Day05 Coze 进阶使用课后作业

一、选择题

1. 下列更适合放入知识库的是：
   A. 学生签到状态表
   B. 员工绩效等级表
   C. 公司产品说明书 PDF
   D. 订单支付状态表

2. 下列更适合放入数据库的是：
   A. 课程讲义文档
   B. 员工绩效数据表
   C. 产品说明书
   D. 大模型发展史 PDF

3. RAG 的核心流程是：
   A. 直接让模型自由编写答案
   B. 先检索相关资料，再让模型生成答案
   C. 只上传文档，不需要检索
   D. 只使用数据库，不使用大模型

4. 知识库分段的主要目的是：
   A. 让文件名变短
   B. 让文档更适合检索和召回
   C. 删除所有重复内容
   D. 让模型不再需要提示词

5. 关于最小匹配度，下列说法正确的是：
   A. 越高越好，永远设置 0.99
   B. 越低越好，永远设置 0.1
   C. 它是检索结果召回的门槛，需要根据效果调整
   D. 它只影响页面颜色

6. 数据库查询前通常需要先做什么？
   A. 删除所有数据
   B. 从用户输入中抽取查询条件
   C. 把用户输入直接作为表名
   D. 把所有字段改成数字

7. 更新数据库记录时，最重要的是区分：
   A. 页面颜色和字体大小
   B. 定位条件和要更新的字段
   C. 图片宽度和高度
   D. 模型头像和智能体名称

8. ASR 指的是：
   A. 文字转图片
   B. 语音转文字
   C. 文字转语音
   D. 图片转视频

9. TTS 指的是：
   A. 语音转文字
   B. 文本转语音
   C. 数据库查询
   D. 知识库检索

10. 关于视频生成，下列说法更准确的是：
    A. 视频生成成本低、效果永远完美
    B. 视频生成不需要提示词
    C. 视频生成可能成本高、耗时长，并且复杂动作容易出错
    D. 视频生成只能处理文字，不能处理图片

二、填空题

1. 知识库适合存放文档资料，数据库适合存放________数据。

2. RAG 通常指先________相关资料，再让大模型生成答案。

3. 文档分段后的每个小片段通常也叫________。

4. 全文检索更偏向关键词匹配，语义检索更偏向理解________。

5. 最大召回数量表示一次最多返回多少个相关________。

6. 数据库查询结果通常不适合直接返回给用户，最好增加大模型________节点。

7. 新增数据前，需要先从用户输入中抽取要写入的________。

8. 更新数据时，WHERE 条件用于定位记录，SET 部分用于指定要________的字段。

9. ASR 常用于把面试录音、会议录音等音频转换成________。

10. 图片清晰度提升任务中，开始节点的输入类型应该设置为________。

三、简答题

1. 请说明知识库和数据库的区别，并分别举一个例子。

2. 为什么大模型应用中需要 RAG？

3. 文档分段太大或太小分别会带来什么问题？

4. 请解释全文检索、语义检索、混合检索的区别。

5. 为什么知识库检索结果通常还需要大模型润色？

6. 请说明“知识库优先，联网搜索兜底”的工作流思路。

7. 为什么数据库查询前要先做实体抽取？

8. 数据库更新和删除为什么需要谨慎设置条件？

9. ASR 和 TTS 分别解决什么问题？各举一个工作场景。

10. 视频生成当前有哪些局限？为什么不能向用户承诺一定生成完美结果？

四、操作题

1. 创建一个知识库问答工作流

要求：

1. 创建一个知识库，上传一份课程资料或说明文档。
2. 创建一个工作流，开始节点接收用户问题。
3. 添加知识库检索节点。
4. 添加大模型润色节点。
5. 结束节点输出自然语言答案。
6. 测试一个资料中有答案的问题和一个资料中没有答案的问题。

2. 优化知识库检索效果

要求：

1. 在知识库检索节点中查看检索策略。
2. 尝试调整召回数量。
3. 尝试调整最小匹配度。
4. 记录调整前后的回答差异。
5. 写出你认为最合适的一组参数，并说明原因。

