技术方案总览：知识库加规则引擎的教学智能体

系统处理流程分五步：01 选择章节（确定九章知识位置）→ 02 识别任务（选择五类功能模式）→ 03 匹配知识（调用章节核心与关键词）→ 04 规则判断（执行模板或阈值逻辑）→ 05 生成反馈（形成可复制和导出的结果）。

页面由五个区组成：顶部项目概览、处理流程条、左侧九章导航、中部任务与输入输出区、右侧解释依据和实时参数状态区。该布局使知识选择、问题输入、结果生成与解释信息能够在同一工作台中完成。

全文的技术脉络如下：

        九章知识库（CSV）             |             v      章节推断（关键词计分）             |             v   五类任务模板分发（generateText）/     |     |     \专业问答  报告  证据链  风险诊断             |             v      三类阈值判断2—8℃ / SOH 70%、85% / 得分 60、80             |             v   结构化回答（复制 / 导出TXT）

项目文件目录如下：

ship-agent/├─ app.py                    # Streamlit 主程序（九章数据 + 五类任务 + 三类阈值）├─ data/│  ├─ chapters.csv           # 九章知识（章节/主题/核心内容/5个关键词/场景/预期输出）│  └─ threshold_rules.csv    # 三类阈值规则├─ requirements.txt├─ full/index.html           # 完整功能测试页（浏览器内真算，双击即开）└─ README.md

数据来源与知识库预处理

本文使用的数据是一份教学知识库，由九章课程知识与三类阈值规则组成，由拓端团队根据课程材料人工整理和核对。

• 数据名称：船舶新能源动力与冷链专业九章教学知识库（Marine Cold-Chain Nine-Chapter Knowledge Base）
• 数据量：9 条章节记录，每条含 6 个字段；阈值规则 9 行（三类各 3 档）
• 字段：章节编号、章节名称、主题说明、核心内容、关键词（每章 5 个，共 45 个）、应用场景、预期输出
• 数据来源：由拓端团队整理核对，内容围绕船舶新能源动力与冷链专业课程
• 时间跨度：2026 年教学版本
• 区域跨度：绿色航运、船舶新能源、冷链物流与港口运营场景
• 数据格式：csv（UTF-8 编码，关键词列用顿号分隔）
• 数据简介：知识库把每章课程内容拆成”主题—核心内容—关键词—应用场景—预期输出”五元组，使得章内容从静态目录变成可以直接为问题分析、报告生成、风险识别和阈值判断提供上下文的结构化数据。阈值规则独立成表，含判断对象、规则区间、结果与说明四列，与代码逻辑解耦。
• 本数据可支撑的主题实证研究：一是教学知识结构化组织方式的对比研究；二是规则型智能体与大模型检索增强方案在教学场景的效果对比；三是阈值分级规则在冷链监控与实训评价中的迁移应用。
• 数据指标：章节编号（1—9）、关键词数（每章5）、阈值档位（温度 2/8、SOH 70/85、得分 60/80）
• 数据展示：九章知识以表格形式组织，每章六字段（章节名称、主题说明、核心内容、关键词、应用场景、预期输出），示例如下：

___

相关文章

Streamlit + LlamaIndex + OpenAI RAG手机客服多智能体Agent系统|附AI智能体、代码和数据

原文链接：Streamlit + LlamaIndex + OpenAI RAG手机客服多智能体Agent系统 – 拓端

___

核心方案设计：九章知识体系与六字段结构化

每章知识均包含章节名称、主题说明、核心内容、关键词、应用场景和预期输出六类字段。系统通过章节切换同步更新中部说明和右侧解释依据。

九章的完整结构如下（关键词每章 5 个）：

这种结构使课程内容不再只是静态目录，而是能直接为问题分析、报告生成、风险识别和阈值判断提供上下文。设计的关键决策是知识放数据、不放代码：九章内容存进 chapters.csv，界面与逻辑读表渲染，换一个专业只要换一份 CSV。

