人工智能应用导论（第三版）实验手册 8-4大模型应用开发、9-4 智能体、10-4 智能康养

8-4知识问答助手实验手册【项目目标】本项目旨在通过整合LangChain框架与DeepSeek大模型API接口，构建具备本地知识增强能力的智能问答系统，实现从模型调用到用户交互的全流程落地。核心目标包括：基于DeepSeek大模型API完成对话生成能力的接入与优化，确保接口调用的稳定性和响应效率；构建结构化本地知识库，支持多格式文档解析与向量化存储，形成可扩展的知识管理体系；利用基于语义理解的检索机制，结合大模型推理能力与知识库精确匹配，提升问答结果的准确性和场景适配性；最终通过Web端部署实现系统交付，设计直观易用的交互界面，支持用户实时问答、历史记录追溯等功能，形成可复用的知识问答助手。整体目标如图8-2所示。图8-2项目目标解析图任务一调用DeepSeek大模型图8-3DeepSeek大模型开放平台主界面图8-4创建DeepSeek大模型APIkey获取DeepSeek大模型的API参数后，利用LangChain框架调用大模型，示例代码如下：fromlangchain.chat_modelsimportChatOpenAI

api_key="your-deepseek-api-keys"

api_base="/v1"

llm=ChatOpenAI(

model="deepseek-chat",

openai_api_key=api_key,

openai_api_base=api_base,

temperature=0.7

)

response=llm.invoke("请问你是什么大模型？")

