2026/8/29 9:55:08
FEATURED · 精选文章 
在很多人印象里大模型做“实操教学”有一个硬伤模型没有眼睛看不到用户当前的状态。但这恰恰是最值得研究的地方——如果一个没有视觉能力的AI能把“戴美瞳”这种极度依赖手感和眼睛反馈的操作讲明白、讲到位说明它对流程拆解、风险提醒和用户认知水平的调度能力已经足够实用。这个技术点不只在美瞳教程上成立还可以迁移到健身动作指导、健身器材组装、化妆步骤教学、甚至设备维修引导等场景。所以这篇文章不打算只聊一个教程项目而是要拆开“无视觉实操指导AI”的通用实现方法怎么设计流程、怎么喂知识库、怎么用对话接口输出稳定的步骤以及怎么验证它真的“教得会”。先给出核心结论这类AI不需要GPU、不需要视觉模型、不依赖多模态能力用普通大模型API加上一套结构化的知识库和对话状态管理就可以跑起来。下面从零开始搭建一个能回答“怎么戴美瞳”的对话服务并手把手验证它的可用性。1. 核心能力速览能力项说明项目类型文本对话式实操指导AI / 知识库问答机器人核心功能戴美瞳步骤教学、常见误区识别、应急处理、分步确认是否依赖视觉不依赖纯文本输入输出属于“无眼睛”方案推荐硬件云端API方案无需GPU本地部署大模型建议显存不低于8GB启动方式Python FastAPI 服务或笔记本里直接跑脚本是否支持API支持提供 HTTP POST 接口是否支持批量任务支持可批量生成教程文本/FAQ主要技术栈Python、FastAPI、大模型API如OpenAI、DeepSeek等、向量数据库或JSON知识库适合读者想搭建实操类问答机器人、流程式AI助手的开发者使用边界不能替代医生诊断健康相关建议只能做知识科普从材料看这个项目本身并没有大规模开源代码更像是一个产品创意或教学案例。因此我们采用通用技术方案来复现它重点在于“如何把一套实操流程变成可执行的文本指导”。2. 适用场景与使用边界一个没有视觉能力的AI适合做哪些事适合做“标准化操作流程”的拆解和输出。戴美瞳、戴隐形眼镜、化妆、护肤、配镜、简单设备安装这些动作在健康人群里有较稳定的标准流程。适合承接用户大量重复提问的场景例如新用户第一次买美瞳在线客服需要快速给出步骤和注意事项。适合做前置教育帮助用户在预约医生前了解基本信息但不适合做个性化眼健康判断。适合集成到公众号、小程序、APP的智能助手模块中替代人工客服的一部分重复劳动。不推荐的使用方式不建议用它判断用户是否适合佩戴美瞳。这必须由眼科医生或专业验光师检查后确定。不建议让它处理眼部不适、发红、疼痛等医学问题。出现这些症状应立即停戴并就医。不建议引用网络来源不明的选配建议所有知识必须来自正规渠道并人工审核。隐私和安全边界用户对话中如果包含眼部症状描述建议设置免责声明不保存敏感健康信息。如果做产品化需要隐私政策说明数据仅用于问答和优化。涉及美瞳购买渠道时应提示用户选择有医疗器械经营资质的正规商家。3. 环境准备与前置条件这个方案的部署门槛很低。核心前提是有一个可调用的文本大模型接口以及一套整理好的美瞳科普知识。3.1 基础依赖建议使用 Python 3.10 以上版本安装以下依赖pip install fastapi uvicorn openai chromadb pydanticfastapi构建接口服务。uvicorn启动本地 HTTP 服务。openai调用大模型API。实际上只需要按官方接口规范请求兼容 OpenAI 格式的服务都可以用。chromadb本地向量数据库用于知识库检索。如果步骤逻辑很固定也可以直接用 JSON 规则引擎不需要向量数据库。pydantic参数校验。3.2 模型接口准备如果没有自己的大模型服务可以申请云端 API例如 DeepSeek、OpenAI、智谱、百度千帆等。只要接口格式兼容 Chat Completions就可以统一使用。如果你的环境需要完全离线建议准备本地部署模型例如 ChatGLM、Qwen 系列。推理时用 CPU 也能跑但速度较慢用 8GB 显存以上的显卡体验更流畅。3.3 目录结构规划建议把代码、知识库、配置文件分开contact-lens-ai/ ├── app.py ├── knowledge/ │ ├── steps.json │ └── faq.md ├── requirements.txt └── README.md这种结构方便后续批量更新知识库也方便给不同产品线复用。4. 安装部署与启动方式4.1 搭建最小可运行对话服务下面用 FastAPI 写一个简单的服务接收用户问题调用大模型接口返回分步指导。from fastapi import FastAPI from pydantic import BaseModel from openai import OpenAI app FastAPI() client OpenAI( api_keyyour-api-key, # 替换为实际密钥 base_urlhttps://api.your-provider.com/v1 # 替换为服务商地址 ) SYSTEM_PROMPT 你是一个实操指导AI没有视觉能力无法看到用户的动作。 