夜雨聆风
1
【应用的源码搭建Anget】
以八字、六爻为例
【一】
关于写好的软件源码，有个玩法，就是投喂给AI。
但这里有个问题:
1、给AI来源码运行，有几个不同的方法:
层级一（弱）：
把代码粘贴进对话框，让AI解读。这依然是“提示词工程”，AI并不真的运行，只是凭经验猜测。
层级三（强）：让AI直接操控你的代码执行环境。
看个实例
即AI作为“调度员”，调用你的函数、读写数据库、执行算法管道，并基于运行结果动态调整下一步。
2. 为什么“给算法+知识库”比纯提示词+知识库更高效？
原因有三：
· 突破上下文限制：你的知识库可能有几万份文档，算法有上千行。纯提示词装不下，而AI通过RAG（检索增强生成）或函数调用，可以实时从你的知识库里检索精确片段，再喂给算法处理。
· 结果可验证：AI说“我算出来了”，纯文本回复不可信。
但AI执行你的代码后，直接返回数值结果、图表或日志，错对一目了然。
· 避免AI“幻觉”：涉及复杂公式或业务规则时，让AI重写算法极易出错。而让AI调用你已验证的现成函数，相当于让AI当“操作员”，你保证工具精准，AI只负责组合策略。
3、两个需要注意的点:
安全风险：
绝不能让AI有权限执行删除表或修改系统配置的操作。务必用容器（Docker）隔离运行，并限制文件读写路径。
· 成本暴增：一次复杂任务可能触发AI循环调用几十次函数，Token费用和延迟都会很高。
【二】层级三的具体实现:
AI岁华里的角色（智能体）
│
├── 用户说："六爻解释 月破"
│
├── AI识别意图 → 决定调用 liuyao_explain 工具
│
├── AI执行：AGENT_TOOLS.liuyao_explain.execute({ term: "月破" })
│
├── 工具内部执行：
│ ├── 查询 termMap["月破"]
│ ├── 返回 { def, detail, source }
│ └── 格式化成自然语言
│
└── AI把结果返回给用户
AI不是"猜"答案，而是"调用"你写好的算法来得到答案。
【三】
测试案例在上面的视频号里。
她准确判断出了斩子剑。
而同样的应用代码，或者只是依据知识库原文写的Anget（虽然也是代码），直接丢给AI的对话界面，用同一个八字，AI的输出，就各种情况都有。
比如这个八字，有时候她能计算出斩子剑，有时候她不会，你得追问她，她才会模拟计算一遍，有时候即使你追问，她也不会回答到点子上。
max_tokens: 8000, // 控制单次成本
tools: toolsList, // 最多几个工具
tool_choice: 'auto' // AI自动选择，不会无限循环
};
END
