70425-智能体开发实战（Dify）（微课版）-参考答案

参考答案：项目一习题理论选择题Dify平台推荐的本地化部署方式是使用什么工具？CA.VMwareWorkstationB.VirtualBoxC.DockerComposeD.IIS服务器在编写提示词时，为了让模型更好地扮演特定角色（如“校园向导”），通常在结构化提示词的哪个模块进行定义？BA.#SkillsB.#RoleC.#WorkflowD.#Initialization如果在Windows家庭版中安装DockerDesktop，必须确保开启的Windows功能是？BA.Hyper-VB.虚拟机平台(VirtualMachinePlatform)C..NETFramework3.5D.远程桌面服务实操简答题请简述对话型（Chat）、工作流型（Workflow）和智能体型（Agent）三种应用形态的主要区别。答：对话型（Chat）：最基础的问答形态，基于大模型固有的知识和上下文记忆进行一问一答，交互灵活但缺乏对外部系统或复杂逻辑的控制。工作流型（Workflow）：采用图形化连线（DAG图）将各种节点（如LLM节点、判断节点、代码节点）固定下来。其特点是过程确定、高度可控，适合标准化、流程化（SOP）的任务，但缺乏自主决策能力。智能体型（Agent）：具备高度的自主性，只需赋予它“目标”和“工具”，大模型会通过内部推理（如ReAct机制）自主规划步骤、决定调用何种工具来完成任务。适合处理复杂、动态、未知的场景。在部署Dify时，如果启动容器后发现浏览器无法通过访问服务，且日志提示端口被占用，应如何修改配置文件解决该问题？参考答案：找到Dify部署目录下的docker-compose.yaml文件。在文件中找到

nginx

服务（Dify的前端路由网关）的配置段。修改ports映射，将左侧的宿主机端口改为未被占用的端口（例如改为8080）。修改前：-"80:80"修改后：-"8080:80"保存文件，在终端执行

dockercomposedown

停止现有容器，再执行dockercomposeup-d重新启动。在浏览器中通过:8080即可正常访问。拓展任务任务1：尝试接入其他模型供应商。除了通义千问，尝试接入另一个免费或开源的模型服务。方案A（云端）：注册“智谱AI”或“讯飞星火”的开放平台，申请免费APIKey并配置到Dify中。方案B（本地，进阶）：如果你的电脑显卡性能较好（显存>=6G），尝试安装Ollama工具，在本地运行Qwen的轻量化版本，并在Dify中通过Ollama供应商接入本地模型，体验完全离线的智能体对话。解决思路：

登录智谱AI（BigModel）或讯飞星火开放平台，完成实名认证后进入控制台，生成并复制APIKey。进入Dify系统的“设置”->“模型供应商”，找到对应的厂商图标，点击“设置”并粘贴APIKey进行保存验证。测试能否在应用中切换该模型。任务2：对比不同提示词的效果，创建一个新的对比应用。第一轮：使用一句简单的自然语言提示词：“你是个导游，给我介绍一下学校。”进行测试，记录回复的质量。第二轮：使用本项目学到的ICIO或BROKE框架编写详细的结构化提示词。对比两轮回复在语气、信息准确度、格式规范性上的差异，撰写一份200字左右的心得体会。解决思路：第一轮（简单提示词）：模型通常会输出非常宽泛的客套话，或者虚构一个不存在的通用校园场景（即“幻觉”），排版可能是密密麻麻的纯文本。第二轮（结构化提示词）：学生需应用ICIO（Input,Context,Intent,Output）或类似框架。例如定义Role为“某某职院专属导游”，定义Constraints“不知道的信息请回答‘请咨询学工处’”，定义OutputFormat“使用Markdown分点列出”。项目二理论选择题在Dify工作流中，若希望大语言模型（LLM）的输出能够被后续的逻辑判断节点（If/Else）直接读取并使用，最理想的输出模式是（）。B纯文本模式B.结构化输出C.Markdown模式D.Python代码模式关于Dify工作流中的“节点（Node）”与“变量（Variable）”，下列说法错误的是（）。D节点是工作流执行的基本单元，变量是节点间传递数据的载体。一个工作流中必须包含且仅能包含一个“开始（Start）”节点。