你的任务是只依据给定的知识库内容用清晰的步骤指导用户完成戴美瞳。 要求 1. 步骤必须有序号每一步都要明确动作。 2. 每一步必须包含一个卫生提醒或安全提醒。 3. 如果用户遇到不适立即建议停戴并咨询专业医生。 4. 不要编造知识库中没有的信息。 5. 回答简洁不超过400字。 class AskRequest(BaseModel): question: str history: list[dict] [] app.post(/ask) def ask(req: AskRequest): messages [{role: system, content: SYSTEM_PROMPT}] for item in req.history: messages.append(item) messages.append({role: user, content: req.question}) response client.chat.completions.create( modelyour-model-name, # 替换为模型名称 messagesmessages, temperature0.3, max_tokens500 ) return {answer: response.choices[0].message.content}然后启动服务uvicorn app:app --host 127.0.0.1 --port 8000启动后打开http://127.0.0.1:8000/docs可以查看接口文档。如果需要局域网内访问可将 host 改为0.0.0.0但要注意访问控制。4.2 用知识库增强回答稳定性大模型直接回答“怎么戴美瞳”可能会把步骤说得太笼统甚至遗漏关键卫生环节。为了让它稳定输出我们需要把人工审核过的知识库注入到提示词中。创建knowledge/steps.json[ { scene: 初次佩戴, steps: [ {order: 1, action: 用肥皂和流动水洗手打开美瞳包装前不要触摸其他物品。}, {order: 2, action: 取出镜片检查正反面。把镜片放在食指上边缘呈碗状为正面。}, {order: 3, action: 确认镜片无破损、无脱落杂质。}, {order: 4, action: 用另一只手翻开上眼皮和下眼皮眼睛注视前方或镜子。}, {order: 5, action: 将镜片轻轻贴到眼球中央松开眼皮闭眼转动眼球。}, {order: 6, action: 确认镜片位置居中无刺激感。} ] }, { scene: 常见错误, steps: [ {order: 1, action: 手指没有擦干就去拿镜片镜片容易粘在手上。}, {order: 2, action: 直接用手揉眼睛容易导致镜片移位或细菌感染。}, {order: 3, action: 戴镜后立刻看手机或电脑眼睛干涩时不能硬撑。} ] } ]然后修改app.py在请求前把知识库内容加载进来import json with open(knowledge/steps.json, r, encodingutf-8) as f: KNOWLEDGE json.load(f) knowledge_text json.dumps(KNOWLEDGE, ensure_asciiFalse, indent2) SYSTEM_PROMPT f 你是一个实操指导AI没有视觉能力无法看到用户的动作。 你的任务依据以下知识库内容指导用户完成戴美瞳。 知识库 {knowledge_text} 要求 1. 只引用知识库里的步骤。 2. 如果用户问的问题不在知识库中明确告知“当前知识库暂未覆盖”。 3. 步骤必须有序号。 4. 涉及安全的回答必须包含风险提示。 这里的知识库相当于“固定剧本”大模型只做改写和润色不负责凭空生成步骤这样能有效降低错误率。5. 功能测试与效果验证服务启动后用 curl 做一次基础测试curl -X POST http://127.0.0.1:8000/ask \ -H Content-Type: application/json \ -d {question: 第一次戴美瞳怎么戴}预期返回是一个 JSON 对象包含answer字段里面有分步说明。建议重点检查以下几个方面。5.1 步骤完整性验证测试输入“第一次戴美瞳怎么戴”判断标准回答是否包含“洗手”这一步骤。回答是否提到“检查正反面”。回答是否提到“镜片破损”。回答是否包含“出现不适要停戴并就医”。如果缺少其中任何一项说明提示词或知识库还需要补充。可以通过调整知识库内容而不是简单增加提示词长度来解决。5.2 多轮对话验证实操指导不是一次性问答。用户可能会中途说“我戴的时候眨眼了怎么办”。这时候需要历史记录。