智能体实现：五类任务模板与阈值判断代码

3.1 任务总调度

五类任务各有分工：专业问答根据问题和当前章节组织”问题定位—技术路径—输出成果—人工复核”的结构化回答；章节报告生成适合放入项目报告的章节说明；证据链整理从数据来源、处理路径、判断依据、人工复核和输出成果五个方面整理证据；风险诊断识别内容通用化、数据来源不清、流程不闭环及技术能力夸大等问题；阈值分析根据冷链温度、电池SOH和学习得分执行分级判断并生成处置建议。

提示词：基础任务分发框架

背景：我在做一个船舶冷链专业的教学智能体，已有九章知识库（每章含主题、核心内容、关键词、场景、预期输出六个字段）和五类任务模式。技术栈用 React 和 TypeScript，判断逻辑全在前端跑。 目标：请帮我写一个任务分发函数 generateText，接收任务模式、当前章节数据、用户问题、补充材料和三个阈值参数，按模式进入对应分支并组织结构化回答。 约束：回答必须带【】小节标题；章节字段用模板插值；不要引入任何外部 API 依赖；先实现报告、证据链、风险诊断、阈值分析四个分支，问答分支先留空。

此处根据原文逻辑补充：thresholdReply 与 answerQuestion 的完整实现见下文两节；原文用单个 tsx 文件组织全部逻辑，本文为了讲清楚结构把函数拆开呈现，执行顺序与原文一致。

提示词：阈值判断规则

背景：分发框架能跑了，现在补上教学场景里最核心的三类阈值判断。冷链以 2—8℃ 作为通用教学区间，电池健康度用 SOH（State of Health，电池当前容量与出厂容量的比值）分级，学习得分按 60/80 两档划线。 目标：把三类阈值写成独立判断函数，输出分级结论文案；阈值分析任务把三个判断结果拼成一段带处置流程的报告。 约束：判断文案要与专业口径逐字一致；比较用左闭右开口径（70 含在关注档，85 含在正常档）；三个函数都不依赖界面状态，方便无头测试。

为什么这么写：三档分级文案是”结论+动作”结构——先说风险等级，再说该干什么。这样学生看到”82% 需要关注，建议增加巡检”，下一步行动直接可执行，而不是一句模糊的”注意健康度”。

实测验证：温度 12℃ 输出”高于8℃，已经触发超温预警”；SOH 82% 输出”处于关注区间”；得分 76 输出”基本达标”——三个用例与原文功能测试表逐项一致。

3.2 问答分支：从问题到章节

问答分支是唯一需要”理解”问题的部分。它按优先级分流：温度类问题（带数字）→ SOH 类 → 概念类 → 实现路径类 → 智能体类 → 兜底章节回答。进入前还有两道闸：模糊问题拦截和章节自动推断。

提示词：模糊问题拦截与章节推断

背景：实际使用中发现两类问题：一是学生爱输入”怎么办””做什么”这种没场景的问题，硬答只会答非所问；二是问题内容常常不属于当前选中的章节，比如停在第一章却问”电池SOH 82%要不要检修”。 目标：第一，加模糊问题拦截——太短或整句只有疑问词时，反问用户要场景并给出示例；第二，加章节自动推断——维护每章一组触发词，问题命中哪章的词多就自动切到哪章。 约束：模糊判断必须用锚定正则（整句匹配），不能子串匹配，否则”温度12℃怎么办才好”会被误伤；关键词表里 soh、ai、rag 是小写，匹配前要先转小写；推断用计分制，命中最多关键词的章节胜出。

为什么这么写：计分制而不是”命中即返回”，是因为问题可能同时命中多组关键词（”电池温度怎么处理”同时碰到第4章的温度和电池），得分最高的组赢。模糊拦截用锚定正则则是复刻时真实踩过的坑——子串匹配会把带具体参数的正经问题拦下来，无头测试直接抓出这个 bug。

