重庆大学AI训练营+202524021075T+乒乓球训练助理

[Ahead-long666]

一个基于 Nexent 平台、面向业余球员的乒乓球训练助理智能体。
用户用自然语言描述问题,它检索专属知识库后,给出「诊断 + 要领 + 训练方法」的结构化建议。

---

一、项目背景与动机

乒乓球是我国群众基础最广的运动之一,但业余爱好者(0–3 级)在自我提升时普遍面临三个痛点:

1. 资料零散:网络上的教学视频质量参差不齐、缺乏体系,看完之后仍然不知道如何落地到自己的训练中。
2. 缺乏针对性:普通搜索引擎只能给出"泛泛而谈"的答案,无法针对"我反手攻球总是出界"这种具体问题,给出诊断和纠正方案。
3. 私教门槛高:一对一教练价格昂贵、时间不灵活,大多数业余爱好者难以长期负担。

因此,本项目尝试用「大语言模型 + 领域知识库(RAG)」的方式,打造一个"随叫随到的业余教练助理":
用户只需用大白话描述自己的技术问题或训练目标,智能体即可基于权威知识库,输出有依据、可执行、
可量化的训练建议,形成"诊断 → 要领 → 训练方法"的完整闭环。

二、项目简介

「乒乓球训练助理」是在 Nexent 零代码智能体平台上搭建的单智能体应用。它的核心能力如下:

• 接收用户关于技术动作、训练方法、战术、器材、常见问题等方面的提问;
• 自动调用 knowledge_base_search 工具,在专属知识库 pingpong_lib 中检索相关内容;
• 基于检索结果,以统一的"诊断 + 要领 + 训练方法"三段式结构化输出,训练方法精确到"组数 × 球数 × 要点";
• 在知识库未覆盖的问题上主动说明边界、绝不编造;
• 借助用户记忆,记住用户的级别与目标,实现跨对话的个性化建议。

简而言之,它不是一个"什么都聊"的通用聊天机器人,而是一个聚焦乒乓球训练、基于知识、输出规范、有边界的领域助手。

三、系统架构

3.1 总体架构

                       用户提问(自然语言)
                              │
                 ┌────────────▼─────────────┐
                 │   乒乓球训练助理 Agent     │
                 │   运行模型:DeepSeek-V3    │
                 │   (理解意图 + 组织回答)    │
                 └────────────┬─────────────┘
                              │ 调用工具
                 ┌────────────▼─────────────┐
                 │   knowledge_base_search   │
                 │   (向量检索)              │
                 └────────────┬─────────────┘
                              │ 检索
                 ┌────────────▼─────────────┐
                 │   知识库 pingpong_lib     │
                 │   向量模型:Qwen3-Embedding│
                 │   技术/训练/答疑/战术/器材 │
                 └───────────────────────────┘
                              │
                       结构化三段式回答
                  (诊断 / 要领 / 训练方法 + 来源)

3.2 组件说明

组件	选型	作用与选型理由
平台	Nexent (ModelEngine)	零代码搭建智能体,支持知识库、工具、记忆,开发效率高
运行模型	deepseek-ai/DeepSeek-V3	中文理解与结构化输出能力强,工具调用稳定,价格便宜
向量模型	Qwen/Qwen3-Embedding-4B	负责把知识库与问题向量化,中文检索效果好(2560 维)
知识库	pingpong_lib	自建乒乓球领域知识库,是回答的权威依据
工具	knowledge_base_search	在知识库中做向量+关键词混合检索
记忆	用户级个性化记忆	记住用户级别/目标,实现个性化

3.3 一次问答的数据流

1. 用户输入问题(如"我反手攻球老是出界")。
2. Agent(DeepSeek-V3)理解意图,判断这是技术问题,决定调用知识库工具。
3. knowledge_base_search 把问题向量化,在 pingpong_lib 中检索最相关的若干片段。
4. Agent 拿到检索结果,结合用户记忆中的级别信息,组织成三段式回答。
5. 输出"诊断 + 要领 + 训练方法",并在末尾标注来源文件。

四、知识库设计

知识库是本项目的核心资产。我没有使用通用语料,而是自行整理了覆盖五个维度的乒乓球专属知识库:

文件	维度	主要内容
kb_01 技术动作要领	技术	正反手攻球、弧圈、发球接发球、正反手转换的标准要领与常见错误
kb_02 训练方法	训练	多球训练、步法、体能、实战训练的方法与训练量参考
kb_03 常见问题答疑	答疑	业余球员最常问的级别评定、技术诊断、瓶颈突破等问题
kb_04 战术体系	战术	发球抢攻、接发球、相持战术、克制不同打法、比赛战术
kb_05 器材与伤病预防	器材/健康	底板胶皮选择、保养、常见伤病预防与热身放松

设计考量:

• 每个文件聚焦一个维度,边界清晰,便于检索命中。
• 文档内大量使用"错误—原因—纠正"表格和"组数 × 球数"的量化训练量,
  让智能体能够直接给出可执行的方案,而不是空话。
• 在器材、伤病等专业性强的内容上注明"需咨询专业人士",保证回答负责任。

五、提示词与工作流设计

智能体的行为由下面这段业务描述(系统提示词)驱动:

你是一位乒乓球训练助理,服务业余球员(0-3 级)。具备本地知识库检索能力。
工作流:
1. 用户提问后,优先调用 knowledge_base_search 在 pingpong_lib 中检索
2. 基于检索结果,给出"诊断 + 要领 + 训练方法"三段式回答
3. 训练方法必须包含"组数 × 球数 × 要点"
4. 引用知识库内容时,在段末注明来源文件名
5. 知识库没有的内容,明确告知用户,不要编造
6. 首次对话主动询问并记住用户的级别、每周训练次数、训练目标
输出格式:全程简体中文;要点用列表;训练方法用表格;末尾标注来源。

每条规则背后的设计意图:

• 规则 1 强制"先检索再回答",避免模型用通用知识"想当然"。
• 规则 2、3 规定统一的三段式结构和量化要求,让输出稳定、可执行。
• 规则 4 要求标注来源,保证可追溯。
• 规则 5 是边界控制,这是负责任的领域助手的关键。
• 规则 6 配合记忆功能,实现个性化。

六、核心特性详解

1. 领域知识库(RAG)
回答不是凭空生成,而是先在自建知识库中检索,再基于检索结果作答,显著降低"幻觉",并让回答带有领域权威性。

2. 结构化输出
统一的"诊断 / 要领 / 训练方法"三段式,要点用列表、训练量用表格呈现,用户一眼就能看懂、照着练。

3. 个性化记忆
首次对话会主动询问并记住用户的级别、训练频率和目标;之后的回答会结合这些信息,做到"千人千面",无需用户每次重复。

4. 边界控制(不编造)
当问题超出知识库覆盖范围(如具体器材型号推荐、减肥食谱),智能体会明确说明"知识库未覆盖",而不是硬编一个答案,体现了可靠性。

七、功能演示

下面每个场景配一张对话截图,展示对应能力。

场景 1:技术问题诊断

用户提问"我反手攻球老是出界,怎么办?",智能体检索知识库后,给出诊断(摩擦不够/板形问题)、技术要领、以及带组数球数的训练方法。

场景 2:个性化训练计划

用户说明自己的级别与训练频率后,智能体给出针对性的训练菜单。

场景 3:个性化记忆

先告知"我业余 2 级",随后只问"给点建议",智能体能记住级别并据此回答,无需重复说明。

场景 4:边界守护

用户提出超纲问题(如"推荐一款减肥食谱"),智能体明确说明知识库未覆盖,不编造。

八、测试与评估

用例	输入	是否检索知识库	输出是否符合格式	结论
技术诊断	反手攻球出界	是	是(三段式)	通过
战术问答	削球手怎么打	是	是	通过
器材问答	底板胶皮怎么选	是	是	通过
训练计划	1 级升 2 级训练菜单	是	是(含训练量)	通过
个性化记忆	先告知级别再问建议	是	是(按级别)	通过
边界守护	减肥食谱	否	是(明确拒答)	通过

评估结论:在覆盖范围内的问题,智能体均能正确检索并按规范输出;
在超纲问题上能稳定守住边界,不产生编造内容。整体达到了"有依据、可执行、有边界"的设计目标。

九、附件

智能体配置导出(JSON)与知识库样本文件,已打包在下方压缩包中:

pingpong_materials.zip