测试时请求体带上 history{ question: 我戴的时候眨眼了怎么办, history: [ {role: user, content: 第一次戴美瞳怎么戴}, {role: assistant, content: ……上面返回的步骤……} ] }判断标准模型能否识别出“你已经进入佩戴环节”。是否能给出“保持手部稳定、撑开眼睛再尝试”这类针对性建议。是否仍然包含安全提醒。如果多轮上下文丢失需要检查接口是否正确传递了 history 字段。5.3 边界问题验证测试输入“我眼睛发红还能戴美瞳吗”正确输出应该包含“立即停止佩戴”“咨询眼科医生”等安全提示而不是继续教步骤。如果模型给出了继续佩戴的指导说明知识库缺少风险阻断规则需要把“禁忌场景”作为一个独立知识条目加入。{ scene: 禁忌情况, rules: [ 眼睛发红、疼痛、流泪不止时不应佩戴美瞳。, 眼睛有分泌物、视物模糊时应先就医检查。, 对镜片护理液成分过敏的人不建议佩戴。 ] }5.4 多语言与个性化测试如果产品面向不同人群可以测试“戴美瞳的时候能不能眨眼”“美瞳反了怎么判断”“日抛和月抛有什么区别”“戴上去之后有异物感怎么办”这类问题答案要从知识库中提炼大模型负责组织语言。如果希望 AI 更有亲和力可以在提示词中加入风格设定“你是一个耐心、细致的隐形眼镜佩戴助手”。6. 接口 API 与批量任务6.1 接口设计上面的/ask接口已经是一个最小可用 API。生产环境建议补充以下字段user_id用于会话隔离。conversation_id用于上下文管理。version知识库版本便于追溯回答来源。{ user_id: u_123, question: 美瞳可以戴着睡觉吗, conversation_id: c_456 }在服务端conversation_id可以用来保存历史消息而不是让前端每次传全部历史。这样可以减少传输量和安全性问题。6.2 Python 客户端调用示例import requests url http://127.0.0.1:8000/ask payload { question: 美瞳可以戴着睡觉吗, history: [] } resp requests.post(url, jsonpayload, timeout30) print(resp.json()[answer])6.3 批量生成教程内容批量任务可以做两件事批量测试不同问法的回答质量。批量生成 FAQ 文案再人工审核入库。一个简单的批量脚本例子import json import requests questions [ 怎么摘美瞳, 美瞳太干了怎么办, 戴美瞳可以游泳吗, 日抛美瞳可以重复使用吗 ] url http://127.0.0.1:8000/ask for q in questions: resp requests.post(url, json{question: q, history: []}, timeout30) print(f问题{q}) print(f回答{resp.json()[answer]}\n)如果要做数据增强可以把每个问题跑多次保存不同回答然后人工筛选高质量版本。6.4 批量任务的稳定性建议控制并发数防止触发 API 限流。每次请求后休眠 0.5 秒到 1 秒。写失败重试逻辑超时后重试最多 3 次。输出结果自动保存到 Markdown 或 JSON 文件方便人工审核。for i, q in enumerate(questions): for attempt in range(3): try: resp requests.post(url, json{question: q}, timeout60) data resp.json() break except Exception as e: print(f第 {i} 题第 {attempt 1} 次失败{e}) else: continue with open(ffaq_{i}.md, w, encodingutf-8) as f: f.write(f# {q}\n\n{data[answer]}\n)7. 资源占用与性能观察这个方案最省资源的点在于不需要运行视觉模型也不需要处理图片输入。如果使用云端模型 API本地服务只需要一个 Python 进程内存占用通常不超过 300MB。CPU 占用也不高因为主要的计算都在云端完成。如果你在本地运行开源大模型比如 7B 或 14B 量化模型情况就不同了CPU 推理可用但生成 400 字可能需要几十秒体验较差。8GB 显存可以运行 7B 量化模型速度尚可。16GB 显存可以运行 14B 或更大模型稳定性更好。不需要盲目追求大模型。实操指导类任务对语言能力要求不高但对知识准确性要求高。即使是一个较小的模型只要知识库结构清晰也能给出合格答案。观察资源占用的方法# Linux / macOS 查看内存 ps aux | grep python # Windows 任务管理器查看python进程接口性能测试可以用简单的方式time curl -X POST http://127.0.0.1:8000/ask \ -H Content-Type: application/json \ -d {question: 第一次戴美瞳怎么戴}关注三个指标首次响应时间。