人工智能应用通识教程 课件 第九次课（自适应测评优化实验）

第三章：

智能体应用——自适应测评优化实验课程目标与内容回顾上次课回顾·快速问答Q:还记得我们是如何搭建“小学四年级数学自适应测评”的吗？自适应测评的核心逻辑是什么？在Coze工作流中是如何实现的？自适应核心逻辑动态循环/动态迭代：重复“作答→判断→难度调整”的闭环流程，直至满足预设的测试终止条件。实现方式在Coze工作流中通过循环节点实现。🚀本课任务：给测评系统升级，增加知识、评分与趣味性！本次课学习目标01.专业知识集成让AI“学习”你的专业知识，生成领域相关的题目，突破通用模型的限制。02.智能评分功能实现精确的分数计算和等级评定，提供量化的反馈结果。03.个性化建议设计根据用户答题表现生成学习建议。Part1：参考升级一集成专业知识为什么需要集成专业知识？通用大模型的局限性通用大模型虽然知识渊博，但在特定领域的深度和准确性上可能不足，甚至会产生“幻觉”（编造知识）。这让我们不禁思考：如何让AI生成准确、专业的题目？解决方案给AI配备一个专业领域的“参考书”。它让AI在回答问题或生成内容前，先从我们提供的私有知识中查找信息，确保内容的专业性和准确性。参考操作：在工作流中调用专业知识配置目的让生成题目的“大模型”节点，在生成内容前，先从我们传入的专业知识文档中检索内容，确保生成的题目内容专业、准确并符合预设的知识范围。核心操作01.添加变量

在“出题大模型”节点中，添加一个“knowledge”输入变量。02.优化Prompt

修改“出题大模型”节点的Prompt，明确指示它必须基于专业知识“knowledge”的内容来生成题目。Part2：参考升级二实现评分功能参考操作：使用代码节点实现评分逻辑代码编写参考示例（简易评分逻辑）#下面是在“难度提升”代码节点中用python语言写的参考代码asyncdefmain(args:Args)->Output:params=args.paramslevel_num=float(params['input'])+0.5

#评分逻辑score_num=float(params['score'])+level_num*10#构建输出对象ret:Output={"level":str(min(max(level_num,1),3)),"score":str(score_num)}returnret核心操作01.添加变量

在“难度提升”代码节点中，添加一个“score”输入变量，引用“循环节点”的中间变量（var_score）；添加一个输出变量“score”02.修改代码

制定评分逻辑并通过修改代码去实现。Part3：参考升级三设计个性化建议功能参考操作：根据答题情况生成个性化学习建议参考操作：根据答题情况生成个性化学习建议Part4：趣味功能升级更多趣味功能拓展参考闯关功能引入关卡挑战与智能分支对话，用户完成答题，系统计算总分并输出分数，根据预设的分数阈值，动态决定是“升级”还是“重练”。知识点标签功能在生成题目的Prompt中，要求AI为每道题生成知识点标签。反馈时附带标签提示，如“回答正确！本题考察了【数据结构】知识。”错题回顾功能在判断用户回答错误的分支中，添加节点保存错题、答案和知识点。设置“错题回顾”触发词，即可快