下游节点可以通过变量选择器引用上游任意节点的输出变量。“系统变量”是用户自定义的，用于存储临时的中间计算结果。在设计“路由分发”工作流时，我们通常使用（）节点来实现根据不同的变量值（如意图标签）将流程导向不同的处理路径。C意图分类器B.知识库检索条件分支D.迭代关于工作流的“异常处理”机制，以下描述正确的是（）。C当节点运行出错时，工作流一定会立即停止并报错，无法进行后续处理。所有类型的错误（包括网络超时和业务逻辑错误）都可以通过同一个配置自动修复。可以通过配置节点的“失败分支”，将执行失败的数据流路由至备用节点进行降级处理。只有代码节点才支持异常处理，LLM节点不支持异常处理。实操简答题请简述“意图分类器”在智能体工作流中的作用，并说明为什么通常需要配合“条件分支”节点一起使用。答：作用：“意图分类器”（或问题分类器）利用大语言模型的自然语言理解能力，分析用户的输入意图，并将其归类为预设的几个固定标签（例如：“教务咨询”、“生活咨询”、“闲聊”）。它的作用是将非结构化的自然语言转化为结构化的确定性分类标签。配合使用的原因：意图分类器本身只负责“打标签”，并不具备控制执行路径的能力。因此，必须在其下游连接“条件分支”（If/Else）节点。条件分支节点通过读取意图分类器输出的“标签变量”，判断其值属于哪一类，从而真正将数据流引导至对应的专属处理节点（如教务处理流程或生活处理流程），实现业务逻辑的分发。(注：在部分最新版Dify中，问题分类器节点已内置了分支路由功能，可将其视为分类+分支的结合体)。拓展任务任务1：为教务助手增加“多语言切换”功能。学校有不少留学生，希望“教务助手”分支能够根据用户的提问语言自动调整回复语言。任务要求：修改任务2.3中的“教务助手”LLM节点。在提示词中增加一条指令：“请检测用户问题的语言。如果是英文提问，请用英文回复；如果是中文提问，请用中文回复。”验证：分别输入“Whenisthefinalexam?”和“期末考试是什么时候？”，观察回复的语言是否匹配。解决思路：进入任务2.3搭建的工作流画布，找到处理“教务咨询”的LLM节点。在该节点的“系统提示词（SystemPrompt）”或“指令”区域，补充如下规则定义：“你是一个精通多国语言的教务助手。请检测用户输入问题{{sys.query}}所使用的语言。如果用户用英文提问，你必须用英文回答；如果用户用中文提问，请用中文回答。保持专业和礼貌。”测试验证：在右侧调试面板分别输入中文和英文问题。大模型本身具备强大的跨语言理解能力，仅通过提示词的约束即可完美实现语言的自动切换，不需要额外增加翻译节点。任务2：为意图识别增加“敏感词过滤”前置关卡。为了维护校园网络文明，需要防止不文明用语进入后续的意图分类环节。任务要求：在开始节点和“意图分类器”之间插入一个新的“代码执行”节点（或使用简单的“条件分支”）。逻辑实现：编写简单的Python代码或逻辑判断，检查用户输入变量input_text是否包含特定的敏感词（如“笨蛋”、“垃圾”）。路由设计：如果包含敏感词，直接路由至一个新的回复节点，返回“请注意文明用语”。如果不包含，则正常传递给“意图分类器”继续执行。解决思路：节点插入：在“开始（Start）”节点和“意图分类器”节点之间的连线上，点击“+”号，插入一个“代码执行（Code）”节点。代码编写（Python）：配置输入变量：将input_text映射为用户的提问内容（如sys.query）。编写简单的Python代码：defmain(input_text:str)->dict:sensitive_words=["笨蛋","垃圾"]#检查是否包含敏感词is_sensitive=any(wordininput_textforwordinsensitive_words)return{"is_safe":notis_sensitive#如果包含敏感词，is_safe为False}配置输出变量：定义一个布尔型输出变量is_safe。路由设计：在代码节点后接一个“条件分支（If/Else）”节点。条件1（安全）：当is_safe为True时，连线至原有的“意图分类器”节点，继续正常业务流程。条件2（不安全）：当is_safe为False时，连线至一个新的“直接回复（直接输出文字）”节点，内容填写：“请注意文明用语，我无法回答该问题。”