生成 400 字耗时的波动范围。高并发下 CPU 是否打满。如果是云端 API还要关注 token 数量和调用成本。优化方式是压缩知识库、限制 max_tokens、使用缓存重复问法。8. 常见问题与排查方法8.1 服务启动失败问题现象可能原因排查方式解决方案提示模块未找到依赖未安装pip list检查 fastapi/openai执行pip install -r requirements.txt端口被占用8000端口被其他服务占用检查端口命令更换端口如uvicorn app:app --port 8001API Key 无效密钥错误或过期检查日志中的鉴权错误重新申请并替换环境变量8.2 回答质量不稳定问题现象可能原因排查方式解决方案回答步骤缺洗手知识库中没有该条目检查 steps.json补充分步内容回答总超过 400 字max_tokens或提示词限制不足查看响应长度在提示词中增加“控制在6步内”回答内容与知识库无关模型没有加载知识库打印最终请求消息检查 SYSTEM_PROMPT 是否包含知识库文本多轮对话后回答混乱history字段构造错误打印 messages保证每条历史消息 role 正确8.3 批量任务卡住批量任务卡住通常是网络请求超时或服务不可用。建议增加timeout参数。增加重试机制。批量任务中使用小并发避免瞬时流量过高。在脚本中输出每个任务的进度定位卡在哪一轮。8.4 知识库更新后回答未变化如果修改了 JSON 文件但启动的服务还保留旧内容需要重启进程。生产环境建议在代码中读取文件的更新状态而不是只启动时加载一次。简单做法是每次请求都读取文件但要注意磁盘IO开销。折中方案是使用文件修改时间或版本号判断是否需要重载。9. 最佳实践与使用建议9.1 安全优先美瞳属于第三类医疗器械涉及角膜接触镜。做这个AI时安全提醒必须排在第一位。任何情况下都不能让模型给出“可以不洗手”“可以不护理”“可以戴着睡觉”等建议。建议在提示词中固定加入佩戴前洗手。检查镜片完整性。出现不适立即停戴。眼睛本身有疾病时不要佩戴。初戴者建议在专业验光师指导下进行。9.2 知识库优先于模型在这个场景里知识库的价值大于模型参数数量。与其追求更大的模型不如先把知识库整理成结构化条目按场景分初次佩戴、摘取、护理、禁忌、存放。按用户类型分新手、老手、敏感眼、日抛用户。按风险级别分正常操作、注意事项、紧急处理。这样即使用户问法千奇百怪也能通过检索快速定位到对应知识点。9.3 引入人工审核机制AI生成的答案不能直接面向用户上线。建议在 QA 环节放一层人工审核至少要做到对每一条知识库内容标注来源。对输出结果抽样评估。定期更新知识库保持与最新医疗器械说明一致。用户反馈中的错误答案要回填到知识库。9.4 模块化设计把“戴美瞳”这套流程抽象出来稍作修改就能适配其他实操教学。比如把“镜片”换成“隐形牙套”把“眼部护理”换成“口腔护理”一套框架就变成了另一个垂直场景的AI助手。这正是此类无视觉实操指导AI最大的优势流程拆解能力可以跨领域复用。9.5 接口访问控制如果部署在公网建议给/ask接口增加API Key 鉴权。请求频率限制。输入内容长度限制。日志脱敏避免记录用户健康描述。from fastapi import Header, HTTPException API_KEYS {test-key-123} def verify_key(x_api_key: str Header(default)): if x_api_key not in API_KEYS: raise HTTPException(status_code401, detailInvalid API Key)10. 总结与下一步这个创意的核心不是“美瞳”而是“没有眼睛却要教人做精细操作”的产品逻辑。它证明了一件事很多知识传递类场景不一定需要多模态文本大模型加上结构化知识库已经能解决大部分标准化流程的教学问题。最适合你先验证的功能是“分步指导”。用上面写好的 FastAPI 服务先测“第一次戴美瞳怎么戴”看看回答是否覆盖洗手、检查正反面、取出镜片、撑开眼睑、贴合眼球这几个关键节点。如果遗漏不要急着换模型先把知识库补全。最容易踩的坑是模型被用户问法带偏导致安全提醒缺失。解决办法很简单安全规则写进提示词同时知识库中增加“禁忌场景”条目。后续可以继续扩展的方向接入语音接口让它变成电话客服或语音助手的知识模块。增加用户状态记录比如“用户已经完成第3步”实现动态分步引导。把知识库换成其他领域比如“没有眼睛的AI教你换备胎”“没有眼睛的AI教你绑鞋带”。增加人机协同入口AI 解决不了时直接转接人工客服或医生。对一个纯文本模型来说能做到这个程度已经很实用了。如果你也想做一个“没有眼睛却会教实操”的AI建议从一个小闭环开始整理知识库、搭一个接口、写十个测试问题、跑一轮人工评估。跑通之后再谈扩展和优化也不迟。
无视觉实操指导AI：基于大模型API与知识库的分步教学应用开发
