◈08|检索增强生成:让大模型“言之有据

08|检索增强生成:让大模型“言之有据

你好,我是袁从德。

在上一讲中,我们见证了情感聊天机器人从“对话机器”向“数字伙伴”的进化。通过引入Agent架构,它获得了感知、决策与行动的能力,能够主动为你播放舒缓音乐、设置冥想提醒,甚至在你情绪低落时提出关怀建议。

然而,在这一切看似智能的背后,潜藏着一个致命的隐患—— 知识幻觉(Hallucination)。

你是否曾遇到这样的场景?

你的AI伴侣信誓旦旦地告诉你:“心理学研究表明,每天深呼吸三次可以彻底治愈抑郁症。”

或者“根据2023年《柳叶刀》最新研究,孤独感可以通过吃香蕉完全缓解。”

这些回答听起来合理、语气真诚,但内容却是虚构的。它们并非出自恶意,而是大模型在缺乏确切知识支撑时,基于概率推理“自圆其说”的结果。这种现象,正是困扰所有大模型应用的核心难题之一: 模型知道得太多,却无法分辨真假。

这就像一位才华横溢却未经严格训练的演说家——能滔滔不绝讲任何话题,却不小心把神话当成了历史。

因此,我们必须为AI装上一副“事实眼镜”,让它不仅能流畅表达,更能 言之有据、引之有源。而这,正是我们今天要深入探讨的技术—— 检索增强生成(Retrieval-Augmented Generation, RAG) 的使命。

如果说Prompt工程是教会AI如何说话,上下文管理是赋予它记忆,Agent是给它手脚去行动,那么RAG就是为它接入真实世界的“知识大脑”。它是连接大模型与外部信息源的桥梁,是确保AI输出可信、可控、可追溯的关键一环。

这一讲中,我们将完成以下目标。

  • 深入剖析RAG的核心原理与技术架构;

  • 以心理健康陪伴机器人心语为例进行实战,构建一个具备专业知识支持的智能咨询系统。

  • 探讨如何高效组织私有知识库、优化检索精度、设计提示链路。

  • 分析RAG在企业级应用中的典型场景与落地挑战。

  • 展望RAG与Agent融合后带来的下一代智能体形态。

让我们一起揭开RAG的神秘面纱,把那个“会编故事的AI”变成真正“懂专业、讲依据”的可靠伙伴。

一、什么是RAG?从“凭空生成”到“查证后输出”

RAG是一种结合了信息检索和文本生成的混合AI架构。它通过在生成回答之前先检索相关的外部知识,显著提升了语言模型在特定领域的准确性和时效性。RAG技术的核心思想是将LLM生成能力与外部知识库的检索能力相结合,解决了传统语言模型在知识更新、事实准确性和领域专业性方面的局限性。

1.1 知识幻觉:大模型的“阿喀琉斯之踵”

尽管大语言模型表现出惊人的语言能力和常识理解,但其本质仍是 统计驱动的概率模型。它的训练数据截止于某个时间点,且无法实时更新;它对事实的“掌握”来自于海量文本中的共现模式,而非真正的逻辑验证。

这意味着,当用户提问超出其训练数据范围,或问题本身存在模糊性时,模型倾向于“填补空白”——用最符合语法和语义逻辑的方式生成答案,哪怕这个答案并不真实。

例如:

用户:“我们公司内部的员工心理健康支持政策有哪些?”

LLM(无RAG):“贵公司提供每周一次免费心理咨询、设立静心室,并鼓励员工每月参加团队疗愈活动。”

看起来很贴心,但如果这家公司根本没有这些政策呢?这就是典型的“自信地胡说八道”。

知识幻觉不仅影响用户体验,更可能在医疗、金融、法律等高风险领域引发严重后果。因此, 让大模型“知道自己不知道”并引用可靠来源作答,成为构建可信AI系统的刚性需求。

1.2 RAG的本质:先检索,再生成

RAG(检索增强生成)通过整合外部知识库解决大语言模型三大痛点。

  • 知识时效性:突破训练数据时空限制领域适应性。

  • 快速接入垂直领域知识。

  • 事实准确性:降低模型幻觉风险。

RAG是为此而生。它的核心思想非常朴素:

