¶分为以下几个模块：法律咨询：用户通过和机器人对话，实现法律条文的查询案件分析：支持用户通过文字描述或者上传文件的方式，基于法律条文分析案件合同分析：支持合同分析，能够根据用户上传的合同附近判断是否存在风险点资费查询：咨询和计算律所的律师费价格区间。

¶¶RAGFlow是一款基于深度文档理解（deepdoc）构建的开源 RAG引擎。深度文档理解是RAGFlow对文档解析的一个解决方案，它包含两个组成部分：视觉处理和解析器。其中视觉处理是通过OCR，布局识别，表结构识别来完成图像，PDF，表格的识别的。针对PDF、DOCX、EXCEL和PPT四种文档格式，都有相应的解析器。能够从各类复杂格式的非结构化数据中提取信息，文本切片过程可视化，还支持手动

常见的检索方式包括基于向量相似度的语义检索，以及基于关键词的精准匹配：前者将文本内容块和问题查询转化为向量，通过计算向量相似度匹配更深层次的语义关联；例如在 AI 智能客服场景下，用户输入的问题将定位至解决方案文档内某个具体的句子，随后将该句子所在的段落或章节，联同发送至 LLM，补全该问题的完整背景信息，给出更加精准的回答。数值越高，预期被召回的文本分段数量越多。如搜索引擎通过高效的索引算法匹配

¶微调（Fine-tuning）是指在已经预训练好的大规模模型基础上，通过进一步训练来适应特定任务或数据集的过程。这一过程体现了迁移学习的思想，即利用预训练模型在通用数据上学习到的知识，通过微调使其更好地服务于特定的应用场景.微调的主要步骤选择预训练模型：从现有的大型预训练模型（如qwen、deepseek、llama等）中挑选适合任务需求的模型作为基础。准备数据集：为特定任务准备高质量的训练和验

¶微调（Fine-tuning）是指在已经预训练好的大规模模型基础上，通过进一步训练来适应特定任务或数据集的过程。这一过程体现了迁移学习的思想，即利用预训练模型在通用数据上学习到的知识，通过微调使其更好地服务于特定的应用场景.微调的主要步骤选择预训练模型：从现有的大型预训练模型（如qwen、deepseek、llama等）中挑选适合任务需求的模型作为基础。准备数据集：为特定任务准备高质量的训练和验

¶¶Dify是一款开源的大语言模型(LLM) 应用开发平台。它融合了后端即服务（Backend as Service, Baas） 的理念，使开发者可以快速搭建生产级的生成式 AI 应用。即使你是非技术人员，也能参与到 AI 应用的定义和数据运营过程中。由于 Dify 内置了构建 LLM 应用所需的关键技术栈，包括对数百个模型的支持、直观的 Prompt 编排界面、高质量的 RAG 引擎、稳健的

¶¶¶功能：简历评估模块的功能就是接收学生的文件，并基于讲师总结的面试的各类规则，给学生输出简历中存在的问题具体步骤如下：输入：简历文档(pdf/doc格式)执行流程： 1. 数据准备：基于OCR插件读取简历中的文字内容，同时还需要准备：当前时间，在评估毕业时间等信息的时候结合当前时间；

¶在单 Agent 模式下处理复杂任务时，你必须编写非常详细和冗长的提示词，而且你可能需要添加各种插件和工作流等，这增加了调试智能体的复杂性。调试时任何一处细节改动，都有可能影响到智能体的整体功能，实际处理用户任务时，处理结果可能与预期效果有较大出入。为了解决上述问题，扣子提供了多 Agent 模式（也就是multi-agent），该模式下你可以为智能体添加多个 Agent，并连接、配置各个 Ag

¶实际在使用Coze解决业务问题的时候，除了文本以外，还有其他类型的数据（图像、音频、视频等）需要进行处理，也会有需要在工作流批量处理的需求。在本章节，我们学习如何处理不同类型的数据，以及如何使用循环进行批处理。¶循环是一种常见的控制机制，用于重复执行一系列任务，直到满足某个条件为止。扣子工作流提供循环节点，当需要重复执行一些操作，或循环处理一组数据时，可以使用循环节点实现。在实际开发中，一般用于

¶在前面的内容中，我们已经学习了如何使用工作流搭建一个功能复杂的agent，以及工作流调用插件 ，使工作流具备处理文件、联网搜索等能力。比如，我们有一些医疗知识文档，想通过和agent对话的方式，直接去询问医疗知识文档中的知识，这需要让agent具备访问”知识库“的能力；再比如，我想让agent作为一个签到代理，能够记录和更新用户的签到信息，同时我还可以查询有哪些用户已经签到，这需要让agent具