重复的环节节点，是工作流二，将技能考核要点转变为面试模拟题目以及问题解决思路 。
回复节点（告诉用户还有，别走）
节点做循环，（存在工作流 2），将场景下考核点给转化，变成的乃是面试之中模拟题，以及与之适应的解题思路标点符号。
回复节点（完工告诉用户）
结束
几个关键节点的内容：
1.JD 拆解节点的提示词
其中/userQuery是引入的变量
/userQuery
jdContent>
针对以上所给出的岗位描述以及要求，展开深度的分析，并且进行细致的拆解，借此来帮助应聘者，能够更好地去理解岗位要求，进而做好面试的准备，。
关乎我们正探讨的AI，它属于“生成式AI”技术范畴，诸如DeepSeek、GPT这般的工具，并非传统的人脸识别、自动化技术 。
要留意的是，并非所有JD都是专业的，鉴于生成式AI技术仍在普及进程中，部分招聘单位会对传统AI技术产生混淆，运用诸如NLP、TensorFlow等之类的技能要求，这样的表达需予以忽略。
那些被用来协助应聘者进行模拟面试工作的你所给出的拆解结果，需得得到保证，保证得出的结果能够被用以去创建面试题，也就是说，它们应当是能够被转变成为具体问题并且能够让应聘者借助描述相关项目经验以及概念理解来予以回答的 。
能够熟练地掌握RAG技术，具备有AI落地方面的相关经验，知晓大模型的底层原理以及能力边界……
那错误呈现出来的输出结果是：把AI新技术向具备市场竞争力的产品去转化，迅速地理解市场……
从 JD 中提取以下信息：
在JD的岗位职责里头，提到了跟相应岗位相关的能力，在这些能力当中，关于AI大模型的能力有不少，从中给出你觉得最为重要的三个就行，这是技能或者能力方面的要求 。
2. 业务或者应用场景描述：在JD的岗位职责跟岗位要求其间，提及了哪些预期借助AI去赋能的业务、场景或者工作流程，给出三个你觉得最为重要的就行。
构建结构化形式，输出你所做的分析结果，其中包括，对岗位的整体进行概述以及评价，这里涵盖着岗位类型，具体是内部效率赋能类型，亦或是对外盈利产品类型，职责要求清晰程度方面，是给出了具体的期望要求，还是仅仅进行泛泛的外行式表达，亦或是通用型要求方面的情况，技能方面包括，技能描述以及技术要求，场景方面涵盖着，赋能的场景以及赋能的业务 。仅仅输出那种具备条理结构的 JSON，不涵盖任何另外的阐释、Markdown 标识符 。
2.参数提取节点
那用于参数提取的这个节点，其底层呢，是存在着一个大模型的，而这就要求，对于你所要去提取的参数，得带有极为清晰的那种描述才行。
此处在明面上存在着三个细节，需要要做到切实达成确切切实的程度，才可避免出现很轻松就造成在当场中断，将失败的结果呈现于前端，致使糟糕用户经历。
方式，提取参数的，要描述清楚，由于，我，上游输出的，是JSON，在此处，描述，比较简单，。
针对“必填”选项，尽量别去勾选它，不然的话，模型极易由于提取不出来，就在前端径直请求用户提供，这事会显得特别尴尬。在此建议配置一个不管怎样都能够提取出来的参数，以此保证流程正常运转 。
要再次着重强调一下，从什么地方去提取参数，这一点在辅助提示词里是必须的，不然的话，你所输入的信息，模型有极大的可能性是看不到的。
3.阶段性输出
起初直至此处为止，鉴于历经两款模型节点，故而等待时日会颇为漫长，务必要给出某些阶段成果，以此防止用户逃离 。
拿来一个代码节点，用于拼接结构化的信息，也就是提取出来的技能以及场景考核点，之后借助回复节点，将其输出至前端 。
效果如下：
4.循环节点开始拆
元器的循环节点借助引用别的工作流达成，输入所需为数组，此数组是前面参数提取节点取出的skills和scenes参数 。
子工作流实现接下来展开。