模糊问题拦截后的回复不是冷冰冰的报错，而是给出四类示例引导：

温度类问题的完整回复结构是”直接结论—判断依据—建议处置—智能体输出”四段：先给”立即核验温度并启动异常处置”，再给”当前温度为12℃，高于8℃，已经触发超温预警。本项目以2—8℃作为通用教学阈值；实际运输时必须以具体货物、合同和企业SOP为准”，然后是五步处置清单（复核传感器读数、检查制冷机组、记录异常时间、生成告警工单、评估品质风险），最后声明输出物。建议处置的每一条都是可执行动作，这是教学智能体和普通问答机器人的本质区别。

3.3 复制与导出

结果通过浏览器剪贴板接口复制，通过 Blob 对象生成 UTF-8 编码的 TXT 文件。导出文件名由当前章节与任务模式自动组成，便于归档。这两段是纯浏览器 API，三十行内搞定：

跨语言复刻与测试结果对比

原文是 Next.js 应用，要让读者不改前端也能跑起来，我们用 Python 生态复刻了同一套判断逻辑。复刻不是重写——九章字段、九组触发词、三档阈值文案、五类任务模板全部逐字搬运，只有界面层从 React 换成 Streamlit。

提示词：跨语言复刻与验证

背景：原文是 React + TypeScript 实现，我需要一个 Python/Streamlit 版本给不装 Node 的读者用，两版必须输出一致。 目标：把章节常量、触发词表、阈值函数、五类任务模板全部移植到 Python，并做一致性验证。 约束：所有判断文案逐字对齐；数据放 CSV 不硬编码；验证分两层——无头跑纯函数断言（stub 掉 streamlit），再加真实浏览器逐模式点击验证。

复刻中真实踩到的坑有三个。第一是模糊判断的正则语义：Python 移植时第一版写成了子串匹配（any(w in q for w in [...]）），无头测试立刻发现”冷藏箱温度12℃怎么办才好”被误判成模糊问题——原文用的是锚定正则 ^...$，整句只有疑问词才算模糊。修正后与原文行为一致。第二是数据路径：pd.read_csv("data/chapters.csv") 在非工程目录启动会 FileNotFoundError，改成基于 __file__ 的绝对路径解析。第三是stub 测试的接口面：Streamlit 的 columns 返回值要可解包、session_state 要 dict-like、selectbox 要返回真实默认值，stub 少一个接口测试就跑不起来。

验证结果分两层。无头断言层：28 项检查全部通过，覆盖九章 CSV 行数与每章 5 个关键词、三阈值九档边界值（2/8、70/85、60/80 逐档）、五类任务分支输出、模糊拦截、章节推断（温度问题→第4章、rag问题→第8章、岗位问题→第9章）。浏览器层：真实启动 Streamlit 服务，逐模式点击生成，问答/报告/证据链/风险诊断/阈值分析五类输出截图齐全，页面无横向溢出，控制台零异常。

两版的输出对齐结果（同一输入：第八章 + 温度12 + SOH82 + 得分76 + 阈值分析）：

浏览器内还有一版完整功能测试页：把同一套逻辑移植成浏览器原生 JavaScript，双击即开、不需要装 Python。它有顶部说明条标注”所有结果均为实时计算”，三档阈值九个边界值、五类任务、模糊拦截、390px 移动端适配共 17 项自动化验收全部通过，与 Streamlit 版逐项对齐。

系统实现与落地

6.1 项目特点

项目将专业课程体系和可交互的任务处理界面结合，内容围绕船舶新能源动力与冷链场景展开，而非通用聊天页面；阈值结果、章节关键词和预期输出均能够解释回答形成依据；本地规则模式降低了演示对外部服务的依赖。

配套工具与资源

本文全部产物可复用：

• 可运行工程：app.py + data/chapters.csv + data/threshold_rules.csv + requirements.txt（streamlit>=1.36、pandas>=2.0），运行命令 streamlit run app.py，依赖以代码包实际接口为准；
• 完整功能测试页：full/index.html 双击即开，浏览器内真算，17 项自动化验收通过，390px 移动端无溢出；
• 教程章节：下方”如何把本代码做成一个可交互Agent”给出从零复现的完整路径（含 12 张验证截图）；
• AI agent 与 skill：封装为对话式AI Agent和可复用的skill，请阅读原文链接获取。

