实现原理

1. 通过提示词工程直接调用AI，实现需求的细化和需求清单的生成
2. 利用简易的RAG技术，检索Zion社区项目库中与用户需求匹配的项目

搭建教程

教程难度：🌟🌟

适合对zion有基本了解（能做出最简单的todolist的程度），但是不太了解zai的玩法的用户练手

知识讲解

向量数据库

想象下在一个图书馆中，每本书都被神奇地转换成一串数字。比如《哈利·波特》可能是 [42, 7, 13, 666],《白鹿原》可能是 [40, 8, 11, 999]。这些数字串就是"向量"。

数据向量化是一种将复杂信息转化为数学语言的过程。它把文本、图像或其他形式的数据编码成固定维度的数值向量，使得原本难以比较的信息变得可以量化对比；通过向量化，我们能在高维空间中衡量看似不相关的概念之间的"距离"。比如，"彭于晏"和"罗弘一"这两个名字，尽管在字面上毫不相干，却可以在向量空间中进行相似性比较。

在zion中，我们可以直接将数据库中的字段设置成向量存储，将自己项目中的部分业务数据向量化，这种无缝集成的方式大大简化了向量数据的管理和查询流程；在接下来的教程中，我将详细举例如何玩转这一能力。

RAG

想象我们正在经历一场“开卷考试”，那么为了给出准确的答案，需要采取以下步骤：首先，查阅书籍或资料，定位与题目相关的内容；然后结合我们头脑中已有的基础认知，对查找到的资料进行分析和归纳，最终形成有针对性的答案。

RAG是一种将检索（Retrieval）与生成（Generation）相结合的技术，可以形象地比喻为：与其让大模型在“闭卷考试”中单凭记忆作答，我们为它提供了“开卷考试”的机会，通过查阅外部信息库，使得大模型在答题时能够更加准确，从而获得更高的评分。

检索（Retrieval）：在上文中我们讲了“向量数据库”的概念，在这里，我们正式利用了向量数据库的相似性匹配能力，从“万卷书”中快速的帮助大模型找出了一部分与“题目”相关的资料。

生成（Generation）：检索到的内容只是“开卷考试”的第一步，最终的作答仍然需要大模型进行生成（Generation）。生成不仅仅是简单地拼接检索到的内容，而是要理解问题的意图，并对检索的内容进行处理和优化。比如，在智能问答中，用户的提问可能是一个复杂的句子，检索出的多个相关文段可能无法直接作为答案，大模型会对这些文段进行综合归纳，生成一段更符合用户需求的回答。

需求分析师

输入：用户写的需求描述

能力：

1.分析用户的需求描述是否完整

2.如果不完整帮用户丰富需求描述

3.根据需求描述梳理：功能清单、交互流程、参考项目

数据源：无外挂数据源

工具：查询项目库中的相似项目

输出：

1.ai对用户当前需求描述的思考

2.ai结合思考结论对用户需求的重新分析和归纳

3.功能清单、操作流程、参考项目

操作步骤：

1.创建agent，写提示词

2.配置工具

3.配置输出结构

3.调试

页面交互配置

zai调用教程：https://docs.functorz.com/advanced_feature_configuration/ai_feature_configuration/call_zai_and_data_model_description/call_zai_and_data_model_description.html

✨ 看到这里，你是不是也已经想要体验一下了？点击链接跳转 https://community.functorz.com/agency