工作流2：用于面试模拟题目生成的子流程，此子流程的输入是单个考核点，会在AI面试题知识库（包含100个Q&A）中进行知识库检索，接着由大模型判断输出结构化字段，其中包括is_useful（判断是否匹配），answer（最终题目与解析），query（当不匹配时用来进行联网检索的检索词）。该子流程存在分支：若命中则基于知识库生成3道题并附上解析；若未命中，则用query调用DeepSeek搜索，进而生成3道题及解析。
这个工作流核心实现就上面这点东西，重点说一下知识库功能。
此刻元器之知识库尚无支持自定义分段之能力，故而我针对原始数据开展了预处理之行径。
数据来源是，我过去直播讲解点评100个AI岗位面试题，之后我把直播的回放转成文字稿进行了总结，最后输出了结稿子形式如下所呈现的文字稿文档标点。
每个文档当中存在着多个题目以及答案，若直接上传至知识库，便会被进行不可控的切分，因此我撰写了一个脚本，将它们拆分成了100个子文档。
每个文档里一个题目
这样就实现了“自定义切片分段”功能。
这100个面试真题，虽说挺全乎了，然而依旧没办法涵盖全部情形，所以在知识库进行检索之后，我增添了一个大模型节点，用以判断检索所得结果，是否能够支撑针对当前处理技能、场景考察点的面试题响应。
都在提示词里了：
有两个引入的变量，一个是/investigation，另一个是knowledges，前者是作为开始输入的技能考察点，此技能考察点是从上个工作流传过来的，后者是在知识库里检索所得到的结果 。
/investigation
investigation>
/knowledges
knowledges>
接着来充当一名面试辅导方面的专家，依据上边给定的待考察相关能力，也就是位于 Investigation 标签里面的文本描述以及跟此类考察议题在公司现有的面试题库当中所能检索找到那个结果，即 Knowledge 标签内的文字内容，去制作生成 3 个模拟性质的面试题目以及对应的回答思路。
注意：
有可能检索所得的结果之中会有和进行考察时所需能力并无关联的资料，甚至会出现资料呈现为空无的状况，所以理应周密审慎地去分辨 。
只有当资料与待考察能力相关时才参考引用。
要是资料和待考察的能力之间不存在关联，那就依据待考察的能力去生成一个能够用于网络检索的自然语言，就仿佛是“在面试之际想要考察应聘者 XX 相关能力，怎样去设置面试题目”，检索网络信息按照如下这种结构给出答案：#### 模拟面试题一：XXXXnn- 解题思路：对问题意图展开分析、把考察能力进行拆解、明确回答思路nn- 示例回答：给出示例回答n---n。按如下格式输出：
如果仅依是否可用输出是或者否来判断检索资料，那么对于模拟面试题一，其解题思路包含问题意图分析、考察能力拆解以及回答思路，还会给出相应示例回答，对于模拟面试题二则是……，在is_useful字段的值为否的情况下，要填充此字段 。
伪结构化输出，依然需要一个参数提取节点来提取。
接着呢，是进行判断分支的处理：就是倘若is_useful这个值呈现为“是”这种情况的时候，那就直接将questions字段所对应的那个值输出到前端去；而要是is_useful的值为“否”的话，那么就要走向DeepSeek搜索分支了。
子工作流运行的输出结果长这样：
它会连续运行六次，其中包含三个技能考察点，还有三个场景考察点，之后累计输出十八个面试模拟题以及解析。
工作流3：面试题解析（答疑流程），输入为用户面试题，先进行知识库检索，接着由大模型判定（也是同样的三字段），分支情况是，若命中，则基于知识库给出“解题思路辅导”，若未命中，就生成检索query，再进行DeepSeek搜索，最后给出答案骨架与落地建议。
这一逻辑实际上就是，上面子工作流的那个呈现诸如细微调整效果的版本，其整体的流程是完全相同的，仅仅是大模型节点的提示词发生了变化而已。
/user_question
question>
/knowledges
knowledges>
以后充当一位面试辅导方面的专家，依据紧接着上面所给出的面试问题（就在question标签里面的文字内容），还有针对这个问题于公司现有的面试题库当中搜寻查找而得到的结果（也就是Knowledge标签里面的文字内容），去给用户予以面试辅导 。注意：