在很多人印象里大模型做“实操教学”有一个硬伤模型没有眼睛看不到用户当前的状态。但这恰恰是最值得研究的地方——如果一个没有视觉能力的AI能把“戴美瞳”这种极度依赖手感和眼睛反馈的操作讲明白、讲到位说明它对流程拆解、风险提醒和用户认知水平的调度能力已经足够实用。这个技术点不只在美瞳教程上成立还可以迁移到健身动作指导、健身器材组装、化妆步骤教学、甚至设备维修引导等场景。所以这篇文章不打算只聊一个教程项目而是要拆开“无视觉实操指导AI”的通用实现方法怎么设计流程、怎么喂知识库、怎么用对话接口输出稳定的步骤以及怎么验证它真的“教得会”。先给出核心结论这类AI不需要GPU、不需要视觉模型、不依赖多模态能力用普通大模型API加上一套结构化的知识库和对话状态管理就可以跑起来。下面从零开始搭建一个能回答“怎么戴美瞳”的对话服务并手把手验证它的可用性。1. 核心能力速览能力项说明项目类型文本对话式实操指导AI / 知识库问答机器人核心功能戴美瞳步骤教学、常见误区识别、应急处理、分步确认是否依赖视觉不依赖纯文本输入输出属于“无眼睛”方案推荐硬件云端API方案无需GPU本地部署大模型建议显存不低于8GB启动方式Python FastAPI 服务或笔记本里直接跑脚本是否支持API支持提供 HTTP POST 接口是否支持批量任务支持可批量生成教程文本/FAQ主要技术栈Python、FastAPI、大模型API如OpenAI、DeepSeek等、向量数据库或JSON知识库适合读者想搭建实操类问答机器人、流程式AI助手的开发者使用边界不能替代医生诊断健康相关建议只能做知识科普从材料看这个项目本身并没有大规模开源代码更像是一个产品创意或教学案例。因此我们采用通用技术方案来复现它重点在于“如何把一套实操流程变成可执行的文本指导”。2. 适用场景与使用边界一个没有视觉能力的AI适合做哪些事适合做“标准化操作流程”的拆解和输出。戴美瞳、戴隐形眼镜、化妆、护肤、配镜、简单设备安装这些动作在健康人群里有较稳定的标准流程。适合承接用户大量重复提问的场景例如新用户第一次买美瞳在线客服需要快速给出步骤和注意事项。适合做前置教育帮助用户在预约医生前了解基本信息但不适合做个性化眼健康判断。适合集成到公众号、小程序、APP的智能助手模块中替代人工客服的一部分重复劳动。不推荐的使用方式不建议用它判断用户是否适合佩戴美瞳。这必须由眼科医生或专业验光师检查后确定。不建议让它处理眼部不适、发红、疼痛等医学问题。出现这些症状应立即停戴并就医。不建议引用网络来源不明的选配建议所有知识必须来自正规渠道并人工审核。隐私和安全边界用户对话中如果包含眼部症状描述建议设置免责声明不保存敏感健康信息。如果做产品化需要隐私政策说明数据仅用于问答和优化。涉及美瞳购买渠道时应提示用户选择有医疗器械经营资质的正规商家。3. 环境准备与前置条件这个方案的部署门槛很低。核心前提是有一个可调用的文本大模型接口以及一套整理好的美瞳科普知识。3.1 基础依赖建议使用 Python 3.10 以上版本安装以下依赖pip install fastapi uvicorn openai chromadb pydanticfastapi构建接口服务。uvicorn启动本地 HTTP 服务。openai调用大模型API。实际上只需要按官方接口规范请求兼容 OpenAI 格式的服务都可以用。chromadb本地向量数据库用于知识库检索。如果步骤逻辑很固定也可以直接用 JSON 规则引擎不需要向量数据库。pydantic参数校验。3.2 模型接口准备如果没有自己的大模型服务可以申请云端 API例如 DeepSeek、OpenAI、智谱、百度千帆等。只要接口格式兼容 Chat Completions就可以统一使用。如果你的环境需要完全离线建议准备本地部署模型例如 ChatGLM、Qwen 系列。推理时用 CPU 也能跑但速度较慢用 8GB 显存以上的显卡体验更流畅。3.3 目录结构规划建议把代码、知识库、配置文件分开contact-lens-ai/ ├── app.py ├── knowledge/ │ ├── steps.json │ └── faq.md ├── requirements.txt └── README.md这种结构方便后续批量更新知识库也方便给不同产品线复用。4. 安装部署与启动方式4.1 搭建最小可运行对话服务下面用 FastAPI 写一个简单的服务接收用户问题调用大模型接口返回分步指导。from fastapi import FastAPI from pydantic import BaseModel from openai import OpenAI app FastAPI() client OpenAI( api_keyyour-api-key, # 替换为实际密钥 base_urlhttps://api.your-provider.com/v1 # 替换为服务商地址 ) SYSTEM_PROMPT 你是一个实操指导AI没有视觉能力无法看到用户的动作。 