，然后结束工作流。项目三习题理论选择题在构建检索增强生成知识库时，针对《信息大学校园制度》这类包含大量条款、结构严谨的规章制度文档，以下哪种分段策略最为合适？（）C将全文作为一个整体切片，不进行任何分割，以保证完整性。采用100字符的极小切片，以提高检索的灵活性。采用500-800字符的中长切片，并设置一定的重叠量，兼顾条款完整性与上下文连贯。仅提取文档中的标题作为索引，忽略正文内容。在Dify平台的检索设置中，“Score阈值”的主要作用是？（）B决定发送给大模型的文本片段的最大数量。设定一个相似度得分底线，过滤掉相关度低于该值的低质量片段，防止“幻觉”产生。控制大模型生成回答的字数长度。调整Embedding模型的向量维度。当用户提问关键词与文档原文完全一致，但系统仍无法召回正确内容时，最可能的原因是？（）B采用了“全文检索”模式。Score阈值设置得过高，导致高分片段也被拦截。知识库采用了“高质量”索引模式。TopK值设置得过大。关于重排序（Rerank）模型在检索增强生成系统中的价值，下列描述错误的是？（）C重排序（Rerank）模型采用交叉编码器（Cross-Encoder）架构，计算成本通常高于向量检索。重排序（Rerank）模型能够纠正向量检索因语义漂移导致的排序错误。重排序（Rerank）模型可以直接替代Embedding模型，独立完成从海量数据中检索的全过程。重排序（Rerank）模型适合处理语义复杂、逻辑关联强或存在大量干扰信息的长尾问题。实操简答题某开发者搭建了一个校园问答智能体，但在测试“转专业申请流程”时发现，大模型回答的内容虽然涵盖了“申请时间”和“申请资格”，却唯独遗漏了“需要家长签字”这一关键步骤。经查阅《信息大学校园制度》原文，关于转专业的规定共有800字，包含5个要点，被系统切分成了2个连续的文本片段（ChunkA和ChunkB）。其中，“家长签字位于ChunkB的末尾。请结合检索增强生成原理分析导致该问题的两个可能原因，并给出相应的参数调整建议。答:原因1：召回片段数量（TopK）设置过小。系统在进行向量检索时，可能只命中了包含前半部分信息的ChunkA，而ChunkB因为排名稍靠后未被召回（例如TopK仅设置为1）。调整建议：适当调大“TopK”的值（例如从2增加到4或5），允许系统召回更多相关的文本片段提供给大模型综合。原因2：分段策略（Chunking）导致上下文割裂。800字的完整规定被生硬地切成两半，且未设置“重叠量（Overlap）”，导致ChunkA和ChunkB失去了语义连贯性；或者ChunkB的核心语义与用户提问的“转专业申请”在向量空间上距离较远，未被成功检索。调整建议：重新配置文档的切片规则，增加“分段重叠（Overlap）”字符数（如设置为100或150字符），确保被切断的上下文能够互相包含；或者针对规章制度，尝试调大单个Chunk的最大字符数，尽量让同一条款保留在一个片段内。拓展任务任务1：构建“多格式”混合知识库背景：真实的校园场景中，数据来源多样，除了PDF格式的规章制度，还包含Excel格式的“校历安排”和Word格式的“常用通知”。任务要求：收集不同格式的校园数据文件，必须包含一份Excel表格数据（如课程表或校历）。在Dify中创建一个新的知识库，导入Excel表格。研究并应用Dify针对表格数据的“Q&A分段模式”，对比其与普通文本分段在处理结构化数据时的效果差异。进行测试提问（如“期末考试是哪一周？”），验证系统能否从表格中正确检索并合成答案。参考思路：数据准备：准备一份Excel校历或课程表，确保表头清晰（如：第一列为“周次”，第二列为“日期”，第三列为“事件”）。导入与模式选择：在Dify创建知识库并上传该Excel。在分段设置环节，重点引导学生不要选择“直接分段”，而是选择“Q&A分段模式”。原理解析：普通文本分段会把Excel按行或按字数强行切断，破坏了表头与单元格的对应关系（例如大模型不知道“期末考试”对应的是哪一列的“日期”）。而“Q&A分段模式”会利用LLM对表格的每一行进行预处理，自动生成类似于“问：第18周有什么事件？答：第18周（1月10日）是期末考试”的问答对，极大地提升了后续检索的精准度。