检索得出的结果，有可能涵盖那些跟面试题并无关联的资料，甚至出现资料为空的状况，务必要仔细认真地去辨别 。
按如下格式输出：
对于检索结果是否可用，仅需填写是或者否。当检索结果可用时，需填写此字段，其格式为：“ - **题目解析：** 此面试题主要考察 XX、XX 方面能力…… - **参考回答：** 面对此类问题，建议按照如下方式回答……”。而当检索结果不可用时，则留空。若检索结果不可用时，需填写此字段，格式如下：“我正在准备面试，请检索网络资料后按照最新的信息帮我回答此问题且按下面这样的格式回复 - **题目解析：** 此面试题主要考察 XX、XX 方面能力…… - **参考回答：** 面对此类问题，建议按照如下方式回答……”。检索结果可用时此字段留空"}
其它细节
1.等待动画
虽说在进程当中选用了结构化输出，致使没办法达成流式输出，然而为了能让用户的体验相对而言好那么一点儿，我于消息节点里放置了一张请等待的 gif 图片， 。
waiting
用 PPT 的动画几分钟就能搞定。
2.Markdown 渲染
智能体前端具备支持 Markdown 语法渲染的特性，这是由于该智能体会输出数量众多的文字，要是呈现为纯文本形式，那将会让人无比难受。
所以，我在所有模型输出的内容之中，要求其输出带有标题级别、加粗、无序序列的Markdown格式，内容如提示词所示。
首先，在每个消息之前，增加使用了===========这样的分隔符，其次，在每个消息之后，也增加使用了===========这样的分隔符，则能够让阅读体验，变得能更好一点。
并未选择，其缘由在于，偶尔换行之时无法呈现，会致使整段皆变为加粗样式，产生相反效果……
拓展和延伸 场景和玩法的延伸
这个面试辅导智能体，核心是基于那套 AI 面试题知识库。
相较于常规RAG，在依据JD出题的这个工作流之中，他并非是以答案这种形式来呈现价值的，而是当作一份具备出题以及解题功能的参考资料 。
于与此场景相类似的情况，你能够将自身所收藏的林林总总的资料，像是爆款写作之方法论等等一类，整理成为知识库予以收纳进库尔后，让大模型去参照相配的资料当作方法论从而构建提示词。
另外，循环节点也可以延伸出大量的玩法。
元件的循环节点规划，实际上是要你来借助工作流程搭建出一个“工具插件”，循环开展调用，继而生产内容。
仍旧以写作为例子，将一个创作内容的流程进行“封装”，之后引入循环节点，如此一来能够在一次任务里产出任意数量的爆款内容，或者产出选题 list 的爆款内容。
关于元器智能体
此刻，元器的功能，以及其生态，已然相对完善了，你能够在其上，完成大部分创意的搭建。
你能够将搭建好的智能体直接发布于小程序之上，这关乎到它的分发渠道极为硬核，关键就在此 。
此刻其他平台的智能体，因为分发渠道的原因，大部分只能自用。
即便能够作为小程序打包，然而这需要你亲自去注册主体，并且备案小程序，若是涉及到大模型则还需要再多一番备案。
曾经，我针对某头部智能体平台的数据做过统计，在公开发布的智能体中，展现出这样一种情况，即具备 23%比例的智能体，仅仅运行过一回，是这样的状况，没错。
一旦有个什么应用，要是仅仅是搭建起来给到自己瞧，那都根本谈不上是自娱自乐（这里要把你搭建过程当中所拥有的乐趣给排除掉）。
要是将智能体发布于小程序之中，无需自身去搞备案，也不用自己购买服务器，并且消耗的是用户自身的Token，如此一来价值便会有所不同了。
近期，元器同样在举办竞赛，顺势参与其中去获取一个奖项，将其当成简历的一种支持，极具意义。
我前面有直播分析过这次比赛的参赛方向，再次贴出来大家参考：
以上，希望能帮到大家“吃鱼”和“打渔”。
如有其他问题，可以添加豆豆加入官方比赛交流群沟通。
最后，欢迎去体验那AI产品经理面试押题与辅导顾问，然后反馈任何建议或者BUG 。
