⭐️⭐️⭐️白嫖的阿里云认证⭐️⭐️⭐️ 第三弹【课时3：构建一个智能的RAG导购应用】for「大模型Clouder认证：RAG应用构建及优化」

一、学习目标：建立可验证的能力成长坐标系

备考初期我制定了「三维度能力提升模型」，确保每个学习目标都能转化为具体的实操成果：

（一）架构设计能力（战略层）

• 目标：绘制Multi-Agent协作流程图（含5大核心组件交互）
• 成果验收：能清晰解释「为什么规划助理必须返回固定列表值」（避免生成不可控输出）
• 延伸思考：若增加"洗衣机"品类，需修改哪些代码模块？（规划助理输出列表/agent映射表/导购参数列表）

（二）代码实操能力（战术层）

• 目标：独立完成3次边界测试（正常流程/参数反问/跨品类输入）
• 实操清单：
  1. 输入"我想要拍照效果好的手机"→验证是否优先询问"使用场景"
  2. 输入"RAM空间是什么？"→验证是否先解释再继续提问
  3. 输入"我要买洗衣机"→验证是否返回"其他"分类提示

（三）系统优化能力（落地层）

• 目标：在冰箱导购中新增"能效等级"参数并调试
• 实施步骤：
  1. 修改FRIDGE_GUIDE_AGENT_INSTRUCTION参数列表（插入新参数）
  2. 更新商品知识库表格（添加"能效等级"列）
  3. 测试对话流程：确认新参数按顺序提问且正确解析

二、知识点精读：从架构到代码的全链路解析

（一）Multi-Agent架构：智能导购的「神经系统」设计

1. 规划助理（Router Agent）：意图分类的「刚性过滤器」

# 规划助理核心指令（决定系统分发逻辑）
ROUTER_AGENT_INSTRUCTION = """你是一个问题分类器
请根结合用户的提问和上下文判断用户是希望了解的商品具体类型。
注意，你的输出结果只能是下面列表中的某一个，不能包含任何其他信息：
- 手机（用户在当前输入中提到要买手机，或正在进行手机参数的收集）
- 电视机（用户在当前输入中提到要买电视机，或正在进行电视参数的收集）
- 冰箱（用户在当前输入中提到要买冰箱，或正在进行冰箱参数的收集）
- 其他（比如用户要买非上述三个产品、用户要买不止一个产品等情况）
输出示例：手机
"""

# 创建规划助理实例（指定模型和角色定位）
router_agent = Assistants.create(
    model="qwen-plus",  # 使用轻量模型提升分类效率
    name='引导员，路由器',
    description='你是一个商城的引导员，负责将用户问题路由到不同的导购员。',
    instructions=ROUTER_AGENT_INSTRUCTION
)

代码设计精髓：

• 输出限制机制：通过明确的列表限定（含具体判断条件），将大模型转化为「确定性分类器」，避免自由生成导致的流程混乱
• 上下文感知：不仅判断当前输入，还结合历史对话（如"正在进行手机参数收集"），实现跨轮次意图识别
• 模型选择策略：使用qwen-plus而非qwen-max，在保证分类精度的同时降低计算成本

2. 品类导购助理：参数收集的「状态机引擎」

以手机导购为例，其核心是一个按顺序执行的状态机，代码实现了「参数收集→状态检查→动作决策」的闭环：

# 手机导购参数列表（定义询问顺序和合法选项）
【手机的参数列表】
1.使用场景：【游戏、拍照、看电影】
2.屏幕尺寸：【6.4英寸、6.6英寸、6.8英寸、7.9英寸折叠屏】
3.RAM空间+存储空间：【8GB+128GB、8GB+256GB、12GB+128GB、12GB+256GB】

# 关键逻辑：参数收集完成后的处理
if 所有参数已收集:
    输出参数组合并询问购买意向（如"用于拍照|8GB+128GB|6.6英寸，请问您是否确定购买？"）
elif 用户询问参数概念:
    先解释（如"RAM空间即运行内存，影响手机多任务处理速度"），再继续询问下一个参数
elif 用户放弃购买:
    输出固定结束语"感谢光临，期待下次为您服务。"

状态机核心特性：

• 顺序严格性：按参数列表顺序提问（确保逻辑连贯），通过对话历史记录已收集参数（避免重复提问）
• 异常处理链：针对"概念查询""放弃购买"等特殊场景，设计独立处理分支（体现业务专业性）
• 格式标准化：最终输出固定格式的参数组合（如【使用场景:拍照,屏幕尺寸:6.8英寸…】），为后续商品检索提供结构化输入

（二）智能导购网站搭建：从模板到可运行系统的「魔法转化」

1. 函数计算应用部署：10分钟搭建的背后细节