Streamlit + LlamaIndex + OpenAI RAG手机客服多智能体Agent系统

本文面向“用一份数据支撑多种智能体架构”这一核心问题，对比基础RAG检索问答、金融风控与多智能体协同三种架构，给出可复用的项目代码。

探索观点

做成一个可交互Agent

以下教程教你如何把本文的分析流程封装成可交互的Agent：从九章知识库建表、阈值判断纯函数，到 Streamlit 工程搭建、真实截图验证，再到浏览器内可直接打开的完整功能测试页，一步步照做即可复现。

1. 为什么要做成 Agent

原文是一个打包好的 Next.js 应用：知识、模板、规则全部写死在 TypeScript 常量里，想改一章内容、加一条阈值就得动源码、重新构建。教学场景恰恰相反——老师经常要临时换一章的知识点、调一条温度阈值。

把它封装成 Agent 之后，读者能干什么、原来能干什么，一句话对比：

Streamlit 初始界面（真实浏览器实截）

2. 拆解原文

原文的处理流程是五步：选择章节 → 识别任务 → 检索知识 → 规则判断 → 生成反馈。拆开看每一环的输入输出契约：

章节库(chapters) ──┐任务模式(5类) ─────┼─→ generateText() ─→ 结构化回答（复制/导出TXT）阈值参数(3个) ─────┤用户问题+材料 ─────┘

原文给的数据事实（必须逐条抄准，全流程唯一数字来源）：

• 九章知识体系：每章 6 类字段——章节名称、主题说明、核心内容、关键词（每章 5 个）、应用场景、预期输出。九章分别是：信息与信息技术、系统与控制系统、平台与平台工程、计算与计算思维、数据与数据工程、感知与多模态、流程与流程编排、智能与智能体工具、产业生态与商业分析。
• 五类智能任务：专业问答、章节报告、证据链整理、风险诊断、阈值分析。
• 三类阈值（原文 4.2 表）：
• 冷链温度：2—8℃ 正常；低于 2℃ 存在过度制冷或货物冻损风险；高于 8℃ 触发超温预警。
• 电池SOH：低于 70% 高风险（建议检修或更换）；70%—85% 关注（建议增加巡检）；85% 及以上 正常（按计划维护）。
• 学习得分：低于 60 未达标；60—80 基本达标；80 及以上 良好。
• 功能测试用例（原文第五节，6 项全部通过）：选第八章 → 更新为智能体工具内容；温度 12℃ → 高于 8℃ 触发预警；SOH 82% → 关注；得分 76 → 基本达标；风险诊断 → 输出四类风险和改进建议；导出 TXT → 生成 UTF-8 文本文件。

还有一个容易被忽略的关键实现：专业问答会自动推断章节。原文 inferChapter 维护了 9 组关键词（比如”温度、soh、电池、多少度”归第四章），用户问”冷链温度12℃怎么办”时，即使当前停在其他章，也会自动切到第四章再组织回答。我们的复刻版把这张关键词表完整搬了过来。

3. 目标形态

界面长这样：左侧栏收章节与阈值参数，主区分五个区块：

1. 章节概览卡：当前章的核心内容、关键词、应用场景、预期输出；
2. 任务模式：五个单选（问答/报告/证据链/风险诊断/阈值分析）；
3. 输入区：问题文本域 + 补充材料文本域（选填）+ 生成按钮；
4. 输出区：结构化回答（可直接复制、导出 TXT）；
5. 规则参照区：三类阈值表 + 三个实时指标卡。