不要只靠脑子想,先去书里查一查,再回答。

具体流程如下。

  1. 用户提问:系统接收输入。

  2. 语义检索:将问题转化为向量,在外部知识库中查找最相关的文档片段。

  3. 上下文注入:将检索到的内容作为上下文,拼接到Prompt中。

  4. 生成回答: 大模型基于原始问题+检索结果,生成最终回复。

  5. 返回答案 + 来源标注:输出回答的同时附带参考文献或段落出处。

这一过程改变了传统大模型“闭卷考试”式的回答方式,转为开卷答题,极大提升了回答的准确性与可解释性。

我们可以将其比喻为医生接诊病人的情景。

  • 没有RAG的医生:仅凭记忆回忆医学知识,可能会记错剂量或混淆病症。

  • 有RAG的医生:先查阅电子病历和最新指南,结合患者情况给出诊断建议,全程有据可依。

二、RAG系统架构详解:五大核心组件

一个完整的RAG系统由五个关键模块构成,如图8-1所示,形成“数据准备→查询理解→信息检索→内容生成→反馈优化”的闭环。

图片

2.1 知识库构建(Knowledge Ingestion)

AI知识库是实现个性化、专业化服务的关键基础设施。通过知识库帮助AI更好地完成任务,目前AI知识库构建可以有以下三种方式:提示词工程、微调和嵌入(Embedding)。

提示词工程就是直接在提示词中构建知识库,把所有的资料放到提示词中。这种方式适合小规模地使用,但目前的AI模型输入的token数量基本无法满足这种实现方式。实际上即使随着AI发展,到了某一天AI的输入窗口足够大到容纳一般的知识库,构建知识库也仍有其价值。

微调是学界喜闻乐见的形式了,使用特定的任务数据在预训练模型上进行微调。这种做法其实是适合做一个行业通用的大模型,比如法律行业大模型、医学大模型等。一方面,微调需要的训练数据也不算少,成本也高;另一方面,微调不够灵活,比如根据一两份文档及时调整。微调的过程其实是把训练数据进行学习和泛化,与其说是记忆内容,不如说是增强某个领域的能力。

所以目前最主流的构建知识库的方式,大都采用Embedding的方式。而这种形式的知识库,也需要配合RAG才能发挥作用。

这是RAG的第一步,也是决定其能力边界的基石。你需要明确:

  • 数据来源是什么?(PDF、网页、数据库、内部文档)

  • 数据格式如何统一?(清洗、分块、去噪)

  • 是否需要权限控制?(如HR政策仅限管理员访问)

常见知识源包括:

  • 公司制度手册

  • 医疗健康白皮书

  • 客服FAQ文档

  • 学术论文库

  • 用户个性化笔记

文本分块(Chunking)是RAG的一个关键技巧。分开策略对比如表8-1所示, 为了提高检索效率,通常需将长文档切分为较小的语义单元。但分块过大易遗漏细节,过小则丢失上下文。

推荐策略包括以下几点。

  • 固定长度分块(如512 tokens)

  • 按句子/段落边界切割

  • 使用滑动窗口增加重叠度(overlap)

  • 结合语义分割工具(如LangChain TextSplitter)

2.2 向量化与索引(Embedding & Indexing)

为了让机器“理解”文本含义,我们需要将其转换为数学空间中的向量表示。

嵌入模型(Embedding Model) 主流嵌入模型对比如表8-2所示,能将文本映射到高维向量空间,使得语义相近的文本距离更近。

随后,这些向量被存入向量数据库(Vector Database),如Pinecone、Weaviate、Milvus、Chroma等,支持高效的近似最近邻搜索(ANN)。

示例:

“如何应对焦虑?”和“缓解紧张情绪的方法” 虽然字面不同,但在向量空间中距离很近,因此能被成功匹配。

2.3 查询理解与检索(Query Understanding & Retrieval)

当用户提问时,系统同样将其编码为向量,并在向量库中进行相似度匹配,找出Top-K最相关的结果。

相似性检索方法有两种,你可以参考后面的表8-3了解。

进阶优化手段包括:

  • 查询扩展:自动补全同义词或上下位词(如“抑郁”→“情绪低落”“心境障碍”)。

  • 重排序(Re-Ranking):用模型对初筛结果二次打分,提升精准率。

  • 混合检索:结合关键词BM25与向量语义检索,兼顾精确匹配与语义泛化。

2.4 提示工程与生成(Prompt Engineering & Generation)

