师面诊，效率低、门槛高。AI新模式通过本地知识库+大语言模型可以实现“古籍智能解读”，如使用自然语言提问黄芪能治感冒吗，系统将自动检索《本草纲目》原文、现代药理研究、配伍禁忌等，并以结构化方式呈现，既保留了传统理论的精髓，又融合了现代科学证据。相比通用的搜索引擎，AI新模式避免了信息混杂与虚假内容，确保了知识来源的权威性且逻辑严谨。任务知识可以把中医药知识问答助手想象成一位“熟读医典的AI老药师”：你问他问题（输入），他先在自己的“书架”（本地知识库）里快速翻找相关古籍段落和现代研究（检索），然后结合你的年龄、性别等信息（上下文），用通俗语言组织答案，并严格按照“药性—功效—禁忌—用法”框架输出（结构化生成）。整个过程如同老药师凭“经验+典籍+患者情况”综合判断，但速度更快、记忆更全、永不遗忘。03技术原理任务实施01实验平台和数据准备02数据预处理本任务基于“海豚人工智能与大数据实验室”平台的Dify

应用开展，使用平台内置的中医药古籍数据集（以《本草纲目》核心内容为主）。该数据集涵盖药材的正名与别名、物种分类与入药部位、古籍原文与白话释义、药性解析、配伍方案、现代药理研究等多维度信息，通过结构化整理与数字化存储，为构建中医药知识问答助手提供核心知识支撑，可以直接对接平台内的DeepSeek、Qwen等大语言模型以完成知识调用。在智能体配置与提示词编排前，需要对中医药数据集进行针对性的预处理，以适配Dify应用构建知识库的需求。首先核查数据集的完整性，确保核心字段（如药材归经、功效对应症状、禁忌警示等）无缺失或表述歧义；然后对古籍原文进行规范化处理，完成生僻字注音、专业术语标注和白话释义转化；最后按照平台要求的格式对数据进行分类归档，设置通用分段方式与高质量索引规则，选择textembedding-v1作为Embedding模型适配平台检索需求，无须手动调整模型兼容参数，由Dify

自动完成数据格式的适配与检索配置。任务实施03操作步骤3.1创建Agent3.3设计提示词3.2选择大模型3.4修改变量设置任务实施03操作步骤3.5添加相关数据库3.7调试与预览3.6添加开场白和下一步问题建议谢谢观看“高职高专系列丛书人工智能应用与实践项目式教程中华美食制作助手“高职高专系列丛书人工智能应用与实践项目式教程项目901初始化智能体与角色设定任务目标0102030405创建一个名为“中华美食制作助手”的智能体。新建一个主工作流，并定义整个服务的输入（菜品需求）和输出（完整的菜谱指导）。设置该智能体的基本身份信息与对话风格，使其像一位专业且亲切的中餐厨师。理解主工作流作为“总控中心”如何调度后续的菜谱推荐、步骤生成等功能模块。创建一个知识库，并上传一份经典的中华菜谱文档作为智能体的核心知识储备。相关知识01任务工具01020304“中华美食制作助手”的外在形象和交互接口，用户直接与之对话，提出美食的制作需求。智能体相当于给智能体一本权威的《中华菜谱大全》，确保其提供的菜谱信息准确、正宗、步骤可靠。知识库相当于设计烹饪流程图的工具，用于实现从接收需求到生成完整菜谱的自动化、多步骤服务逻辑。工作流提示词与开场白：定义智能体的“厨师生涯”和专属领域，设置智能体见到用户时的欢迎语，快速建立信任感。提示词与开场白相关知识02设计思路本任务作为项目的第一步，将按照“创建智能体→设定身份→配置能力→设计互动”的逻辑顺序（见图9.1.1），在扣子平台上创造出“中华美食制作助手”的“本体”：这个过程就像为一个新角色办理“身份证”，并教会它如何说第一句话。任务实施01创建智能体（1）登录扣子平台后，在主界面单击“+创建”按钮，在弹出的选项窗口中选择“创建智能体”。