交互顺序：选章（可选）→ 选任务 → 填问题 → 点生成 → 看结果 → 复制或导出。

侧栏章节选择与第八章卡片（真实浏览器实截）

4. 环境与安装

Python 3.10+ 即可，不需要 TensorFlow 、不需要 Node。

requirements.txt 只有两行：

启动：

streamlit run app.py

安装与启动过程（真实运行输出的渲染还原）

三类阈值判断核心函数（真实源码的渲染还原）

5. 数据准备

知识库不硬编码进 Python，放两张 CSV——这就是”改内容不用改代码”的关键。

data/chapters.csv（9 行，列固定）：

章节编号,章节名称,主题说明,核心内容,关键词,应用场景,预期输出1,第一章 信息与信息技术,感知接入与信息基础,把船舶动力设备、冷链箱、传感器和网络终端转化为可采集、可传输、可追踪的数据入口。,传感器接入、船载网络、数据采集、设备接口、边缘终端,冷链温湿度采集、BMS设备接入、船岸数据传输,设备清单、采集点位表、网络与接口说明4,第四章 计算与计算思维,指标、算法与阈值,将专业问题拆解为可计算变量，利用阈值、评分与规则模型生成可解释的判断结果。,变量定义、阈值判断、加权评分、算法流程、结果解释,冷链温度预警、电池SOH分级、学习得分评价,阈值规则、评分结果、风险等级与建议……（其余 7 章同结构，关键词用顿号分隔、每章正好 5 个）

data/threshold_rules.csv（9 行，三类阈值各 3 档）：

判断对象,规则区间,结果,说明冷链温度,低于2℃,预警：过度制冷,存在过度制冷或货物冻损风险冷链温度,2—8℃,正常,教学示例正常区间冷链温度,高于8℃,预警：超温,高于8℃上限触发超温预警电池SOH,低于70%,高风险,建议尽快检修并评估更换电池SOH,70%—85%,关注,建议增加巡检并结合其他指标判断电池SOH,85%及以上,正常,状态正常可按计划维护学习得分,低于60,未达标,建议回到基础知识复习学习得分,60—80,基本达标,建议结合错题复盘学习得分,80及以上,良好,可进入拓展任务

样例数据从哪来：直接从原文 page.tsx 的 chapters 常量数组逐字转录成 CSV，不要凭记忆重写——九章的字段内容、45 个关键词、九组章节推断关键词，任何一处走样，教程就和原文对不上了。写完后先跑一遍统计：CSV 必须 9 行、每章关键词拆分后正好 5 个。

6. 骨架搭建

Streamlit 的两段式流程：侧栏收参数 → 主区渲染。骨架只有三十行：

为什么这么写：默认问题用原文的演示问题（含 12℃），三个阈值默认值 12/82/76 与原文 useState 初始值一致，这样任何人打开页面点一下生成，就能复现原文功能测试的三个用例。

第八章智能与智能体工具概览卡（真实浏览器实截）

7. 核心模块逐个实现

7.1 三类阈值判断

阈值逻辑必须抽成纯函数——不碰 streamlit、不碰全局状态，无头测试直接 import 就能断言：

为什么这么写：判断文案逐字对齐原文，”关注”和”基本达标”这类分级词是原文口径，不要改成”警告””及格”自己的发挥。judge_score 与 judge_soh 同构（60/80 两档），此处省略，写法完全一样。

阈值分析输出（真实浏览器实截）

7.2 章节自动推断

原文 inferChapter 的关键词表是九章导航之外的”隐藏知识”，问答体验全靠它：

为什么这么写：计分制而不是”命中即返回”——问题同时命中多组关键词时（”电池温度”既命中第4章的温度也命中电池），得分最高的组赢，与原文行为一致。注意匹配前先 lower()，因为原文关键词里 soh、ai、rag 都是小写。

7.3 模糊问题拦截

原文有个很贴心的细节：问题太短或只是”怎么办”三个字时，不硬答，反问用户要场景：

VAGUE_RE = re.compile(r"^(我们|我|这个|现在)?(需要|应该|要)?(干嘛|干什么|做什么|怎么办|怎么做)[？?。\s]*$")def is_vague(question: str) -> bool:    q = str(question).strip()return len(q) < 5 or bool(VAGUE_RE.match(q))

为什么这么写：必须用锚定正则（^...$）。如果写成子串匹配，”冷藏箱温度12℃怎么办才好”这种正经问题会被误伤成模糊问题——这是复刻时真实踩过的坑，无头测试抓出来的。