测试对比体会：使用了Q&A分段的表格数据，在回答“期末考试是哪一周”时非常精准，且幻觉率极低。这能帮助学生深入理解“高质量的数据预处理比单纯的模型能力更重要”这一核心开发理念。项目四一、选择题关于智能体工具调用（FunctionCalling）的原理，以下描述错误的是？CA.平台通过APIKey管理工具调用的权限与配额，确保接口访问的安全性。B.智能体（Agent）本身并不直接执行HTTP请求，而是生成包含工具参数的结构化数据，由平台代理执行请求。C.在Dify中配置自定义工具时，模型的决策逻辑完全依赖于工具的APIHost地址，与工具描述（Description）无关。D.智能体能够根据自然语言指令的上下文，自主决定调用哪个工具以及何时调用。在编写OpenAPI规范（Swagger）的Schema文件时，若要定义一个必须由用户在Query参数中提供的字符串类型字段（如“城市名”），以下YAML片段正确的是？CA.in:header B.required:falseC.in:query且required:true D.type:integer在实现“多工具协同”任务时，系统提示词（SystemPrompt）的主要作用是？BA.替代API接口，直接生成虚假的业务数据。B.引导模型理解业务逻辑、规划工具调用的先后顺序以及处理条件分支（如“如果…则…”）。C.强制模型忽略所有外部工具，仅使用训练数据进行回答。D.自动生成API的鉴权密钥，无需人工配置。在自定义工具的鉴权配置中，若接口要求在HTTPHeader中携带名为Authorization的凭证，且Schema中已定义了对应的securitySchemes。在Dify前段界面配置鉴权时，应选择哪种方式？BA.选择“无鉴权（None）”，直接将Key写死在Prompt中。B.选择“APIKey”类型，参数位置设为Header，参数名设为Authorization。C.选择“APIKey”类型，参数位置设为Query，参数名设为api_key。D.不需要任何配置，Dify会自动破解接口的鉴权机制。二、实操简答题OpenAPI规范（Swagger）在Dify自定义工具开发中扮演了什么角色？请简述Schema定义中paths、parameters和components/securitySchemes三个关键节点的作用。答：OpenAPI的角色：OpenAPI是智能体与外部API进行交互的“通用语言”或标准化“说明书”。它构成了智能体连接外部世界的语义基础，是大语言模型理解工具功能、所需参数以及返回数据的唯一依据。三个关键节点的作用：paths（路径）：这是文档的核心部分，定义了API的各个端点（Endpoint）及其支持的操作方法（如GET、POST），并在每个路径下详细描述了对应的输入参数和请求体。parameters（参数）：用于详细定义工具所需的输入参数项、参数类型（如string）及其必要性（如required），这是大模型从自然语言中提取并填充正确请求参数的依据。components/securitySchemes（安全组件/鉴权方案）：用于显式声明安全方案（鉴权机制），指定鉴权类型（如apiKey）、凭证存放的位置（如header或query）以及传递凭证的具体字段名（如Authorization），确保智能体能带上合法凭证通过校验。某自定义工具的API需要通过Header传递X-Custom-Token进行鉴权。请写出在OpenAPIYAML文件中定义该安全方案（SecurityScheme）的代码片段。答：components:securitySchemes:ApiKeyAuth:#自定义安全方案名称type:apiKeyin:header#指定凭证位置：headername:X-Custom-Token#指定传递凭证的字段名security:#全局应用该安全方案-ApiKeyAuth:[]拓展任务任务1：集成“图书馆馆藏查询”工具完善智慧校园助手的学习辅助功能。任务要求：在Apifox中模拟一个书籍查询接口GET/library/books，参数为keyword（书名）。设置Mock逻辑：当查询“高等数学”时，返回“馆藏位置：A区3架，状态：在馆”；查询其他书籍返回“暂无库存”。