你的任务是只依据给定的知识库内容用清晰的步骤指导用户完成戴美瞳。 要求 1. 步骤必须有序号每一步都要明确动作。 2. 每一步必须包含一个卫生提醒或安全提醒。 3. 如果用户遇到不适立即建议停戴并咨询专业医生。 4. 不要编造知识库中没有的信息。 5. 回答简洁不超过400字。 class AskRequest(BaseModel): question: str history: list[dict] [] app.post(/ask) def ask(req: AskRequest): messages [{role: system, content: SYSTEM_PROMPT}] for item in req.history: messages.append(item) messages.append({role: user, content: req.question}) response client.chat.completions.create( modelyour-model-name, # 替换为模型名称 messagesmessages, temperature0.3, max_tokens500 ) return {answer: response.choices[0].message.content}然后启动服务uvicorn app:app --host 127.0.0.1 --port 8000启动后打开http://127.0.0.1:8000/docs可以查看接口文档。如果需要局域网内访问可将 host 改为0.0.0.0但要注意访问控制。4.2 用知识库增强回答稳定性大模型直接回答“怎么戴美瞳”可能会把步骤说得太笼统甚至遗漏关键卫生环节。为了让它稳定输出我们需要把人工审核过的知识库注入到提示词中。创建knowledge/steps.json[ { scene: 初次佩戴, steps: [ {order: 1, action: 用肥皂和流动水洗手打开美瞳包装前不要触摸其他物品。}, {order: 2, action: 取出镜片检查正反面。把镜片放在食指上边缘呈碗状为正面。}, {order: 3, action: 确认镜片无破损、无脱落杂质。}, {order: 4, action: 用另一只手翻开上眼皮和下眼皮眼睛注视前方或镜子。}, {order: 5, action: 将镜片轻轻贴到眼球中央松开眼皮闭眼转动眼球。}, {order: 6, action: 确认镜片位置居中无刺激感。} ] }, { scene: 常见错误, steps: [ {order: 1, action: 手指没有擦干就去拿镜片镜片容易粘在手上。}, {order: 2, action: 直接用手揉眼睛容易导致镜片移位或细菌感染。}, {order: 3, action: 戴镜后立刻看手机或电脑眼睛干涩时不能硬撑。} ] } ]然后修改app.py在请求前把知识库内容加载进来import json with open(knowledge/steps.json, r, encodingutf-8) as f: KNOWLEDGE json.load(f) knowledge_text json.dumps(KNOWLEDGE, ensure_asciiFalse, indent2) SYSTEM_PROMPT f 你是一个实操指导AI没有视觉能力无法看到用户的动作。 你的任务依据以下知识库内容指导用户完成戴美瞳。 知识库 {knowledge_text} 要求 1. 只引用知识库里的步骤。 2. 如果用户问的问题不在知识库中明确告知“当前知识库暂未覆盖”。 3. 步骤必须有序号。 4. 涉及安全的回答必须包含风险提示。 这里的知识库相当于“固定剧本”大模型只做改写和润色不负责凭空生成步骤这样能有效降低错误率。5. 功能测试与效果验证服务启动后用 curl 做一次基础测试curl -X POST http://127.0.0.1:8000/ask \ -H Content-Type: application/json \ -d {question: 第一次戴美瞳怎么戴}预期返回是一个 JSON 对象包含answer字段里面有分步说明。建议重点检查以下几个方面。5.1 步骤完整性验证测试输入“第一次戴美瞳怎么戴”判断标准回答是否包含“洗手”这一步骤。回答是否提到“检查正反面”。回答是否提到“镜片破损”。回答是否包含“出现不适要停戴并就医”。如果缺少其中任何一项说明提示词或知识库还需要补充。可以通过调整知识库内容而不是简单增加提示词长度来解决。5.2 多轮对话验证实操指导不是一次性问答。用户可能会中途说“我戴的时候眨眼了怎么办”。这时候需要历史记录。测试时请求体带上 history{ question: 我戴的时候眨眼了怎么办, history: [ {role: user, content: 第一次戴美瞳怎么戴}, {role: assistant, content: ……上面返回的步骤……} ] }判断标准模型能否识别出“你已经进入佩戴环节”。