7.4 五类任务的模板分发

generate_text 是总调度，与原文 generateText 分支一一对应：

为什么这么写：风险诊断的四类风险（内容/数据/流程/技术边界）和证据链的五要素（数据来源/处理路径/判断依据/人工复核/输出成果）都是原文固定结构，模板里一个都不能少。问答分支 answer_question 内部再按”温度带数字 → SOH → 概念 → 实现思路 → 智能体 → 兜底”的顺序分流，此处省略，逻辑与原文 answerQuestion 的 if 链一致。

问答模式温度类输出（真实浏览器实截）

【判断依据】（当前温度为12.0℃，高于8℃已经触发超温预警。本项目以2—8℃作为通用教学阈值；实际运输时必须以具体货物、合同和企业SOP为准）【建议处置】5 条编号清单、【智能体输出】一行】

模糊问题拦截输出（真实浏览器实截）

：你问的”怎么办”暂时没有说明具体场景……下面列 4 个示例问题（冷链异常、船舶电池、课程学习、项目制作），最后一行”你只要补充”对象＋当前情况＋想知道什么”，我就能继续回答。”】

风险诊断输出（真实浏览器实截）

证据链整理输出（真实浏览器实截）

8. 参数怎么调

三个侧栏数字输入就是三类阈值的”活参数”，改完立即反映到指标卡：

• 冷链温度：<2℃ 指标卡显示”预警”（过度制冷），2—8℃ 显示”正常”，>8℃ 显示”预警”（超温）。改成 5 再生成阈值分析，结论跟着变。
• 电池SOH：<70 高风险，70—84 关注，≥85 正常。默认 82 落在”关注”档——这正是原文功能测试用例之一。
• 学习得分：<60 未达标，60—79 基本达标，≥80 良好。默认 76 落在”基本达标”。

两处容易翻车的口径：温度判断是开区间比较（<2 和 >8 才报警，2 和 8 本身正常）；SOH 与得分是左闭右开（<70 高风险、70 含在关注档；<85 关注、85 含在正常档）。改参数做演示时，边界值（2、8、70、85、60、80）是最好的教学素材——每一个都落在”正常/达标”一侧，学生常常答错。

章节报告输出（真实浏览器实截）

，含”本章围绕知识库、Prompt与智能问答展开”、五个关键词、应用场景、预期输出与设计重点说明】

9. 完整功能测试页

工程里附了一个 full/index.html：双击就能在浏览器里真跑同一套判断逻辑，不需要装 Python。页面顶部有说明条”本页为完整功能测试页，所有结果均为实时计算”，与静态演示页区分。

与 app.py 的对齐结论：同一组输入（第8章 + 温度12 + SOH82 + 得分76 + 阈值分析）下，两者输出一致——12.0℃ 超温预警、82.0% 关注、76.0 基本达标、处置流程六步。本地验证用无头断言跑了 28 项（9 章数据完整性、三阈值九档边界、五类任务分支、模糊问题拦截、章节推断），全部通过；Streamlit 界面用真实浏览器逐模式点击验证，问答/报告/证据链/风险诊断/阈值分析五类输出齐全。

完整功能测试页整页（真实浏览器实截）

10. 总结与扩展

把一个静态教学网页封装成可交互 Agent，方法论就四步：

1. 拆模块：把原文的章节常量、任务模板、阈值规则拆成三块独立资产（两张 CSV + 一组纯函数）；
2. 定控件：章节用下拉框、阈值用数字输入、任务用单选，每个控件对应一个数据维度；
3. 串流程：选择章节 → 识别任务 → 检索知识 → 规则判断 → 生成反馈，五步流水线在 generate_text 一处汇合；
4. 留红线：模糊问题拦截、材料缺失兜底文案、”教学示例阈值，实际以企业SOP为准”的提示，全部保留。

原文局限 ↔ Agent 扩展对照：

作者简介：程苗（Miao Cheng），上海海事大学大数据管理与应用专业本科，擅长 MySQL、R语言、Python、Excel，专注数据整理与统计分析、数据可视化、业务需求分析与 AI 工具应用。