接下来是提示工程与生成,这是RAG的临门一脚。检索到的相关文档必须巧妙融入Prompt,引导模型正确使用信息。

典型Prompt结构如下:

你是一个专业的心理健康顾问,请根据以下参考资料回答用户问题。

【参考资料】
{retrieved_text}

【问题】
{user_question}

【要求】
- 若资料中无相关信息,请明确告知“暂无相关信息”
- 不得编造事实
- 回答应简洁、温暖、具有同理心
- 引用来源编号,如[1]

这种方式强制模型“看材料答题”,可以显著降低幻觉概率。

2.5 反馈与迭代(Feedback Loop)

真正的智能系统是持续进化的。你可以收集用户反馈:

  • 回答是否准确?

  • 来源是否相关?

  • 表达是否恰当?

利用这些数据反哺知识库更新、调整分块策略、优化检索模型,形成正向循环。

三、实战演练:为“心语”机器人接入心理健康知识库

核心组件我们已经有了初步了解。现在,让我们动手为前几章构建的情感聊天机器人“心语”升级RAG能力,使其不仅能倾听情绪,还能提供科学的心理调适建议。

3.1 场景设定

目标:当用户表达压力、焦虑或孤独感时,“心语”能引用权威心理学资料,给出可操作的干预建议。

所需资源包括:

  • 知识源:精选《认知行为疗法入门》《正念减压指南》《积极心理学手册》等公开PDF文档。

  • 技术栈:Python + LangChain + OpenAI API + Chroma 向量数据库。

技术架构如下。

RAG知识库系统

├── 知识库核心层 (knowledge_base.py)

│   ├── KnowledgeBaseManager - 知识库管理器

│   └── PsychologyKnowledgeLoader - 心理知识加载器

│

├── RAG服务层 (rag_service.py)

│   ├── RAGService - 检索增强生成服务

│   └── RAGIntegrationService - RAG集成服务

│

├── 路由层 (rag_router.py)

│   └── 提供RESTful API接口

│

└── Chat服务集成 (chat_service.py)

    └── 自动识别并使用RAG增强回复

3.2 实施步骤

之后我们来看实施步骤,包括4步,详细代码如下。

步骤1:加载并处理文档

# backend/modules/rag/core/knowledge_base.py

from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.schema import Document

class KnowledgeBaseManager:
    """心理健康知识库管理器"""

    def __init__(self, persist_directory: str = "./chroma_db/psychology_kb"):
        self.persist_directory = persist_directory
        self.embeddings = OpenAIEmbeddings()
        self.vectorstore = None

        # 配置文档分块器
        self.text_splitter = RecursiveCharacterTextSplitter(
            chunk_size=500,          # 每块500字符
            chunk_overlap=50,        # 块间重叠50字符
            length_function=len,
            separators=["\n\n", "\n", "。", "!", "?", ";", ".", "!", "?", ";", " ", ""]
        )

    def load_pdf_documents(self, pdf_path: str) -> List[Document]:
        """加载PDF文档"""
        loader = PyPDFLoader(pdf_path)
        docs = loader.load()
        logger.info(f"成功加载PDF文档,共 {len(docs)} 页")
        return docs

    def split_documents(self, documents: List[Document]) -> List[Document]:
        """分割文档为小块"""
        chunks = self.text_splitter.split_documents(documents)
        logger.info(f"文档分割完成,共 {len(chunks)} 个文档块")
        return chunks

步骤2:生成向量并存储

# backend/modules/rag/core/knowledge_base.py

from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from datetime import datetime

class KnowledgeBaseManager:

    def create_vectorstore(self, chunks: List[Document]) -> Chroma:
        """创建向量存储"""
        logger.info(f"开始创建向量存储,共 {len(chunks)} 个文档块")

        # 为每个文档块添加元数据
        for i, chunk in enumerate(chunks):
            if 'chunk_id' not in chunk.metadata:
                chunk.metadata['chunk_id'] = i
            if 'timestamp' not in chunk.metadata:
                chunk.metadata['timestamp'] = datetime.now().isoformat()