3. 搭建知识库加联网搜索兜底流程

要求：

1. 在知识库问答工作流基础上加入联网搜索插件。
2. 当知识库没有有效结果时，使用联网搜索兜底。
3. 使用大模型节点统一整理知识库和联网搜索结果。
4. 输出时要说明答案主要来自知识库还是联网搜索。

4. 创建绩效数据库并导入数据

要求：

1. 创建一个数据库表。
2. 至少包含 work_code、name、performance_level 三个字段。
3. 准备 5 条测试数据并导入。
4. 检查测试数据是否导入成功。
5. 说明为什么 work_code 更适合使用字符串类型。

5. 搭建绩效查询工作流

要求：

1. 开始节点接收用户输入。
2. 使用大模型节点抽取姓名。
3. 使用数据库节点查询该姓名对应的绩效数据。
4. 使用大模型节点将查询结果润色成自然语言。
5. 测试“查张三的绩效”和“查一个不存在的人”的结果。

6. 搭建绩效新增、修改、删除流程

要求：

1. 使用意图识别节点判断用户是新增、修改还是删除。
2. 新增时抽取姓名、工号、绩效等级。
3. 修改时抽取姓名、工号、新绩效等级。
4. 删除时抽取姓名和工号。
5. 每个分支都要输出清晰的操作结果。
6. 如果关键信息缺失，要提示用户补充。

7. 搭建一个多模态小工作流

要求：

从下面三个任务中任选两个完成：

1. 文生图：输入提示词，生成一张图片。
2. ASR：上传音频，输出转写文本，并用大模型补充标点和段落。
3. TTS：输入一段文字，生成一段语音。

完成后写出：

1. 你使用了哪些插件。
2. 开始节点的输入类型是什么。
3. 插件的关键参数是什么。
4. 运行结果是否符合预期。
5. 如果结果不好，你准备怎么优化。

五、答案部分

选择题答案

1. C
2. B
3. B
4. B
5. C
6. B
7. B
8. B
9. B
10. C

填空题答案

1. 结构化
2. 检索
3. chunk
4. 语义
5. 片段
6. 润色
7. 字段
8. 更新
9. 文字
10. image 或图片

简答题参考答案

1. 知识库适合存放文档资料，用来检索和问答，例如公司制度 PDF、课程讲义、产品说明书。数据库适合存放结构化数据，用来增删改查，例如学生签到表、员工绩效表、订单表。

2. 大模型需要 RAG，是因为模型不知道企业内部资料，知识可能过时，也可能在不确定时编造。RAG 通过先检索资料、再生成答案，让模型回答更有依据，也便于资料更新。

3. 分段太大时，检索结果不精准，模型会读到很多无关内容；分段太小时，上下文不完整，模型可能只看到半句话，回答容易断章取义。合适的分段能让召回内容既精准又完整。

4. 全文检索主要按关键词匹配，适合用户问题和文档原文用词接近的情况。语义检索主要按意思匹配，即使用户换一种说法也可能找到相关内容。混合检索结合两者，通常更稳。

5. 知识库检索结果通常是原始片段，可能零散、生硬、不适合直接给用户看。大模型润色可以把片段整理成自然语言，按用户问题组织答案，并在资料不足时说明限制。

6. “知识库优先，联网搜索兜底”的思路是：用户提问后先查自己的知识库，如果有有效结果，就以知识库内容为主回答；如果知识库没有结果，再调用联网搜索补充信息；最后统一交给大模型整理成自然回答。

7. 数据库需要明确字段和值才能查询，而用户输入通常是自然语言。例如“帮我查张三的绩效”不能直接作为查询条件，需要先抽取出姓名“张三”，再用 name == 张三 去查询。

8. 更新和删除会改变数据库中的数据，如果条件不准确，可能改错或删错记录。真实业务中常用多个条件联合定位，例如姓名加工号，删除前还需要确认，甚至使用软删除而不是直接物理删除。