print("生成的内容:",response)示例代码中的参数“your-deepseek-api-keys”，可以自行替换为个人账号中创建的DeepSeek的APIkey参数。注意，首次使用DeepSeekAPI时需要进行充值，不然结果显示无法调用接口。任务二构建本地知识库接下来需要准备向量嵌入模型，将本地的文本类型数据转换为将非结构化数据，如单词、句子或者整个文档，转化为实数向量的技术。这些实数向量可以被计算机更好地理解和处理。本项目中使用到的嵌入模型是质谱AI中的“embedding-3”模型，本地知识库构建示例代码如下：file_paths=[]folder_path='./data_base/knowledge_db'forroot,dirs,filesinos.walk(folder_path):forfileinfiles:file_path=os.path.join(root,file).replace('\\','/')file_paths.append(file_path)loaders=[]forfile_pathinfile_paths:file_type=file_path.split('.')[-1]iffile_type=='pdf':loaders.append(PyMuPDFLoader(file_path))eliffile_type=='md':loaders.append(UnstructuredMarkdownLoader(file_path))texts=[]forloaderinloaders:texts.extend(loader.load())text_splitter=RecursiveCharacterTextSplitter(chunk_size=500,chunk_overlap=50)split_docs=text_splitter.split_documents(texts)embedding=ZhipuAIEmbeddings()#定义持久化路径persist_directory='./data_base/vector_db/chroma'vectordb=Chroma.from_documents(documents=split_docs,#embedding=embedding,persist_directory=persist_directory#允许我们将persist_directory目录保存到磁盘上)vectordb.persist()如果准备的文件资料包含不同的格式，如pdf、txt、Markdown等，可采用LangChain中的不同文件读取函数进行读取。同时，本项目采用chroma作为本地向量数据库，它是一种轻量级向量数据库，拥有丰富的功能和简单的API，具有简单、易用、轻量的优点。任务三检索相似性知识当需要根据知识库的知识来回答用户提出的问题时，需要根据问题来检索相关信息。通过使用向量数据库，可以生成一个检索器来寻找与查询最相关的文档。示例代码如下：retriever=vectordb.as_retriever(search_type="similarity_score_threshold",search_kwargs={"k":3,"score_threshold":0.3})print(retriever.invoke('乡村振兴'))通过检索器检索，输出结果为一个列表，按相关性排序，从相关性最高的文档开始。参数“k”为输出的最相似的k个结果，“score_threshold”为相似性阈值。任务四结合LangChain进行问答在上面的任务中，调用了大模型API接口、构建了本地向量知识库并实现了信息的检索。现在将创建一个检索增强生成流程，首先使用检索器搜索到相关的文档，然后根据文档内容生成回答，如果没有检索到相关文档，拒绝回答相关问题。示例代码如下：#自定义提示模板，包含拒绝回答的指令prompt_template="""使用相关文档来回答最后的问题。如果你不知道答案，就说你不知道，不要试图编造答案。问题：{question}相关文档：{context}请严格按照上述规则生成答案："""PROMPT=PromptTemplate(template=prompt_template,input_variables=["context","question"])qa_chain=RetrievalQA.from_chain_type(llm=llm,chain_type="stuff",retriever=retriever,chain_type_kwargs={"prompt":PROMPT},return_source_documents=True)defask_question(question):result=qa_chain({"query":question})returnresult["result"]response=ask_question(user_input)首先，定义一个大模型的提示词模板，要求大模型需要根据在知识库中查询到的相关上下文来回答问题，如果查询不到相关信息，就回复无法回答该问题。这样进行设置，就限制了大模型的回复范围，可以让它更具有专业性。将信息检索和语言生成相结合，能够有效地从大量的非机构化文本中检索信息并生成准确的回答。任务五部署知识问答系统本项目将基于PythonFlask框架构建轻量化Web服务，实现LangChain驱动的大模型知识检索系统部署。示例代码如下：@app.route('/')defindex():returnrender_template('chat_wenxin_app.html')@app.route('/chat',methods=['POST'])defchat():user_input=request.json.get('message')#设置检索器，只返回相似度高于阈值的文档retriever=vectordb.as_retriever(search_type="similarity_score_threshold",search_kwargs={"k":5,"score_threshold":0.3})print(retriever)qa_chain=RetrievalQA.from_chain_type(llm=llm,chain_type="stuff",retriever=retriever,chain_type_kwargs={"prompt":PROMPT},return_source_documents=True)defask_question(question):docs=retriever.get_relevant_documents(question)print(len(docs))result=qa_chain({"query":question})print(result)iflen(result['source_documents'])==0:return"抱歉，我在知识库中没有找到相关信息，无法回答这个问题。"else:returnresult["result"]response=ask_question(user_input)returnjsonify({'response':response})if__name__=='__main__':app.run(debug=True)上面任务通过定义两个路由实现前后端交互，实现了知识问答系统的部署。根路由'/'渲染前端聊天界面，'/chat'路由处理用户POST请求。在问答处理中，系统利用LangChain的RetrievalQA模块整合向量数据库检索与大语言模型生成能力，，最终返回结构化JSON响应。这种设计实现了从用户输入到知识检索、模型推理、结果返回的全流程闭环，支持动态知识库调用与实时语义增强生成。运行本项目提供的代码后，点击链接可打开对话页面，如图8-5所示。图8-5对话界面链接点击链接后，打开知识问答系统对话页面。本项目中，在知识库文件夹中放入了三篇关于乡村振兴的文献，在向系统提问“乡村振兴”的相关话题时，系统能够给出回复，而当向其提问与之无关的历史人物时，系统回复“抱歉，我在知识库中没有找到相关信息，无法回答这个问题。”，如图8-6所示。图8-6对话界面链接【项目总结】本项目以大模型应用开发为核心，借助LangChain框架和DeepSeek大模型API接口，搭建了一个知识问答系统。通过整合LangChain框架与DeepSeekAPI，系统实现了三大核心能力：在知识管理层面，构建了支持多格式文档自动解析的结构化知识库；在智能检索层面，融合语义相似度检索机制，限制了非知识库以外的话题问答；在交互体验层面，基于LangChain的检索增强生成技术打造多轮对话引擎，配合Web端可视化界面实现答案溯源与反馈优化闭环。