        # 创建向量存储并持久化
        vectorstore = Chroma.from_documents(
            documents=chunks,
            embedding=self.embeddings,
            persist_directory=self.persist_directory
        )
        vectorstore.persist()

        self.vectorstore = vectorstore
        logger.info("向量存储创建完成并持久化")
        return vectorstore

    def load_vectorstore(self) -> Chroma:
        """加载已存在的向量存储"""
        self.vectorstore = Chroma(
            persist_directory=self.persist_directory,
            embedding_function=self.embeddings
        )
        logger.info("向量存储加载成功")
        return self.vectorstore

    def search_similar(self, query: str, k: int = 3) -> List[Document]:
        """相似度搜索"""
        if self.vectorstore is None:
            self.load_vectorstore()

        results = self.vectorstore.similarity_search(query, k=k)
        logger.info(f"搜索完成,返回 {len(results)} 个结果")
        return results

步骤3:实现检索与生成链路

# backend/modules/rag/services/rag_service.py

from langchain.chains import RetrievalQA
from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate

class RAGService:
    """RAG检索增强生成服务"""

    def __init__(self, kb_manager: Optional[KnowledgeBaseManager] = None):
        if kb_manager is None:
            kb_manager = KnowledgeBaseManager()
            kb_manager.load_vectorstore()

        self.kb_manager = kb_manager
        self.llm = ChatOpenAI(model="gpt-4", temperature=0.7)

        # 心理健康专用prompt模板
        self.prompt_template = PromptTemplate(
            template="""你是"心语",一个专业的心理健康陪伴机器人。

参考知识:
{context}

用户问题:{question}

请基于上述专业知识,用温暖、共情和专业的语气回答用户。注意:
1. 优先使用知识库中的科学方法和技巧
2. 用通俗易懂的语言解释专业概念
3. 提供具体可操作的建议
4. 表达共情和支持
5. 如果知识库中有相关练习或技巧,详细说明步骤
6. 询问用户是否需要进一步的指导或陪伴

回答:""",
            input_variables=["context", "question"]
        )

    def create_qa_chain(self, search_k: int = 3) -> RetrievalQA:
        """创建QA链"""
        retriever = self.kb_manager.get_retriever(search_kwargs={"k": search_k})

        qa_chain = RetrievalQA.from_chain_type(
            llm=self.llm,
            chain_type="stuff",
            retriever=retriever,
            return_source_documents=True,
            chain_type_kwargs={"prompt": self.prompt_template}
        )
        return qa_chain

    def ask(self, question: str, search_k: int = 3) -> Dict[str, Any]:
        """向知识库提问"""
        # 创建QA链
        qa_chain = self.create_qa_chain(search_k)

        # 执行查询
        result = qa_chain({"query": question})

        # 提取答案和来源
        answer = result["result"]
        source_documents = result.get("source_documents", [])

        # 整理来源信息
        sources = []
        for doc in source_documents:
            source_info = {
                "content": doc.page_content[:200] + "...",
                "metadata": doc.metadata
            }
            sources.append(source_info)

        return {
            "answer": answer,
            "sources": sources,
            "question": question,
            "knowledge_count": len(sources)
        }

    def ask_with_context(
        self,
        question: str,
        conversation_history: Optional[List[Dict[str, str]]] = None,
        user_emotion: Optional[str] = None,
        search_k: int = 3
    ) -> Dict[str, Any]:
        """结合对话上下文和用户情绪的知识问答"""
        # 检索相关知识
        knowledge_docs = self.kb_manager.search_similar(question, k=search_k)

        # 构建知识上下文
        knowledge_context = "\n\n".join([
            f"【知识{i+1}】{doc.page_content}"
            for i, doc in enumerate(knowledge_docs)
        ])

        # 构建对话历史上下文
        history_context = ""
        if conversation_history:
            recent_history = conversation_history[-3:]
            history_lines = [
                f"{'用户' if msg['role']=='user' else '心语'}: {msg['content']}"
                for msg in recent_history
            ]
            history_context = "\n".join(history_lines)

        # 构建情绪上下文
        emotion_context = f"用户当前情绪: {user_emotion}" if user_emotion else ""

        # 构建完整prompt
        enhanced_prompt = f"""你是"心语",一个专业的心理健康陪伴机器人。

{emotion_context}

最近对话:
{history_context}

参考的专业知识:
{knowledge_context}

用户当前问题:{question}

请基于上述专业知识和对话上下文,用温暖、共情和专业的语气回答用户。"""