修改智能体Prompt：当教务系统查询结果显示某科目挂科时，自动调用该工具查询对应的辅导教材在图书馆的状态，并将书名和馆藏位置一并回复给用户。解决思路：(1).Apifox端的Mock实现接口定义：创建GET/library/books。参数keyword设置为string。Mock脚本逻辑：在Apifox的“高级Mock”中添加脚本：constkeyword=fox.queryParams.get('keyword');if(keyword==='高等数学'){return{status:"success",data:{location:"A区3架",state:"在馆",book_name:"高等数学辅导教材"}};}else{return{status:"fail",message:"暂无库存"};}Dify端的工具接入导入工具：在Dify的“工具”板块，通过OpenAPI/Swagger规范导入Apifox提供的URL（需注意内网穿透或使用公文MockURL）。Prompt逻辑编排：核心指令更新：“当教务系统查询返回的成绩分数小于60分时，判定为‘挂科’。此时，你必须主动提取该科目名称作为关键词，调用library_search接口寻找辅导书。回复格式应包含：‘同学，很遗憾你的[科目]未及格，建议借阅[书名]进行复习，馆藏位置为[位置]。’”任务2：对接即时通讯通知模拟重要消息的即时推送场景。任务要求：注册钉钉（DingTalk）或飞书（Lark）的自定义机器人，获取WebHook地址。在Dify中创建一个自定义工具send_notification，用于发送文本消息。设定场景：当查询到的天气为“暴雨”或“大雪”等恶劣情况时，智能体除了在对话框回复外，还需调用该工具将出行警告推送到钉钉/飞书群组中。解决思路：（1）.自定义工具send_notification配置参数：在Dify中新建自定义工具。Method:POSTURL:填写钉钉或飞书的WebHook地址。Header:Content-Type:application/jsonBody结构（以钉钉为例）：JSON{"msgtype":"text","text":{"content":"{{message}}"}}变量设置：将message设为工具的输入参数。（2）.场景触发逻辑（Workflow思路）如果使用Dify的工作流模式，建议逻辑如下：天气查询节点：调用天气API获取当前天气现象（如“大雨”）。条件分支（IF/ELSE）：条件：weather_description包含“雨”、“雪”、“雹”。动作：分支A（符合条件）：调用send_notification工具，并在聊天框输出警告。分支B（不符合）：仅在聊天框正常输出天气。LLM引导（Chatbot模式）：在SystemPrompt中加入判定：“如果天气查询结果中包含‘暴雨’、‘大雪’等词汇，请立即调用send_notification工具，推送格式为：‘【校园出行预警】当前天气恶劣：[具体天气]，请同学们注意交通安全。’”项目五选择题MCP协议定义的三种核心能力原语是（）。B会话（Chat），Embedding，微调（Fine-tuning）工具（Tools），资源（Resources），提示词模板（Prompts）服务端（Server），客户端（Client），服务端（Host）JSON，RPC，SSE在MCP服务开发中，使用mcp框架时，以下哪个装饰器用于注册一个模型可调用的函数？（）C@mcp.resource()@mpt()@mcp.tool()@mcp.action()当Dify平台（运行在Docker容器中）需要连接本机运行的MCP服务时，EndpointURL中的主机地址通常应配置为（）。Cernal简答题请简述MCP协议中“资源（Resources）”与“工具（Tools）”的主要区别，并结合校园场景各举一个应用实例。答：1）区别：资源（Resources）是静态的、只读的上下文数据，通常由系统直接挂载给大模型读取，模型无法修改它。它就像是给模型提供的一本参考书。工具（Tools）是动态的、可执行的动作，支持参数输入并返回结果，模型可以根据意图自主决定何时调用它。它就像是给模型提供的一个功能按键。校园场景实例：资源实例：《校园地图网络拓扑图》、《2026级新生入学指南文档》。模型可以直接读取这些数据回答新生问题。