目录

1. 前言：为什么要开发“活着吗”？

2. 应用设计路径：定义“生存确认”的内容生成链路

   • 2.1 进入平台
   • 2.2 创建应用

3. 核心实操一：知识库自动化——构建“精神避难所”

   • 3.1 状态输入 && 素材导入

4. 核心实操二：提示词工程——寻找最懂年轻人的“嘴替”

   • 4.1 手写 Prompt 的乏力感
   • 4.2 提效利器：实测“提示词自动生成”与变量注入

5. 核心实操三：可视化编排——多节点逻辑的“避坑”与调试

   • 5.1 工作流节点配置
   • 5.2 真实调试记录：解决变量引用的“断路”问题

6. 结语：AI 应用落地的温度与效率

---

1. 前言：为什么要开发“活着吗”？

在论文盲审、组会批斗、大厂实习和考研压力的多重夹击下，“活着”成了很多大学生的一种调侃式勋章。

我决定利用 ModelEngine 打造一个名为 “活着吗” 的个人应用。它的核心目标很简单：用户每天输入一句生存现状，AI 通过后端挂载的“摸鱼哲学”与“抗压指南”知识库，给出一段既毒舌又暖心的生存评价。

---

2. 应用设计路径：定义“生存确认”的内容生成链路

2.1 进入平台

首先，打开官网 https://www.modelengine-ai.com/#/home，注册登录后，点击在线体验进入平台控制台。

2.2 创建应用

如图所示进行操作

在 ModelEngine 动手前，我先梳理了应用的核心生成路径（Path），这是确保智能体不“跑偏”的关键：

1. 用户输入层：获取用户的 status（如：实验数据又炸了）。
2. 知识检索层：从挂载的文档中检索相似的“自救案例”或“共情金句”。
3. 逻辑加工层：将检索内容与用户输入通过调优后的 Prompt 进行揉合。
4. 格式化输出：颁发“今日生存等级”并给出“续命建议”。

---

3. 核心实操一：知识库自动化——构建“精神避难所”

3.1 状态输入 && 素材导入

创建用户输入的基本状态

我准备了一份名为《大学生心理自救与反内卷指南》的文档。在 ModelEngine 的知识库板块，点击“新建知识库”并上传。
友情提示，这个是在百度千帆里创建知识库内容，后通过API Key来获取对应的知识库，下图是百度千帆创建知识库的一个子步骤。

创建成功后就连接知识库。

终于，我们把知识库内容成功导入了… 我已经快玉玉了…

配置好知识库之后，下一步让知识库对接大模型，这里我选用了我们国产之光deepseek-R1

4. 核心实操二：提示词工程——寻找最懂年轻人的“嘴替”

4.1 手写 Prompt 的乏力感

最初，我尝试手写 System Prompt：“你是一个助手，请根据用户的压力情况给出鼓励。”
结果： AI 的回复非常官方（如：“请注意休息，保持心态。”），这显然无法触动大学生群体。

4.2 提效利器：实测“提示词自动生成”

我尝试了 ModelEngine 的 “提示词自动生成” 按钮。

• 操作过程：输入我的原始需求，点击优化。
• 变化效果：系统自动扩充成了结构化的指令，加入了 【角色设定】（幽默且懂梗的学长）、【思维链指导】（先分析压力来源，再给出情绪价值）、以及 【变量引用逻辑】。
• 变量注入：我在 User Prompt 中精准引用了上游节点的变量 {{status}}。这种“自动生成+手动微调”的模式，将 Prompt 的生产力提升了一个量级。

---

5. 核心实操三：可视化编排——多节点逻辑的“避坑”与调试

5.1 工作流节点配置

在编排界面，我拖拽出了两个核心节点：

1. 开始节点 (Start)：定义输入变量 status。
2. 大模型节点 (LLM)：选择 DeepSeek 模型，填入优化后的 Prompt。

5.2 真实调试记录：解决变量引用的“断路”问题

这是我本次开发中最大的“体验点”。

• 遇到困难：第一次点击“运行”调试时，AI 的输出完全没有关联我上传的知识库内容。
• 调试过程：我查看了 ModelEngine 的 “运行轨迹”。在可视化画布上，每个节点的输入输出都可以实时点击查看。
• 发现问题：通过检查 Knowledge Base 节点的输出 JSON，我发现召回的分数（Score）太低，导致没有内容传递给下游。
• 解决方案：我立即返回知识库设置，将检索模式从“向量检索”改为“混合检索”，并调整了相似度阈值。
• 体验感：这种“所见即所得”的调试能力，让我在不需要写一行代码的情况下，快速定位了逻辑断点。

---

6. 结语：AI 应用落地的温度与效率

通过本次对 ModelEngine 的实战体验，我成功上线了“活着吗”生存确认助手。

最终产出示例：

用户： “心理委员我不得劲。”
AI 回复： “不哭不哭喝奶奶！不哭不哭喝奶奶！不哭不哭喝奶奶！”

简单放一个思考过程

这个过程让我深刻体会到，可视化编排不仅是提效工具，更是让创意快速落地的实验室。在 ModelEngine 的加持下，开发者可以把更多精力放在“如何共情”上，而不是“如何调 API”上。