项目总结报告项目名称姓名学号小组名称（适合小组项目）实施过程记录测试结果总结后期改进思考成员分工（适合小组项目）姓名职责完成情况组长评分考核评价评价标准：1.执行力：按时完成项目任务。2.学习力：知识技能的掌握情况。3.表达力：实施报告详实、条理清晰。4.创新力：在完成基本任务之外，有创新、有突破者加分。5.协作力：团队分工合理、协作良好，组员得分在项目组得分基础上根据组长评价上下浮动。9-4智能体实验手册【项目目标】（1）完成一个面向企业的营销海报自动生成智能体开发。（2）学习设计智能体，使其灵活能适配多种应用场景所需的画幅比例。（3）学习设计智能体，使其能够为用户提供专业的设计风格参考与建议。（4）完整体验从创意到成图的设计流程自动化。任务一项目需求分析人工完成一个宣传海报的制作，需要哪些流程呢？一个完整的宣传海报制作任务，可以拆解为四个步骤，如图9-2所示：（1）需求分析：系统全面收集用户输入的各类信息（包括核心画面元素、设计风格偏好、画幅比例等），为其提供专业的设计方案建议。（2）初稿：基于确认后的需求方案，制作初稿供用户选择。（3）修改：用户对初稿进行评审并提出具体修改意见，海报制作者据此进行精细化调整，生成修改版本。（4）定稿：经过多轮迭代直至用户满意，最终生成符合所有要求的高清海报成品。该流程的顺畅运转高度依赖客服人员的个人能力、经验及知识库的完备程度。图9-2人工海报制作工作流程参考人工制作海报流程，进行智能化重构，智能营销海报生成助手将传统依赖人工的环节转化为高效、精准的人机协同作业模式，其对应流程如下图9-3所示：图9-3智能海报生成助手工作流程传统企业海报创作模式主要存在以下四大核心痛点，这些痛点直接催生了对AI驱动解决方案的迫切需求：（1）专业人才依赖与高人力成本高质量的海报设计依赖于专业的美术设计师和营销文案人员。对中小企业而言，是沉重的财务负担。（2）创作周期长，响应速度慢传统设计流程（需求沟通-初稿-修改-定稿）通常需要数小时甚至数天。在需要快速响应市场热点、进行社交媒体即时营销或紧急促销活动时，这种延迟会严重贻误商机，无法满足“快营销”的需求。（3）设计质量与品牌一致性的不稳定市场、销售等业务人员缺乏设计知识，使用简易工具（如PPT）制作的海报往往缺乏专业性，影响品牌形象。需求方与设计师之间的沟通可能存在偏差，导致设计稿反复修改，最终成果可能与预期不符。不同设计师或不同时期制作的海报，在色彩、字体、版式上可能不一致，损害品牌识别度。（4）创意激发与标准化生产的矛盾企业既希望海报有创意，又需要能快速、批量地生产以满足不同渠道和场景的需求。传统模式下，这对矛盾很难调和——追求创意会拖慢速度，追求速度又会扼杀创意。任务二创建智能体登录扣子官方网站，①选择“项目开发”，②点击“+创建”，③选择“创建智能体”的“+创建”（图9-4）。图9-4创建智能体对智能体进行设置，包括智能体的名称及描述（图9-5），图标可以从本地导入，也可以自动生成。完成设置后点击“确认”，进入智能体开发界面。图9-5智能体设置任务三设计工作流在智能体编排页面中，需要为智能体添加工作流。工作流是智能体复杂功能实现的关键组件，承载了海报生成的核心逻辑。工作流的创建方法如图9-6所示。①在编排栏的技能的工作流中，点击“+”，②选择“创建工作流”下的“创建工作流”。图9-6工作流的创建随后弹出工作流配置窗口，配置如图9-7所示。此处，工作流的名称为“poster_create”，工作流的描述为“当需要生成海报时，它是很管用的。”一般来说，工作流的描述是重要的，决定了智能体在合适调用该工作流。图9-7工作流设置工作流创建完成后，需要参考图9-3设计工作流的思路。这里分为几个步骤。开始节点是工作流的入口，决定了用户输入怎样的数据，相当于工作流接收怎样的数据。对于该工作流，需要用户输入海报的需求描述和生成海报的比例信息，此处设置变量名为“prompt”，变量类型为“String”，如图9-8所示。图9-8开始节点设置因为图像生成节点生成图像的比例是无法根据提示此修改的，因此为了根据用户需求智能选择合适的图像比例，在这里，我们添加一个意图识别节点。通过分析用户输入内容中包含的画幅比例信息，将图片生成分流到对应的模块，使智能体能够更准确地满足用户的具体需求。其中意图识别节点的添加方法如图9-9所示。①点击“+添加节点”，②选择“业务逻辑”下的“意图识别”。需要连接“开始”和“意图识别”，保证变量的传递。图9-9添加意图识别节点意图识别节点的配置如图9-10所示。在输入部分，变量值应为用户问题，引用于“开始”节点的“prompt”。意图识别目的在于区分图片比例。因此意图识别节点匹配图片比例进行分流，此处设置1:1、2:3、3:2、4:3、3:4、16:9、9:16这7种类型。整体连接如图9-11所示。图9-10意图识别节点的配置图9-11目前工作流的连接不同图片比例仅仅是比例设置的区别，因此这里以4:3为例，介绍图片生成的设置。首先要添加图片生成节点。①点击“+添加节点”，②选择“图像处理”下的“图像生成”，如图9-12所示。连接图像生成和“4:3”选项，如图9-13所示。图9-11添加图像生成节点图9-13目前节点连接随后设置弹出的图像生成节点，如图9-14所示。其中模型选择最新的“Seedream4.0”，宽高比例选择“4:3”，可以看出宽高比例在节点中只能选择一个固定，无法根据用户输入设置，这也是为什么上面选择意图识别分流的原因。这里去掉图片水印，节点的输入为“开始”的“prompt”，因此提示词为引用该输入，即“{{prompt}}”。注意，后续不同的图片比例设置都是相同的，只需要调整宽高比例即可。此外，在“其他”情况下，也就是用户输入的图片比例不再以上分类中或者用户为输入图片比例，则此处默认生成4:3的图片。图9-14图像生成节点设置将所有的比例设置完成后的工作流如图9-15所示。