工具实例：查询学生期末成绩(学号)、预约图书馆自习座位(时间,座位号)。模型需要根据用户的输入提取参数，执行具体的动作。为什么在将本地MCP服务接入Dify时，需要将通信模式从标准输入输出切换为SSE？请简要说明SSE的作用。答：原因：标准输入输出（stdio）模式要求客户端能够直接启动并作为父进程管理MCPServer的服务进程（例如在本地运行的ClaudeDesktop可以直接拉起一个本地Node脚本）。但Dify运行在独立的Docker容器或云端，无法直接操控宿主机的命令行去启动进程，因此无法使用stdio。SSE的作用：SSE（Server-SentEvents）是一种基于HTTP协议的单向事件流技术。使用SSE，MCPServer可以作为一个独立的Web服务运行在特定端口上，Dify（作为客户端）通过网络发送HTTP请求连接该端口，服务器即可通过SSE通道将状态和数据推送给Dify，实现了跨进程、跨容器的解耦通信。实操题请编写一段Python代码，基于mcp框架定义一个名为“check_weather”的工具。该工具接收一个city（字符串）参数，并返回一个固定的模拟天气信息（如“北京今日晴，气温25度”）。参考思路：本题主要考察学生使用FastMCP（或同类MCP开发框架）定义工具的基本语法，要求包含类型提示和函数文档注释（Docstring），因为MCP会解析这些信息生成工具描述提供给大模型。frommcp.server.fastmcpimportFastMCP#1.初始化MCPServermcp=FastMCP("SmartCampusWeather")#2.使用@mcp.tool()装饰器注册工具@mcp.tool()defcheck_weather(city:str)->str:"""查询指定城市的天气信息。参数:city:城市名称，例如"北京"或"上海""""#这里为了演示，直接返回固定模拟数据#实际项目中可替换为调用真实的天气APIreturnf"{city}今日晴，气温25度"if__name__=="__main__":#启动MCP服务（默认可根据环境选择stdio或SSE方式）mcp.run()拓展任务任务1：扩展图书馆藏查询能力在现有的“SmartCampus”项目基础上，新增一个名为“query_book_inventory”的工具。要求：工具接收一个“book_name”参数。在代码中定义一个简单的字典作为模拟数据库，存储若干书籍的库存信息。工具逻辑：根据书名查询库存，如果库存大于0返回“库存充足”，否则返回“暂无库存”。使用MCPInspector或Dify进行测试，验证智能体能否回答“帮我查查《Python编程》还有没有书”。参考思路：在创建的MCP服务脚本中追加如下代码:#模拟数据库：定义全局字典存储图书库存BOOK_DATABASE={"Python编程":5,"智能体开发实战":10,"大学英语":0}@mcp.tool()defquery_book_inventory(book_name:str)->str:"""查询图书馆指定书籍的库存状态。参数:book_name:书籍名称，例如"Python编程""""#1.检查字典中是否存在该书ifbook_nameinBOOK_DATABASE:#2.判断库存数量ifBOOK_DATABASE[book_name]>0:returnf"《{book_name}》库存充足，当前剩余{BOOK_DATABASE[book_name]}本。"else:returnf"抱歉，《{book_name}》暂无库存，已被全部借出。"else:returnf"图书馆未检索到名为《{book_name}》的书籍，请核对书名。"测试验证指南：在Dify平台或MCPInspector中，将提问输入为：“帮我查查《Python编程》还有没有书”。观察点：观察智能体的推理过程（Thought）——模型会自动提取出参数book_name="Python编程"，调用query_book_inventory工具，收到“库存充足...”的返回值后，最终向用户生成自然语言的回答。项目六习题简答题简述AgentSkills（智能体技能）与MCP（模型上下文协议）在架构定位与适用场景上的本质区别。