是否能给出“保持手部稳定、撑开眼睛再尝试”这类针对性建议。是否仍然包含安全提醒。如果多轮上下文丢失需要检查接口是否正确传递了 history 字段。5.3 边界问题验证测试输入“我眼睛发红还能戴美瞳吗”正确输出应该包含“立即停止佩戴”“咨询眼科医生”等安全提示而不是继续教步骤。如果模型给出了继续佩戴的指导说明知识库缺少风险阻断规则需要把“禁忌场景”作为一个独立知识条目加入。{ scene: 禁忌情况, rules: [ 眼睛发红、疼痛、流泪不止时不应佩戴美瞳。, 眼睛有分泌物、视物模糊时应先就医检查。, 对镜片护理液成分过敏的人不建议佩戴。 ] }5.4 多语言与个性化测试如果产品面向不同人群可以测试“戴美瞳的时候能不能眨眼”“美瞳反了怎么判断”“日抛和月抛有什么区别”“戴上去之后有异物感怎么办”这类问题答案要从知识库中提炼大模型负责组织语言。如果希望 AI 更有亲和力可以在提示词中加入风格设定“你是一个耐心、细致的隐形眼镜佩戴助手”。6. 接口 API 与批量任务6.1 接口设计上面的/ask接口已经是一个最小可用 API。生产环境建议补充以下字段user_id用于会话隔离。conversation_id用于上下文管理。version知识库版本便于追溯回答来源。{ user_id: u_123, question: 美瞳可以戴着睡觉吗, conversation_id: c_456 }在服务端conversation_id可以用来保存历史消息而不是让前端每次传全部历史。这样可以减少传输量和安全性问题。6.2 Python 客户端调用示例import requests url http://127.0.0.1:8000/ask payload { question: 美瞳可以戴着睡觉吗, history: [] } resp requests.post(url, jsonpayload, timeout30) print(resp.json()[answer])6.3 批量生成教程内容批量任务可以做两件事批量测试不同问法的回答质量。批量生成 FAQ 文案再人工审核入库。一个简单的批量脚本例子import json import requests questions [ 怎么摘美瞳, 美瞳太干了怎么办, 戴美瞳可以游泳吗, 日抛美瞳可以重复使用吗 ] url http://127.0.0.1:8000/ask for q in questions: resp requests.post(url, json{question: q, history: []}, timeout30) print(f问题{q}) print(f回答{resp.json()[answer]}\n)如果要做数据增强可以把每个问题跑多次保存不同回答然后人工筛选高质量版本。6.4 批量任务的稳定性建议控制并发数防止触发 API 限流。每次请求后休眠 0.5 秒到 1 秒。写失败重试逻辑超时后重试最多 3 次。输出结果自动保存到 Markdown 或 JSON 文件方便人工审核。for i, q in enumerate(questions): for attempt in range(3): try: resp requests.post(url, json{question: q}, timeout60) data resp.json() break except Exception as e: print(f第 {i} 题第 {attempt 1} 次失败{e}) else: continue with open(ffaq_{i}.md, w, encodingutf-8) as f: f.write(f# {q}\n\n{data[answer]}\n)7. 资源占用与性能观察这个方案最省资源的点在于不需要运行视觉模型也不需要处理图片输入。如果使用云端模型 API本地服务只需要一个 Python 进程内存占用通常不超过 300MB。CPU 占用也不高因为主要的计算都在云端完成。如果你在本地运行开源大模型比如 7B 或 14B 量化模型情况就不同了CPU 推理可用但生成 400 字可能需要几十秒体验较差。8GB 显存可以运行 7B 量化模型速度尚可。16GB 显存可以运行 14B 或更大模型稳定性更好。不需要盲目追求大模型。实操指导类任务对语言能力要求不高但对知识准确性要求高。即使是一个较小的模型只要知识库结构清晰也能给出合格答案。观察资源占用的方法# Linux / macOS 查看内存 ps aux | grep python # Windows 任务管理器查看python进程接口性能测试可以用简单的方式time curl -X POST http://127.0.0.1:8000/ask \ -H Content-Type: application/json \ -d {question: 第一次戴美瞳怎么戴}关注三个指标首次响应时间。