一、课程核心主题
工作流原子化拆解方法 、RAG知识库的灵活应用。
二、核心知识点详解
（一）工作流原子化拆解：用AI辅助高效设计流程
1. 核心痛点
新手设计AI工作流时容易"想到哪写到哪"，流程混乱、输入输出不清晰，导致落地困难。
2. 核心方法：AI辅助原子化拆解
通过精准提示词，让大模型（推荐GPT-4.5/SONNET 4.5、Kimi）帮忙拆解流程，确保每个节点只完成一项任务，且输入输出结构化。
3. 实操案例：差旅发票审核场景
（1）明确场景需求（给AI的提示词核心要素）
- 场景目标：差旅发票审核的大模型赋能产品化实现
- 核心流程：员工上传发票（图片/PDF）→ 提取关键信息 → 按规则审核 → 输出审核报告
- 关键规则：
- 提取字段：发票类型、目的地、金额、时间、开票方税号
- 报销限制：仅限住宿、出行、餐饮类目
- 职级额度：不同职级员工有不同报销额度
- 行程闭环：目的地与消费记录需连续，无断档
- 可用工具节点：文档读取（提取PDF文本）、大模型节点（视觉/文本识别）、代码节点（Python变量计算）、分支节点（条件判断）、合并节点（多分支输出合并）、迭代节点（数组循环执行）
（2）AI拆解后的原子化流程（每个节点最小化任务）
|------|--------|----------------|-----------|-------------------|-------------------|
| 节点序号 | 节点名称 | 核心任务 | 输入 | 输出 | 依赖工具 |
| 1 | 文档类型识别 | 判断发票是图片还是PDF | 员工上传的文件 | 文件类型（图片/PDF） | 分支节点 |
| 2 | 文档内容提取 | 提取发票文本/视觉信息 | 图片/PDF文件 | 发票原始信息（文本/结构化字段） | 文档读取节点+大模型视觉/文本节点 |
| 3 | 信息融合校验 | 校验字段一致性，补充缺失值 | 原始提取信息 | 校验后的结构化字段（含置信度评分） | 大模型节点 |
| 4 | 报销类目审核 | 判断是否属于住宿/出行/餐饮 | 校验后字段 | 类目审核结果（通过/拒绝+原因） | 代码节点（规则判断） |
| 5 | 职级额度校验 | 对比员工职级与报销金额 | 员工职级+发票金额 | 额度审核结果（通过/超限） | 代码节点（变量计算） |
| 6 | 行程闭环校验 | 检查目的地与消费时间连续性 | 发票目的地+时间 | 闭环审核结果（通过/断档） | 大模型节点（逻辑推理） |
| 7 | 审核报告生成 | 汇总所有审核结果 | 各节点审核结果 | 结构化审核报告（含问题明细） | 大模型节点 |
（3）扩展案例：企业尽调报告生成工作流
- 核心逻辑：输入企业信息（流水、纳税证明、财务报表等）→ 多维度信息提取 → 分模块审计（基本信息、财务健康度、纳税合规性、法律风险）→ 交叉验证 → 生成综合报告
- 效率提升：AI拆解流程+撰写提示词，1小时即可完成传统1-2天的工作量
4. 关键技巧
- 提示词要明确"原子化要求"：每个节点只做一件事，必须输出结构化数据
- 无需纠结节点顺序，AI会自动梳理逻辑
- 复杂场景可分阶段拆解（如先拆解信息提取阶段，再拆解审核阶段）
（二）RAG知识库的灵活应用：不止于"问答"
1. 传统RAG痛点
仅用于"提问-回答"，知识复用率低，无法适配动态创作、规则匹配等场景。
2. 创新应用：RAG+提示词生成（知识复用进阶）
（1）核心场景
企业内部方法论沉淀（如营销文案技巧、业务操作规范），员工创作时自动调用相关知识生成高质量提示词，辅助AI创作。
（2）实现流程
- 知识萃取：将优质文章/文档拆解为"方法论名称+使用场景+具体方法"的结构化片段
- 示例：
- 方法论名称：短视频引流文案万能公式
- 使用场景：AI产品经理实训营引流
- 具体方法：痛点+解决方案+限时福利+行动指令
- 知识库存储：将结构化片段存入RAG知识库（支持API写入，本地部署无字数限制，云端需会员）
- 需求匹配：员工输入创作需求（如"写AI产品经理实训营引流文案"）
- 提示词生成：RAG检索相关方法论，大模型基于方法论生成精准提示词
- 内容创作：用生成的提示词调用AI创作最终内容
（3）实操步骤
- 工具准备：RAG知识库（支持API读写）、工作流工具（如Divide）、大模型（GPT-4.5/SONNET）
- 关键代码节点：
- 文档萃取节点：输入文章URL → 大模型提取结构化方法论 → 输出数组格式
- 知识库写入节点：通过API将方法论片段写入RAG（本地部署无需会员）
