二、核心项目案例详解
（一）案例一：散户股票简单筛选器
1. 项目核心场景
- 目标用户：普通散户股民
- 解决痛点：
- 散户常从自媒体获取股票推荐（多为带水印/冗余信息的表格/图片），需手动筛选可交易股票；
- 散户受交易权限限制（无法购买创业板、科创板、北证股票），手动筛选几十只股票耗时久（30分钟-1小时）；
- 需保留股票名称、概念解析等关键信息，剔除无交易权限的股票。
- 预期效果：上传股票推荐图片/表格，自动筛选出仅主板可交易股票，输出包含股票名、概念解析的结构化结果。
2. 项目工作流原设计（问题版）
流程步骤 | 具体操作 | 存在问题 |
1 | 上传股票推荐图片（支持6-8张） | 无 |
2 | 图片筛选器（筛选非图片内容） | 冗余：实际无是非图片输入，该节点无效 |
3 | 迭代1：大模型提取股票名称 | 拆分过细：可与后续步骤合并 |
4 | 知识库检索股票代码（内置5400+A股名称+代码） | 逻辑错误：知识库检索基于语义相似性，股票名称与代码匹配度低，输出为空 |
5 | 迭代2：大模型筛选无效股票（剔除创业板/科创板等） | 多节点冗余：可与提取、匹配步骤合并 |
6 | 迭代3：大模型整理概念解析 | 重复劳动：前面已提取相关信息，无需二次处理 |
7 | 迭代4：大模型总结并生成表格 | 大模型滥用：共使用11次大模型，TOKEN消耗高、效率低 |
3. 导师核心点评（零基础必避坑）
- 致命问题1：大模型节点冗余原本1个大模型节点可完成的结构化输出（提取股票名+匹配代码+筛选权限+整理信息），拆分为4-5个节点，导致TOKEN消耗高、流程冗长。✅ 优化方案：用1个大模型节点，通过结构化输出提示词，让模型直接输出JSON格式结果（包含股票名、代码、是否可交易、概念解析）。
- 致命问题2：知识库使用逻辑错误知识库适用于“语义相似性检索”（如问答匹配），而非“精准关键词匹配”（股票名→代码）。✅ 优化方案：使用第三方股票API接口，根据股票名称查询代码（百度搜索“股票名称查代码 API”，选择免费/低成本接口，无需写复杂代码）。
- 致命问题3：流程设计无整体规划边做边加节点（发现结果不好就新增节点），导致流程混乱。✅ 优化方案：先明确最终输出格式（如JSON字段：股票名、代码、权限状态、概念解析），再倒推需要的步骤，避免“堆砌节点”。
4. 零基础优化后的工作流（极简版）
- 上传输入：股票推荐图片/表格（支持多格式）；
- OCR识别：提取图片中的股票名、概念解析等文本（用工具自带OCR节点）；
- 结构化输出：1个大模型节点，提示词示例：
> “请从以下文本中提取股票名称、概念解析，通过股票名称匹配对应的股票代码（格式：60开头=主板，300=创业板，688=科创板，8开头=北证），判断该股票是否为散户可交易的主板股票（仅60开头为可交易），最终以JSON格式输出：{股票名: string, 代码: string, 可交易: boolean, 概念解析: string}”；
- 结果导出：直接将JSON转为表格（用工具自带的格式转换节点）。
（二）案例二：差旅发票审核系统
1. 项目核心场景
- 目标用户：企业员工/财务人员
- 解决痛点：
- 差旅发票类型多（火车票、机票、住宿票、餐饮票），手动审核效率低；
- 不同职级员工在不同城市的住宿/餐饮报销有额度限制（如经理级住宿≤500元/晚）；
- 需校验发票与出差行程匹配（如目的地是否在出差城市内）。
- 项目亮点：新增额度限制、多发票类型分类、行程匹配校验。
2. 项目工作流原设计
- 上传发票（支持图片/PDF）；
- OCR识别：提取发票类型、金额、日期、出差城市等信息；
- 格式整理：代码节点拼接员工信息（预置职级、城市额度）；
- 规则校验：大模型节点统一审核（判断金额是否超限额、行程是否匹配）；
- 输出结果：JSON格式（合格/不合格发票清单）。
3. 导师核心点评（零基础重点关注）
- 优点：场景实用、有业务逻辑（结合企业实际报销规则），适合零基础模仿。
- 可优化问题1：VL模型负载过高用VL模型（图像+文本混合模型）同时完成“识别发票类型+提取字段+规则判断”，因模型参数量小（几十B），易出现幻觉（胡编信息）、耗时久（单节点3分钟）。✅ 优化方案：拆分任务——VL模型仅负责“图像→文本提取”，文本处理（分类、规则判断）交给普通大模型或代码节点。
- 可优化问题2：规则校验集中化风险高所有发票统一在1个大模型节点审核，模型注意力分散（需同时判断5种发票+多维度规则），易出错。✅ 优化方案：迭代内审核——每识别1张发票，立即在迭代节点内完成规则校验（如：识别→判断额度→标记合格/不合格），最后统一汇总结果（类似“看1张标1张”）。
- 可优化问题3：结构化输出不统一不同发票类型输出字段不同（如火车票有车次，机票有航班号），后续处理复杂。✅ 优化方案：统一JSON格式，无关字段留空，示例：
JSON |
4. 零基础实操技巧
- 额度规则可预置在代码节点（无需数据库），示例：
> “普通员工：一线城市住宿≤300元/晚，餐饮≤100元/天；经理级：住宿≤500元/晚，餐饮≤150元/天”；