答：1）架构定位的区别：MCP（模型上下文协议）：是一种标准化的底层通信协议（Client-Server架构），旨在打破数据孤岛，让大模型能够通用地连接外部数据源、工具和系统。它具有跨平台性（写一个MCPServer，可以同时接入Dify等）。AgentSkills（智能体技能）：通常是平台原生（或特定生态内）的业务逻辑封装包。一个Skill往往包含了特定任务所需的提示词（Prompt）、工具（Tools）、参考知识（References）和输出模板，它在智能体内部作为一种“即插即用”的能力模块存在，与平台本身的编排引擎结合更紧密。2）适用场景的区别：MCP适合解决“连接问题”，比如将校园内部的私有数据库、本地文件系统或遗留的老旧API通过标准接口暴露给大模型。AgentSkills适合解决“业务场景封装问题”，比如把“校园失物招领”、“迎新流程指导”打包成一个个技能，方便非研发人员在不同智能体中复用这些包含特定业务Know-How（行业经验）的能力模块。在开发AgentSkills时，为什么需要配置“assets/response_template.md”文件？如果不进行此项配置，可能会对系统输出造成什么负面影响？答：配置原因：response_template.md是技能的输出格式化模板。大模型虽然能生成内容，但每次生成的排版可能都不一样。该文件通过预设Markdown格式（如表格、加粗、特定抬头），强制规范技能执行后的最终呈现形态，保证输出的专业性和一致性。负面影响：如果不配置此文件，大模型的输出将处于“自由发挥”状态。表现为：格式不可控：同样的失物招领查询，有时输出一段密集的纯文本，有时输出列表，用户阅读体验极差。关键信息遗漏：没有模板的约束，模型可能会忘记输出某些必须展示的关键字段（如联系人电话、领取时间窗口等）。拓展任务任务1：失物招领技能的业务扩展与迭代基于本项目开发完成的“campus-lost-found”技能包，模拟学校保卫处提出了新的业务管理需求。请对原有的技能文件进行迭代升级。要求：修改references/location_guide.md，新增“共享单车停放区”的拾获区域，并指定认领地点为“校园共享单车调度中心”。将更新后的技能包重新上传至Dify平台进行部署，并在调试控制台中输入相关测试指令，验证智能体能否准确输出更新后的规则指引。参考思路：定位并修改文件：引导学生在本地开发环境中找到campus-lost-found技能包的目录，打开references/location_guide.md（或其他存放地点映射的知识文件）。添加业务规则：在文件中遵循原有格式追加新规，例如：```-拾获区域：食堂、教学楼->认领地点：后勤保卫处（行政楼101）-拾获区域：图书馆->认领地点：图书馆一楼总服务台-拾获区域：共享单车停放区->认领地点：校园共享单车调度中心（南大门左侧）```3)重新部署：保存文件后，将该技能包重新打包（如果平台支持ZIP上传）或通过Git推送到代码仓库，在Dify平台的“工具/技能”管理页面进行更新/重载。4)测试验证：进入配置了该技能的“校园智能体”调试界面。输入测试用例：“我刚才在宿舍楼下的共享单车停放区捡到了一把车钥匙，请问我该交到哪里？”观察预期结果：智能体应当能够精准调用更新后的技能，并按照response_template.md的格式回答：“您好，在共享单车停放区拾获的物品，请交至校园共享单车调度中心（南大门左侧）。感谢您的拾金不昧！”项目七习题选择题在复杂任务推理中，引入思维链（ChainofThought，CoT）提示范式的主要作用是？（）B扩大底层大语言模型的上下文窗口容量限制强制模型在输出最终答案前生成结构化的中间推理步骤，降低逻辑偏误使系统能够自动调用外部计算器进行高精度数学运算大幅提高大语言模型生成文本的速度与吞吐量在工作流编排中，如果需要对包含数十个不同搜索关键词的数组进行批量、并发的外部工具调用，最合适的控制结构节点是？（）C参数提取节点问题分类器节点迭代节点变量赋值器节点简答题简述思维链（CoT）在智能体任务拆解环节中的具体作用。在利用大语言模型输出系统指令时，为何通常需要强制其输出结构化的JSON格式而非自然语言段落?答：CoT在任务拆解中的作用：面对“撰写深度研究报告”等复杂宏大目标，大模型容易无从下手