图9-15所有的图像生成节点连接展示尽管工作流中存在多个图像生成节点，但每次用户只会输入一个图片比例，导致只有一个节点会执行并生成图像，因此在输出时，工作流无法判断到底是那个节点生成图片。此时，可以添加变量聚合节点来整合各分支的输出。变量聚合节点的作用是将多个可能的输出路径合并为单一输出，保证工作流能够正确的传递生成的图像。如图9-16所示，①点击“+添加节点”，②选择“业务逻辑”下的“变量聚合”。将所有的图像生成节点全部接入变量聚合节点，如图9-17所示。图9-16添加变量聚合节点图9-17目前所有节点连接示意因为最终输出的结果为图片，因此在变量聚合节点，聚合的变量应该为图片，即图像生成节点输出的“data”，类型为“Image”。此时，变量聚合节点的设置如图9-18所示。在Group1中添加所有的图像生成节点的“data”，最后聚合输出结果为Group1，类型也为“Image”。图9-18变量聚合节点设置在工作流的最后是结束节点，目的是输出生成的图片。连接变量聚合节点和结束节点，点击结束节点，设置返回变量，输出变量为“image”，引用与变量聚合节点的“Group1”，此时完整的工作流便可完成，如图9-19所示。图9-19结束节点设置完整的工作流如图9-20所示。图9-20完整工作流展示已替换高清图-20260303已替换高清图-20260303完成以上步骤后，还需要对工作流进行测试，确保运行成功后发布。如图9-21所示，①点击“试运行”，弹出右侧试运行框；②输入试运行的输入prompt，此处输入“一直拿着气球的快乐小狗，图片比例4:3”；③点击“试运行”。图9-21试运行已替换清晰图像-20260303已替换清晰图像-20260303可以看到试运行结果为图9-22，输出结果为返回变量，为图片链接。图9-22试运行结果展示此处输出为图片链接，没有直接输出图片。因此可以调整结束节点的输出，将链接转化为图片直接输出。如图9-23所示，点击结束节点，①点击“返回文本”，②添加返回文本为“”。返回文本可以对返回变量进行格式上的修饰，比如此处用到的为markdown语言中的图片展示语法。图9-23结束节点优化再次试运行，可以看到输出如图9-24所示。点击回答结果中的“预览”，可以看到生成的图片，即最后在对话框中会直接输出图片。图9-24优化后的试运行结果如图9-25所示，单击工作流右上角“发布”，继续点击“发布”，即可发布工作流。随后点击弹出的“确定”，将工作流添加到智能体中（图9-26）。图9-25工作流发布图9-26工作流导入智能体任务四调用工作流智能体添加工作流后，需要设置专业的人设与回复逻辑，使其调用工作流进行海报设计工作。如图9-27所示，智能体的角色定位设定为“世界顶尖的企业市场运营海报设计大师”，赋予其专业权威性。该智能体的技能结构经过系统化设计，涵盖四个核心步骤：首先对画面内容进行补充与确认，随后依次进行风格与画幅比例的筛选，最终通过调用工作流完成处理，从而构建出端到端的服务闭环。在交互层面，流程被设置为逐步引导用户：先确认画面要素，再选择设计风格与输出比例，继而进入海报生成阶段，以此保障操作过程的自然顺畅。在核心处理环节，智能体会自动激活poster_create工作流，将用户已确认的视觉描述转化为高质量图像。这一系列精心规划的配置，不仅使智能体能够提供专业的设计引导与建议，还能系统性地收集生成优质海报所必需的关键信息，为用户打造高效便捷的一站式设计体验。图9-27智能体人设与回复设置任务五配置与测试智能体智能体人设与回复的完整提示词如下：#角色你是一位世界顶尖的企业市场运营海报设计大师，在海报设计的文字效果和元素排版方面独具匠心，能够精准地根据用户提供的模糊画面，梳理并输出绘画提示词。##技能###技能1：画面补充与确认1.接收用户给出的模糊内容后，严格依据绘画原则进行全面且细致的画面补充。2.向用户回复画面补充的详细文本内容，并加上“请问这个画面您满意吗？”3.若用户回复满意，则执行技能2；若不满意，询问画面哪些部分需要修改，根据用户反馈重新完善画面。===回复示例===画面补充内容：［极为详细的画面描述］。请问这个画面您满意吗？===示例结束-==###技能2：风格选择1.当用户对生成画面表示满意时，为用户详细介绍可供选择的图片风格，例如漫画风格、简笔画风格、线条风格、宫崎骏风格、胶片风格等。===回复示例===以下是一些可选的风格：漫画风格、简笔画风格、线条风格、宫崎骏风格、胶片风格，请您选择一种风格。===示例结束===###技能3：比例选择1.当用户选定风格后，告知用户目前支持的比例有：1:1、2:3、3:2、3:4、4:3、9:16、16:9。==回复示例===目前支持的比例有：1:1、2:3、3:2、3:4、4:3、9:16、16:9。请您选择一种比例。==示例结束===###技能4：调用工作流处理将用户满意的内容、选择的风格和比例精心整理好，调用工作流{{poster_create}}进行后续处理。##限制-仅专注于海报设计相关任务，坚决拒绝回答与海报设计无关的话题。-输出内容务必按照给定格式进行组织，不得偏离框架要求。-画面描述应尽可能详细，不限定字数。关于文字内容需用“文字；”加双引号包裹，如“文字：“专业团队”，同时可以用自然语言描述字体效果。-确保画面补充完全符合绘画原则。完成智能体设计后，可以对智能体进行预览与效果测试，如图9-28所示。图9-28运行效果展示已替换清晰图像-20260303已替换清晰图像-20260303点击图片即可得到大图，如图9-29所示。图9-29生成海报展示项目总结：以上项目我们完成了企业营销海报自动生成助手。通过该项目实践体验，读者可以了解AI智能体的基本概念、核心架构，掌握使用扣子平台创建并配置智能体，掌握工作流的设计、节点连接与调试，具备通过意图识别、变量聚合等节点实现多分支任务处理的能力。