作者系数据分析和智能体应用领域分析师，专注数据整理、可视化与业务需求分析。本报告基于实际可运行版本整理，所有功能说明均与提交源代码保持一致。

结论与展望

核心问题与解决方案

1. 问题一：课程知识怎么组织才能支撑智能判断？ 解决方案：九章 × 六字段结构化（章节名称、主题说明、核心内容、5个关键词、应用场景、预期输出），知识放 CSV 不放代码，换专业只换数据。
2. 问题二：五类任务怎么分发又保持输出可解释？ 解决方案：单一调度函数按模式进入固定模板分支，每类回答带【】小节结构；问答分支前置模糊拦截与计分制章节推断。
3. 问题三：跨语言复刻怎么保证不跑偏？ 解决方案：判断文案逐字搬运 + 无头纯函数断言（28项）+ 真实浏览器逐模式点击验证 + 浏览器测试页 17 项自动化验收，三层验证全部通过。

技术创新与业务价值

1. 技术创新：知识/规则/界面三层解耦（CSV + 纯函数 + 控件），一套判断逻辑三端运行（React、Streamlit、浏览器原生JS），且逐项对齐验证。
2. 业务价值：冷链温度、电池SOH、学习得分三类阈值直接复用行业标准口径，课程展示、专业知识学习、项目答辩辅助可即取即用；换专业场景只需替换知识库 CSV，交付周期从”重新开发”降为”换数据”。

常见问题 FAQ

Q1：这个教学智能体接入大模型了吗？

有。依赖外部大模型API，定位是可解释的教学演示系统。

Q2：冷链温度阈值为什么是 2—8℃？

这是冷藏运输的通用教学示例区间：低于 2℃ 存在过度制冷或货物冻损风险，高于 8℃ 触发超温预警。实际运输必须以具体货物、合同和企业SOP为准。

Q3：电池 SOH 82% 算正常吗？

按本文阈值口径属于”关注”档（70%—85%），应增加巡检并结合其他指标判断；85% 及以上才算正常，低于 70% 是高风险。

Q4：问”怎么办”这类模糊问题时智能体会怎么回答？

会先反问补充场景，并列出冷链异常、船舶电池、课程学习、项目制作四类示例。模糊判断用锚定正则，只拦”整句疑问词”，不会误伤”温度12℃怎么办才好”这类带参数的问题。

Q5：专业问答怎么知道该答哪一章？

维护了九组触发词（如温度、soh、电池归第四章），对问题文本计分，命中最多关键词的章节胜出；同时用锚定正则先拦模糊问题。

Q6：React 版和 Streamlit 版结果一致吗？

一致。同一输入（第八章 + 温度12 + SOH82 + 得分76 + 阈值分析）下，两版输出的温度/SOH/得分结论与六步处置流程逐项相同，并通过 28 项无头断言验证。

Q7：完整功能测试页需要装 Python 吗？

不需要。full/index.html 双击即开，判断逻辑以浏览器原生 JavaScript 移植，与 app.py 逐函数对齐，通过 17 项自动化验收（含 390px 移动端）。

Q8：想换成我自己的专业课程，要改多少代码？

不用改代码。九章知识存于 chapters.csv，阈值规则存于 threshold_rules.csv，换专业只需替换两份 CSV；触发词表若需适配新领域，按同样格式增删即可。

Q9：这套系统适合真实冷链业务吗？

不适合直接用于生产。它缺少真实数据接入、性能实测与多用户场景，价值在于教学演示与方案验证；生产化路径见”后续改进方向”。

Q10：代码、数据和 AI agent 从哪里获取？

本文完整代码、数据与配套AI Agent、skill请阅读原文链接获取；教程章节内含工程目录与逐文件说明。

参考文献与延伸阅读

• 程苗《船舶新能源动力与冷链专业数字化教学智能体》项目报告与源代码（本文章的原始项目，2026）；
• 拓端数据部落：Streamlit + LlamaIndex + OpenAI RAG手机客服多智能体Agent系统（检索增强方向的进阶阅读）；
• 其余参考文献：原文未附。