- 发票类型识别：用大模型输出数字标记（1=火车票，2=机票，3=住宿票），后续通过条件分支自动匹配对应规则；
- 避免OCR识别错误：火车票红色号码易误读，可在提示词中补充“忽略红色水印文字，仅提取黑色印刷体的发票号码、金额”。
（三）案例三：差旅报销智能助手（学员：燕儿）
1. 项目核心场景（进阶版，零基础可分步模仿）
- 核心功能：
- 报销审核：上传发票/行程单，自动校验合规性（额度、行程匹配）；
- 制度咨询：无发票上传时，可咨询差旅报销规则（如“普通员工去上海住宿限额多少”）；
- 二次追问：员工可针对审核结果提问（如“为什么这张住宿票不合格”）。
- 项目亮点：多功能融合（审核+咨询）、用户交互友好。
2. 关键问题与优化方案（零基础重点借鉴）
存在问题 | 零基础优化方案 |
PDF发票提取信息错乱（购方名称→销售方） | 用专门的发票OCR API（如百度智能云发票识别），而非通用文档提取器 |
大模型必填字段无信息时出现幻觉 | 提示词明确“无相关信息则留空，禁止编造”，示例：“若未识别到航班号，字段值填''，不得虚构” |
知识库检索报销规则时匹配度低 | 知识库仅存储“报销规则文本”（如“普通员工一线城市住宿限额300元”），检索时用关键词（如“普通员工 上海 住宿限额”）而非整段发票信息 |
规则审核依赖大模型易出错 | 用代码节点实现刚性规则（如“金额>限额→不合格”），大模型仅负责解释原因（如“该住宿票金额400元，超普通员工上海住宿限额300元”） |
3. 零基础可复用的核心提示词
- 结构化输出提示词：
> “请识别以下发票信息，按JSON格式输出：{发票类型: string, 金额: number, 出差城市: string, 开票日期: string, 关键字段: {火车票: {车次: string, 出发地: string, 目的地: string}, 住宿票: {酒店名称: string, 入住日期: string}, 无对应类型则留空}}”；
- 规则判断提示词（代码节点替代方案）：
> “已知规则：普通员工北京住宿限额300元/晚，餐饮限额100元/天。请判断发票是否合规：金额280元，类型住宿票，城市北京，职级普通员工→合规；金额350元→不合规，原因：超住宿限额50元”。
三、零基础通用学习指南
（一）AI工作流搭建核心原则（必记）
- 先定输出，再倒推输入：明确最终要输出什么格式（表格/JSON/文本），再确定需要哪些步骤，避免“漫无目的加节点”；
- 大模型节点越少越好：能用1个节点解决的，绝不拆成多个，核心靠“提示词结构化”；
- 工具选对不选难：知识库、API、代码节点的用途要分清（如下表）；
工具/节点 | 适用场景 | 不适用场景 |
知识库 | 语义相似性检索（如问答、规则匹配） | 精准关键词匹配（如股票名→代码） |
第三方API | 实时数据查询（股票代码、天气、发票识别） | 本地静态数据处理（如预置额度规则） |
代码节点 | 刚性规则判断（金额对比、字段匹配） | 自然语言理解（如发票类型识别） |
大模型节点 | 自然语言处理（文本提取、结构化输出、解释说明） | 精准计算、实时数据查询 |
（二）零基础实操步骤（以任意项目为例）
- 场景定义：用一句话说清“谁+解决什么问题+输出什么结果”（如“散户+筛选可交易主板股票+输出带概念解析的表格”）；
- 输入输出设计：
- 输入：明确支持的格式（图片/PDF/文本）；
- 输出：明确字段（如表格列：股票名、代码、可交易、概念解析）；
- 步骤拆解（最多5步）：
- 输入→提取信息（OCR/文本提取）→处理信息（结构化/规则判断）→数据补充（API/知识库）→输出结果（格式转换）；
- 提示词编写技巧：
- 明确角色：“你是发票信息提取专家”；
- 明确格式：“按JSON输出，字段包括XXX”；
- 明确约束：“无信息则留空，禁止编造”；
- 测试优化：
- 用少量数据测试（如2-3张发票/股票推荐图）；
- 重点看：是否有冗余节点、TOKEN消耗是否过高、结果是否准确。
（三）常见问题排查清单（零基础必看）
问题现象 | 可能原因 | 解决方法 |
大模型输出格式混乱 | 未明确结构化要求 | 提示词中指定JSON/表格格式，给出示例 |
流程耗时久、TOKEN消耗高 | 大模型节点过多 | 合并冗余节点，用代码节点替代部分大模型功能 |
结果为空或错误 | 工具用错（如知识库做精准匹配） | 更换工具（如用API替代知识库） |
出现幻觉（大模型编造信息） | 未明确“无信息则留空” | 提示词中添加约束条件，减少必填字段 |
（四）学习资源推荐
- 第三方API查找：百度搜索“API聚合平台”（如聚合数据、极速数据），选择免费试用的接口；
- 提示词模板：直接复用本文档中的结构化输出提示词，替换字段即可；
- 工具操作：优先使用可视化工具（如课程中提到的平台），无需编写复杂代码，拖拽节点即可搭建。
四、总结
重点掌握“场景定义→输入输出设计→工具选对→提示词优化”的逻辑。
关键是记住：AI工作流搭建的核心是“高效解决问题”，而非“堆砌复杂节点”，工具用对、步骤精简、提示词明确，就能做出合格的项目。