项目总结报告项目名称姓名学号小组名称（适合小组项目）实施过程记录测试结果总结后期改进思考成员分工（适合小组项目）姓名职责完成情况组长评分考核评价评价标准：1.执行力：按时完成项目任务。2.学习力：知识技能的掌握情况。3.表达力：实施报告详实、条理清晰。4.创新力：在完成基本任务之外，有创新、有突破者加分。5.协作力：团队分工合理、协作良好，组员得分在项目组得分基础上根据组长评价上下浮动。10-3智能康养实验手册【项目目标】本项目利用前文所介绍的硬件和模型，自行编写设计一套简单的“智能居家康养系统”，该系统实现以下几个功能：（1）系统实时监听离线语音识别模块返回的语音编号，当语音识别模块识别到“打开灯光（语音编号2）”，“关闭灯光（语音编号3）”，“打开风扇（语音编号124）”或“关闭风扇（语音编号125）”时，对设备控制器下达对应的操作指令。（2）系统加载“fire.pt”模型，进行室内火情监测，并实现火情报警。通过本项目可了解：（1）离线语音识别节点的使用方法。（2）USB摄像头的使用方法。（3）如何加载和使用预训练好的计算机视觉模型。（4）使用Python语言设计程序的方法。任务一获取语音识别信息程序运行前，需要安装模块厂家提供的第三方库：pipinstallfroModuleDrivers有了第三方库的支持，语音识别的程序就会比较简单，读者需要在代码行froDriver=GatewayDriver("41",4001)中输入正确的智能网关节点的IP地址和端口号，然后运行程序。#-*-encoding=utf-8-*-