生成 400 字耗时的波动范围。高并发下 CPU 是否打满。如果是云端 API还要关注 token 数量和调用成本。优化方式是压缩知识库、限制 max_tokens、使用缓存重复问法。8. 常见问题与排查方法8.1 服务启动失败问题现象可能原因排查方式解决方案提示模块未找到依赖未安装pip list检查 fastapi/openai执行pip install -r requirements.txt端口被占用8000端口被其他服务占用检查端口命令更换端口如uvicorn app:app --port 8001API Key 无效密钥错误或过期检查日志中的鉴权错误重新申请并替换环境变量8.2 回答质量不稳定问题现象可能原因排查方式解决方案回答步骤缺洗手知识库中没有该条目检查 steps.json补充分步内容回答总超过 400 字max_tokens或提示词限制不足查看响应长度在提示词中增加“控制在6步内”回答内容与知识库无关模型没有加载知识库打印最终请求消息检查 SYSTEM_PROMPT 是否包含知识库文本多轮对话后回答混乱history字段构造错误打印 messages保证每条历史消息 role 正确8.3 批量任务卡住批量任务卡住通常是网络请求超时或服务不可用。建议增加timeout参数。增加重试机制。批量任务中使用小并发避免瞬时流量过高。在脚本中输出每个任务的进度定位卡在哪一轮。8.4 知识库更新后回答未变化如果修改了 JSON 文件但启动的服务还保留旧内容需要重启进程。生产环境建议在代码中读取文件的更新状态而不是只启动时加载一次。简单做法是每次请求都读取文件但要注意磁盘IO开销。折中方案是使用文件修改时间或版本号判断是否需要重载。9. 最佳实践与使用建议9.1 安全优先美瞳属于第三类医疗器械涉及角膜接触镜。做这个AI时安全提醒必须排在第一位。任何情况下都不能让模型给出“可以不洗手”“可以不护理”“可以戴着睡觉”等建议。建议在提示词中固定加入佩戴前洗手。检查镜片完整性。出现不适立即停戴。眼睛本身有疾病时不要佩戴。初戴者建议在专业验光师指导下进行。9.2 知识库优先于模型在这个场景里知识库的价值大于模型参数数量。与其追求更大的模型不如先把知识库整理成结构化条目按场景分初次佩戴、摘取、护理、禁忌、存放。按用户类型分新手、老手、敏感眼、日抛用户。按风险级别分正常操作、注意事项、紧急处理。这样即使用户问法千奇百怪也能通过检索快速定位到对应知识点。9.3 引入人工审核机制AI生成的答案不能直接面向用户上线。建议在 QA 环节放一层人工审核至少要做到对每一条知识库内容标注来源。对输出结果抽样评估。定期更新知识库保持与最新医疗器械说明一致。用户反馈中的错误答案要回填到知识库。9.4 模块化设计把“戴美瞳”这套流程抽象出来稍作修改就能适配其他实操教学。比如把“镜片”换成“隐形牙套”把“眼部护理”换成“口腔护理”一套框架就变成了另一个垂直场景的AI助手。这正是此类无视觉实操指导AI最大的优势流程拆解能力可以跨领域复用。9.5 接口访问控制如果部署在公网建议给/ask接口增加API Key 鉴权。请求频率限制。输入内容长度限制。日志脱敏避免记录用户健康描述。from fastapi import Header, HTTPException API_KEYS {test-key-123} def verify_key(x_api_key: str Header(default)): if x_api_key not in API_KEYS: raise HTTPException(status_code401, detailInvalid API Key)10. 总结与下一步这个创意的核心不是“美瞳”而是“没有眼睛却要教人做精细操作”的产品逻辑。它证明了一件事很多知识传递类场景不一定需要多模态文本大模型加上结构化知识库已经能解决大部分标准化流程的教学问题。最适合你先验证的功能是“分步指导”。用上面写好的 FastAPI 服务先测“第一次戴美瞳怎么戴”看看回答是否覆盖洗手、检查正反面、取出镜片、撑开眼睑、贴合眼球这几个关键节点。如果遗漏不要急着换模型先把知识库补全。最容易踩的坑是模型被用户问法带偏导致安全提醒缺失。解决办法很简单安全规则写进提示词同时知识库中增加“禁忌场景”条目。后续可以继续扩展的方向接入语音接口让它变成电话客服或语音助手的知识模块。增加用户状态记录比如“用户已经完成第3步”实现动态分步引导。把知识库换成其他领域比如“没有眼睛的AI教你换备胎”“没有眼睛的AI教你绑鞋带”。增加人机协同入口AI 解决不了时直接转接人工客服或医生。对一个纯文本模型来说能做到这个程度已经很实用了。如果你也想做一个“没有眼睛却会教实操”的AI建议从一个小闭环开始整理知识库、搭一个接口、写十个测试问题、跑一轮人工评估。跑通之后再谈扩展和优化也不迟。 
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