- 知识检索节点：根据用户需求检索相关方法论
- 提示词生成节点：大模型基于"需求+方法论"生成创作提示词
- 内容生成节点：用提示词调用AI创作内容
3. 知识库搭建与优化技巧
（1）文档预处理：解决"检索不准"问题
- 分级标题拼接：将一级/二级/三级标题拼接为段落前缀（如"数据集成-操作步骤-接口采集"），提升检索匹配度
- 图片优化：图片命名用短语义名称（如"data_source.png"），避免长数字命名（易导致模型出错）
- 分块原则：
- 功能说明类文档：按"功能模块"分块，每块包含完整操作步骤（不拆分碎）
- 规则类文档：按"规则维度"分块（如报销规则按"类目/额度/闭环"分块）
（2）父子分段用法（Divide工具）
- 父段落：整个文档或大模块（如"接口采集完整操作说明"）
- 子段落：文档内二级/三级标题对应的内容（如"接口采集-概述""接口采集-步骤1"）
- 检索逻辑：检索子段落匹配需求，最终将父段落完整内容传给大模型（确保上下文完整）
- 分隔符设置：父段落用"###"，子段落用"##"，避免混淆
（三）常见问题答疑（零基础必看）
1. RAG+数据库：表结构（DB Schema）如何存入知识库？
- 问题：表结构+字段解释超长（超2000字符），无法直接存入，且检索匹配度低
- 解决方案（迂回方案）：
- 知识库不存完整表结构，只存"表名称+应用场景描述"（如"用户表-存储员工职级与报销额度"）
- 通过代码节点调用数据库API，实时获取表结构元数据（SQL数据库支持通过代码查询表结构）
- 将"场景描述匹配+实时获取表结构"结合，大模型基于表结构生成SQL语句
- 关键提醒：大模型写SQL的命中率约60%，生产环境需搭配人工校验
2. 报销审核场景：如何调用知识库查询公司制度？
- 问题：直接用发票信息查询制度，匹配度低
- 解决方案：
- 先通过大模型识别发票审核的"异常维度"（如"类目不符""额度超限"）
- 用异常维度作为检索关键词（如"报销类目 住宿 餐饮 出行"）查询知识库
- 大模型结合检索到的制度+异常信息，向员工解释拒绝原因
3. 外部数据请求：如何用HTTP请求获取股票价格？
- 核心需求：根据公司名查询股票代码+实时收盘价
- 实操步骤：
- 获取股票代码：调用新浪财经免费API（GET请求）
- 响应处理：用正则表达式提取股票代码（如600519）
- 获取实时价格：调用聚合数据API（需充值，免费版100次/天）
- 请求类型：POST
- 请求参数：股票代码+API密钥（appcode）
- 响应处理：提取实时收盘价、涨跌幅度
- 工作流节点：用户输入公司名 → 代码节点请求股票代码 → 代码节点请求价格 → 大模型汇总结果
4. 文档分块问题：长文档（如操作手册）如何分块？
- 原则："完整功能+最小粒度"
- 示例：接口采集操作手册（含概述、步骤1-5、注意事项）→ 作为1个父段落，内部按"概述""步骤1"等拆分子段落
- 避免：拆分过细（如步骤1拆成"打开页面""输入参数"）导致上下文断裂
三、工具推荐与使用限制
|--------------------|----------------|------------------|-------------------|
| 工具名称 | 核心用途 | 使用限制 | 推荐场景 |
| GPT-4.5/SONNET 4.5 | 流程拆解、提示词生成 | 付费，上下文长度8K-32K | 复杂场景拆解、高质量提示词撰写 |
| Kimi | 长文档处理、逻辑推理 | 免费版有字数限制，高级推理需付费 | 长文档萃取、多步骤逻辑梳理 |
| Divide | 工作流编排 | 父子分段功能需手动调试 | 多节点联动场景（如审核、报告生成） |
| 本地部署RAG | 知识库存储与API调用 | 需一定技术基础，无字数限制 | 企业内部知识沉淀、高频复用场景 |
| 聚合数据API | 外部数据请求（股票、天气等） | 免费版有次数限制，实时数据需付费 | 动态数据查询场景 |
四、学习建议（零基础学员）
- 先从简单场景入手：优先实践"客服问答""发票审核"等必做场景（面试高频）
- 工具选择：初期用Kimi（免费版足够）+ Divide（可视化操作），无需纠结复杂代码
- 知识库搭建：先做"文档预处理"（分级标题拼接、图片重命名），再尝试API写入
- 问题解决：遇到超长文本、检索不准等问题，优先用"迂回方案"（如代码节点替代知识库存储）
- 实操频率：按课程要求完成课后练习，避免"只听不做"，后续无专门答疑时间