fromfroModuleDrivers.gatewayimportGatewayDriver#引用网关驱动模块

fromfroModuleDrivers.nioManagerimportNioManager#引用驱动管理模块

importtime

froDriver=GatewayDriver("41",4001)#实例化网关驱动

manager=NioManager(froDriver)#实例化驱动管理模块，并把网关驱动加入管理

manager.run()#系统运行

#常用的语音识别API有2个

#1、关闭硬件的语音识别联动设备功能

froDriver.disableSpeechAutoMode()

#2、识别11号语音识别节点结果

#为了方便检测到识别的语句，设计一个循环查询的流程,同时对回参校验，识别成功时打印对应的语句

foriinrange(100):#循环查询100次

#speech_num储存返回的语音数据的编号，编号表见K12-语音识别节点-指令表

speech_num=froDriver.recognizeSpeech(11)#查询缓存的语音识别结果,入参是语音识别节点的节点号11

ifFalse!=speech_num:#判断是否检测到语音

print("识别到新的语句:",froDriver.voiceEncodeV2[speech_num]

)#打印新的语音识别结果，语音识别节点返回的编号与语句的对应关系在voiceEncodeV2字典中

#可以在这里添加你的语音控制设备代码

time.sleep(0.1)#休眠0.1秒

time.sleep(1)

manager.shutdownGracefully()#等待指令执行完毕后系统退出在进行测试的时候，读者需要先对语音识别模块说出唤醒语句“小飞同学”，带语音识别模块说出“哎，我在呢”后，就可以再说“表10-1”中的任何语句和模块交流了。如果能够正确识别，在程序的控制台，会打印出来所识别到的语句，如图10-9所示。图10-9正确识别到了语音任务二打开摄像头及模型加载#导入YOLO框架及OpenCV库

fromultralyticsimportYOLO

#1.加载自己训练好的fire.pt模型

a1=YOLO('fire.pt')使用OpenCV库，打开摄像头，进行火情的实时监测。importcv2

#2.打开摄像头

cap=cv2.VideoCapture(0)#0是默认笔记本摄像头；USB摄像头尝试1、2…

#3.实时推理

whileTrue:

ret,frame=cap.read()

ifnotret:

break

#推理

results=a1.predict(sou