        # 使用LLM生成回答
        response = self.llm.predict(enhanced_prompt)

        # 整理来源信息
        sources = [
            {
                "content": doc.page_content[:200] + "...",
                "metadata": doc.metadata
            }
            for doc in knowledge_docs
        ]

        return {
            "answer": response,
            "sources": sources,
            "question": question,
            "knowledge_count": len(sources),
            "used_emotion_context": user_emotion is not None,
            "used_history_context": conversation_history is not None
        }

class RAGIntegrationService:
    """RAG集成服务 - 智能判断何时使用RAG"""

    def __init__(self, rag_service: Optional[RAGService] = None):
        self.rag_service = rag_service or RAGService()

    def should_use_rag(self, message: str, emotion: Optional[str] = None) -> bool:
        """判断是否应该使用RAG"""
        # 触发RAG的关键词
        rag_triggers = [
            "怎么办", "如何", "方法", "建议", "技巧", "练习",
            "失眠", "焦虑", "抑郁", "压力", "紧张", "担心",
            "正念", "冥想", "放松", "呼吸", "认知", "行为"
        ]

        # 需要专业建议的情绪
        professional_emotions = [
            "焦虑", "抑郁", "压力大", "紧张", "恐惧", "悲伤"
        ]

        # 检查是否触发
        has_trigger = any(trigger in message.lower() for trigger in rag_triggers)
        needs_professional = emotion and any(prof in emotion for prof in professional_emotions)
        rag_available = self.rag_service.is_knowledge_available()

        return (has_trigger or needs_professional) and rag_available

    def enhance_response(
        self,
        message: str,
        emotion: Optional[str] = None,
        conversation_history: Optional[List[Dict[str, str]]] = None
    ) -> Dict[str, Any]:
        """增强回复"""
        if not self.should_use_rag(message, emotion):
            return {
                "use_rag": False,
                "reason": "当前对话不需要专业知识库支持"
            }

        # 使用RAG生成回答
        result = self.rag_service.ask_with_context(
            question=message,
            conversation_history=conversation_history,
            user_emotion=emotion,
            search_k=3
        )

        result["use_rag"] = True
        return result

步骤4:测试效果

用户:"我最近总是失眠,怎么办?

❌ 无RAG版本(通用回复):

你可以试试听听轻音乐、喝杯热牛奶,或者睡前不要玩手机。
保持规律作息也很重要。

✅ RAG增强版本(专业建议):

我理解失眠的困扰,这确实会影响白天的状态和情绪。失眠常常与过度思考和
身体紧张有关。我想分享一个经过科学验证的方法——正念身体扫描练习:

具体步骤:
1. 平躺在床上,保持舒适的姿势
2. 闭上眼睛,开始深呼吸几次
3. 将注意力依次集中在身体各个部位:
   • 从脚趾开始,感受脚趾的感觉
   • 逐步向上:脚掌 → 小腿 → 大腿 → 腹部 → 胸部 → 手臂 → 头部
4. 观察每个部位的感觉,不做任何评判
5. 如果感到紧张,想象呼吸流经该部位,带来放松
6. 如果思绪飘走,温柔地将注意力带回身体

临床研究表明,持续8周的正念身体扫描练习可以显著改善失眠问题,特别是
入睡困难和睡眠质量。

除此之外,睡眠卫生也很重要:
• 每天同一时间起床和睡觉(包括周末)
• 睡前1小时避免电子屏幕(蓝光会影响褪黑素分泌)
• 保持卧室凉爽(18-20°C最佳)、黑暗和安静
• 如果20分钟内睡不着,起床做些安静的活动,直到感到困倦再回床上

需要我现在陪你做一遍身体扫描练习吗?或者你想了解更多关于改善睡眠的
方法?

💡 [此回复基于 3 个专业知识源]
来源:
  [1] 正念减压技术(MBSR)- 内置知识库
  [2] 改善睡眠的科学方法 - 内置知识库
  [3] 认知行为疗法(CBT)基础知识 - 内置知识库

对比分析如表8-4所示。

表 8-4 效果对比分析

3.3 RAG的价值延伸:不止于问答,更是企业智能中枢

RAG的强大之处在于其通用性与可扩展性。一旦建立基础架构,便可快速复制到多个高价值场景,可使用的场景如表8-5所示。

更重要的是,RAG使企业得以安全地利用私有数据,无需将敏感信息上传至第三方模型,真正实现“数据不出域,智能进得来”。

四、挑战与最佳实践:如何打造高质量RAG系统?