（2）配置智能体的基础信息，如图9.1.2所示。在“智能体名称”文本框中输入“中华美食制作助手”。在“智能体功能介绍”文本框中输入“专注于介绍中华传统美食文化、特点，并能生成详细烹饪步骤的智能助手”。同时上传与美食相关的预设图标（如包含菜品的图标样式）。任务实施01创建智能体（3）点击“确认”按钮，完成智能体的初始化创建。任务实施02设定智能体的身份与核心技能（1）进入“中华美食制作助手”的智能体编辑界面，打开“人设与回复逻辑”配置模块。（2）设定智能体的身份。在配置区域填写身份描述，明确其定位为“专业中华传统美食顾问，具备中华传统美食文化深度认知，可针对用户提供传统名菜的详细烹饪步骤、菜品特色介绍，并输出对应步骤的高清配图”。（3）设定智能体的核心技能。技能1：能够生成中华传统美食的相关信息（含烹饪步骤、菜品特色、高清配图）。技能2：能够依据用户需求定制菜品的步骤拆分、特色介绍及配图的呈现逻辑。回复约束：仅回答与中华传统美食相关的内容，避免无关信息，确保输出内容聚焦菜品的烹饪、文化等维度。任务实施02设定智能体的身份与核心技能（4）保存配置，完成对智能体身份与核心技能的定义。任务实施03配置智能体的核心能力（1）在智能体编辑界面的“编排”区域，单击“模型设置”选区的“模型”下拉按钮，在打开的下拉列表中选择适配的大语言模型（如豆包-1.5Pro），完成推理模型的绑定，如图9.1.3所示。（2）保存配置，完成智能体核心能力的部署。任务实施04设计互动体验（1）在智能体编辑界面的“编排”区域，单击“对话体验”选区的“开场白”下拉按钮。配置开场白内容。在“开场白文案”文本框中填写引导式文案。配置开场白引导问题。添加预设的与菜品相关的问题选项，如“鱼香肉丝”“清蒸黄鱼”“麻婆豆腐”，为用户提供快速交互入口。保存配置，完成互动体验的初始化设计。02打造智能体的核心能力——搭建菜谱生成工作流任务目标0102创建工作流框架。在低代码平台上独立创建名为“TraditionalChineseCuisine”的工作流，作为菜谱生成的核心管道。进行关键节点的配置。0304使用“大语言模型节点”生成美食的文化介绍和烹饪步骤。配置“判断节点”实现用户选择的分支逻辑（需要/不需要中华美食的详细做法）。0506通过“输出节点”实现内容的流式输出，提升交互体验。实现端到端的自动化。成功运行完整的工作流，实现从接收菜名—生成介绍—用户确认—输出菜谱的自动化流程。相关知识01任务工具完成本任务需要熟练使用扣子平台的以下核心组件，如表9.2.1所示。相关知识02设计思路01020304通过开始节点接收用户输入的菜品名称。需求接收阶段通过问答节点确认用户是否需要详细的烹饪步骤。用户确认阶段根据用户的选择输出相应内容。结果输出阶段调用大语言模型生成该菜品的文化背景和特色介绍。内容生成阶段相关知识02设计思路任务实施01创建工作流（1）进入扣子平台，执行“资源库”→“资源”→“工作流”操作，创建工作流，如图9.2.2所示。任务实施01创建工作流（2）在打开的“创建工作流”对话框中，完成配置，具体的配置信息见表9.2.2。（3）单击“确认”按钮，如图9.2.3所示，即可完成工作流的初始化创建，进入工作流编辑界面。任务实施02配置工作流节点与逻辑2.1配置开始节点在工作流编辑界面单击“开始”节点，在打开右侧的“开始”选区进行参数配置，如图9.2.4所示。在输入的“变量名”文本框中输入“input”，设置“变量类型”为“String”（字符串），用于接收用户输入的菜品名称，具体配置信息见表9.2.3。