9. ASR 是语音转文字，例如把面试录音转成文字，方便后续分析。TTS 是文字转语音，例如把广告文案生成配音，或让智能客服用语音回复用户。

10. 视频生成通常成本高、耗时长，并且复杂动作、手部细节、物理交互容易出错。它更适合作为创意生成和初稿探索，不能承诺一次生成一定完美，真实工作中通常要多次生成、筛选和后期处理。

操作题参考答案

1. 创建知识库问答工作流

参考步骤：

1. 在资源库中新建知识库。
   这样做是为了把课程资料或说明文档存入平台，让后续工作流可以检索这些资料。

2. 上传一份资料，例如课程讲义、产品说明书或大模型发展史文档。
   资料应尽量结构清晰，标题和段落明确，这样分段效果更好。

3. 配置解析和分段。
   分段的作用是把长文档切成适合检索的小片段。建议先用自动分段，预览效果后再决定是否调整。

4. 创建工作流，开始节点接收用户问题 input。
   input 是用户问题的入口，后面知识库检索节点要用它作为查询内容。

5. 添加知识库检索节点，把 input 绑定为检索问题。
   这样用户问什么，系统就用什么去知识库里找相关片段。

6. 添加大模型润色节点，提示词可参考：

你是一个资料问答助手。
请根据知识库检索结果回答用户问题。
如果资料中没有相关内容，请明确说明“当前资料中没有找到相关答案”。
不要编造资料中没有的信息。

用户问题：
{{input}}

知识库检索结果：
{{knowledge_result}}

说明：

1. {{input}} 表示用户原问题。
2. {{knowledge_result}} 表示知识库返回内容，实际变量名按你的节点输出选择。

3. “不要编造”是为了减少模型幻觉。

4. 结束节点输出润色节点的正式回答。

5. 测试两个问题：

6. 资料中有答案的问题：应该能根据资料回答。

7. 资料中没有答案的问题：应该提示资料不足，不应乱编。

2. 优化知识库检索效果

参考步骤：

1. 先使用默认参数测试一次。
   记录返回内容是否准确、是否完整。

2. 调整召回数量。
   如果答案漏信息，可以适当增加召回数量；如果回答混乱，可以减少召回数量。

3. 调整最小匹配度。
   如果召回很多无关内容，可以提高匹配度；如果经常没有结果，可以降低匹配度。

4. 对比结果。
   不要只看最终回答，还要看检索节点返回了哪些片段。

5. 参考结论：

如果资料质量较好、用户问题明确，可以使用混合检索，召回数量 5 左右，匹配度 0.7 左右作为起点。
如果实际效果不好，再根据召回内容进行调整。

说明：

这不是唯一答案。参数调整要看资料质量、问题表达和实际召回结果。

3. 搭建知识库加联网搜索兜底流程

参考步骤：

1. 在原有知识库问答工作流中增加联网搜索插件。
   联网搜索用于处理知识库没有覆盖的问题。

2. 增加选择器节点或判断逻辑。
   判断知识库检索结果是否为空或明显不足。

3. 如果知识库有结果，走知识库分支。
   这样能优先使用自己上传的可靠资料。

4. 如果知识库无结果，走联网搜索分支。
   这样能避免用户一问资料外内容，系统就完全无法回答。

5. 最后统一进入大模型润色节点。
   提示词可以写：

请根据以下信息回答用户问题。
优先使用知识库内容。
如果知识库为空或不足，再参考联网搜索结果。
回答中请说明主要依据来自知识库还是联网搜索。
不要编造没有依据的信息。

用户问题：
{{input}}

知识库内容：
{{knowledge_result}}

联网搜索结果：
{{web_result}}

说明：

1. 统一润色可以保证输出风格一致。
2. 说明信息来源可以提升可信度。
3. 联网搜索是兜底，不应覆盖明确的内部资料。

4. 创建绩效数据库并导入数据

参考步骤：

1. 在资源库中新建数据库。

2. 创建数据表，字段建议：

work_code：工号，字符串类型
name：姓名，字符串类型
performance_level：绩效等级，字符串类型

说明：

1. 工号不参与数学计算，因此用字符串更合适。

2. 字符串可以保留前导 0，也能避免格式被自动改动。

3. 准备测试数据，例如：

work_code,name,performance_level
1001,张三,A
1002,李四,B
1003,王五,C
1004,赵六,A
1005,钱七,B