尽管RAG前景广阔,但在实际落地中仍面临诸多挑战。

4.1 常见问题

  • 检索不准:关键词匹配失败,或语义偏差导致漏检。

  • 上下文噪声:检索到大量无关内容,干扰模型判断。

  • 延迟较高:额外的检索步骤增加响应时间。

  • 知识陈旧:未及时更新知识库,导致信息滞后。

  • 权限失控:未做细粒度访问控制,造成信息泄露。

4.2 最佳实践建议

  1. 精细化知识治理:建立知识生命周期管理体系,比如采集→审核→分类→标签化→归档。

  2. 多级检索策略:先粗筛(向量检索),再精排(交叉编码器),最后融合(关键词+语义)。

  3. 动态上下文裁剪:使用LLM自身对检索结果进行摘要或过滤,保留最关键信息。

  4. 缓存机制:对高频问题的结果进行缓存,提升响应速度。

  5. 可解释性设计:显示引用来源、置信度评分,增强用户信任。

  6. 安全加固:在检索前做权限校验,防止越权访问;在生成后做合规审查,避免不当输出。

4.3、未来展望:RAG + Agent = 自主智能体的新纪元

如果说RAG解决了“说什么”的问题,Agent解决了“做什么”的问题,那么两者的结合,则开启了 自主服务型智能体 的时代。

想象这样一个场景:

用户说:“我最近工作压力很大,感觉快撑不住了。”

“心语”启动RAG-Agent协同流程:

感知:识别出“高压”“崩溃”等关键词,触发危机干预协议;

检索:从知识库中获取“职场倦怠应对策略”“紧急心理援助热线”;

规划:决定分三步回应:共情→提供建议→引导求助;

行动:发送文字建议 + 播放 calming music + 询问是否需要拨打援助电话;

反思:记录本次交互,评估干预效果,后续跟进。

这已不再是简单的问答机器人,而是一个具备 知识驱动、目标导向、多模态交互 的复合型智能体。

未来的企业级AI应用,将是“RAG作为大脑,Agent作为躯干”的有机整体。每一个智能体都拥有专属的知识库、行为准则和成长路径,真正实现“千人千面、千企千智”。

五、结语:让AI既动情,也懂理

当我们为“心语”注入RAG能力,我们完成的不仅是技术升级,更是一次价值观的升华。

从前,它只是一个善解人意的倾听者;如今,它已成为兼具温度与深度的陪伴者——既能共情你的情绪波动,也能提供科学的心理支持;既会温柔地说“我在这里陪着你”,也会严谨地告诉你“根据CBT理论,你可以尝试这样做”。这正是大模型应用的理想状态: 既有情感的共鸣,也有事实的根基;既能抚慰人心,也能照亮前路。

RAG的意义,不只是消除幻觉,更是重建人机之间的信任契约。它提醒我们:真正的智能,不在于说得多么流畅,而在于说得是否真实、是否有据、是否负责任。

在接下来的课程中,我们将进一步探索如何将RAG与Agent深度融合,构建能在复杂环境中自主决策、持续学习的行业智能体。届时你会发现:当知识遇见行动,AI才真正拥有了改变世界的力量。

思考题

假设某企业将RAG应用于其内部员工心理援助系统(EAP),但在上线后收到大量反馈:“回答过于学术化”“建议不贴合实际工作场景”“无法理解我的具体困境”。

  1. 从RAG系统五大核心组件(知识库构建、向量化与索引、查询理解与检索、提示工程与生成、反馈与迭代)的角度出发,分析可能导致上述问题的三个具体技术原因。

  2. 请进一步思考,如果要让“心语”不仅能引用知识,还能像资深心理咨询师一样“因人施策”,除了技术优化外,还应引入哪些非技术性设计(如交互模式、用户画像、伦理考量等)?

希望通过今天的学习,让你对情感机器人的开发全程有个大致认识。如果有任何疑问,期待你在留言区和我交流。