任务实施02配置工作流节点与逻辑2.2添加美食介绍节点（1）在工作流编辑界面中，单击“+添加节点”按钮，在打开的列表中选择“大模型”添加“大模型”节点，并将其重命名为“美食介绍”，如图9.2.5所示。（2）将“开始”节点右侧的输出端口与“美食介绍”节点左侧的输入端口进行连接，完成两个节点的数据与逻辑关联。（3）按图9.2.6配置节点参数，具体的配置信息见表9.2.4。任务实施02配置工作流节点与逻辑2.2添加美食介绍节点任务实施02配置工作流节点与逻辑2.3配置输出节点（1）在工作流编辑界面中，单击“+添加节点”按钮，在打开的列表中选择“输出”添加“输出”节点，并将其重命名为“美食介绍输出”，如图9.2.7所示。（2）将“美食介绍”节点的右侧输出端口与“美食介绍输出”节点的左侧输入端口进行连接，完成两个节点的逻辑与数据关联。任务实施02配置工作流节点与逻辑2.3配置输出节点（3）按图9.2.8配置节点参数，具体的配置信息见表9.2.5。任务实施02配置工作流节点与逻辑2.4添加问答节点（1）在工作流编辑界面中，单击“+添加节点”按钮，在弹出的列表中选择“问答”添加“问答”节点，如图9.2.9所示。（2）将“美食介绍输出”节点右侧的输出端口与“问答”节点左侧的输入端口进行连接，完成两个节点的逻辑与数据关联。（3）按图9.2.10配置节点参数，具体的配置信息见表9.2.6。任务实施02配置工作流节点与逻辑2.4添加问答节点（1）在工作流编辑界面中，单击“+添加节点”按钮，在弹出的列表中选择“问答”添加“问答”节点，如图9.2.9所示。（2）将“美食介绍输出”节点右侧的输出端口与“问答”节点左侧的输入端口进行连接，完成两个节点的逻辑与数据关联。（3）按图9.2.10配置节点参数，具体的配置信息见表9.2.6。任务实施02配置工作流节点与逻辑2.4添加问答节点任务实施02配置工作流节点与逻辑2.5添加烹饪步骤节点（1）在工作流编辑界面中，单击“+添加节点”按钮，在弹出的列表中选择“大模型”添加“大模型”节点，并将其重命名为“烹饪步骤”。（2）将“问答”节点的“是”分支输出端口与“烹饪步骤”节点左侧的输入端口进行连接，然后将“开始”节点的输出端口与“烹饪步骤”节点的输入端口进行连接，完成节点之间的数据与逻辑关联。（3）按图9.2.11配置节点参数，具体的配置信息见表9.2.7。任务实施02配置工作流节点与逻辑2.5添加烹饪步骤节点任务实施02配置工作流节点与逻辑2.6添加烹饪步骤输出节点（1）在工作流编辑界面中单击“+添加节点”按钮，在弹出的列表中选择“输出”添加“输出”节点，并将其重命名为“烹饪步骤输出”，如图9.2.12所示。（2）将“烹饪步骤”节点右侧的输出端口与“烹饪步骤输出”节点左侧的输入端口进行连接，完成两个节点的逻辑与数据关联。（3）按图9.2.13配置节点参数，具体的配置信息见表9.2.8。任务实施02配置工作流节点与逻辑2.6添加烹饪步骤输出节点（1）在工作流编辑界面中单击“+添加节点”按钮，在弹出的列表中选择“输出”添加“输出”节点，并将其重命名为“烹饪步骤输出”，如图9.2.12所示。（2）将“烹饪步骤”节点右侧的输出端口与“烹饪步骤输出”节点左侧的输入端口进行连接，完成两个节点的逻辑与数据关联。（3）按图9.2.13配置节点参数，具体的配置信息见表9.2.8。任务实施02配置工作流节点与逻辑2.6添加烹饪步骤输出节点03集成图片生成与海报制作任务目标01020405在现有生成菜谱的工作流中无缝集成AI绘画节点，能够根据菜品描述生成高质量的美食图片。集成AI绘画功能。确保多节点协同工