说明：

这是测试数据，目的是验证流程，不代表正式生产数据。

4. 使用批量导入功能导入数据。

5. 导入后在数据表中检查是否出现 5 条记录。

6. 如果导入失败，检查：

7. 表头是否和字段名一致。

8. 字段类型是否匹配。
9. 文件格式是否支持。

5. 搭建绩效查询工作流

参考步骤：

1. 创建工作流，开始节点接收用户输入 input。

2. 添加人名抽取大模型节点。
   提示词可参考：

请从用户输入中提取要查询绩效的姓名。
如果能提取到姓名，只返回姓名。
如果没有姓名，只返回“无”。

用户输入：
{{input}}

说明：

1. 这个节点只做一件事：提取姓名。

2. 输出越简单，后面数据库查询越稳定。

3. 添加数据库查询节点。
   查询条件设置为：

name 等于 人名抽取节点的输出

说明：

数据库不能理解自然语言，所以要用抽取出的姓名作为查询条件。

4. 添加润色节点。
   提示词可参考：

请根据数据库查询结果回答用户问题。
如果查询结果为空，请说明没有找到对应记录。
如果查询到结果，请用自然语言说明工号、姓名和绩效等级。

用户问题：
{{input}}

数据库查询结果：
{{db_result}}

5. 测试：

6. “查张三的绩效”：应返回张三对应信息。

7. “查不存在的人”：应提示没有找到记录。

6. 搭建绩效新增、修改、删除流程

参考步骤：

1. 添加意图识别节点。
   设置三个意图：

新增数据：用户想添加一条新的绩效记录。
修改数据：用户想修改已有绩效记录。
删除数据：用户想删除已有绩效记录。

说明：

意图描述要写清楚，避免用户说“改一下”时系统分不准。

2. 新增分支：

先用信息抽取节点提取姓名、工号、绩效等级，再绑定到新增数据节点。

如果缺少任一字段，先提示用户补充，不要直接新增。

3. 修改分支：

先抽取姓名、工号、新绩效等级。

更新节点中要分清：

定位条件：name 等于 抽取姓名，并且 work_code 等于 抽取工号
更新字段：performance_level 改为 新绩效等级

说明：

定位条件用于找到要改哪条记录，更新字段用于说明改成什么。

4. 删除分支：

先抽取姓名和工号。

删除节点中设置：

name 等于 抽取姓名，并且 work_code 等于 抽取工号

说明：

删除必须精确定位。只用姓名容易误删重名人员。

5. 每个分支后都接一个输出节点。
   输出要告诉用户操作是否完成，以及操作了哪条记录。

7. 搭建多模态小工作流

参考步骤一：文生图

1. 创建工作流，开始节点接收文本提示词。
2. 添加图像生成插件。
3. 把用户提示词传给图像生成插件。
4. 设置模型、分辨率等参数。
5. 结束节点输出图片结果。

提示词示例：

生成一张写实风格的金毛犬图片，背景是雪地，金毛正在奔跑玩雪，阳光柔和，画面清晰，不要出现文字和水印。

说明：

提示词包含主体、场景、风格、光线和限制，生成结果通常更稳定。

参考步骤二：ASR

1. 创建工作流，开始节点输入类型设置为音频。
2. 添加语音识别插件。
3. 把音频文件传给插件。
4. 输出识别文本。
5. 后接大模型节点补充标点和段落。

润色提示词示例：

请将下面的语音识别结果整理成通顺文本。
要求：
1. 补充合理标点。
2. 按语义分段。
3. 不改变原意。

识别结果：
{{asr_text}}

说明：

ASR 常常识别出连续文本，大模型润色可以让它更适合阅读。

参考步骤三：TTS

1. 创建工作流，开始节点接收文本。
2. 添加语音合成插件。
3. 设置音色、语速、情绪等参数。
4. 输出音频链接。

说明：

TTS 插件通常对文本长度有要求，运行前要查看插件说明。