工作原理
MarkdownFlow 通过复杂的处理管道将源文档转换为个性化的交互式页面。理解这个工作流程有助于您编写更有效的 MarkdownFlow 文档。
为 AI 写提示词，而非为人类写内容
核心原则
您编写的内容不是直接面向读者的——而是 AI 的提示词。
这种思维转变对于创建有效的 MarkdownFlow 文档至关重要。
简单示例
考虑这两种处理相同内容的方法：
传统方式（为人类写作）：
MarkdownFlow（为 AI 写作）：
MarkdownFlow 版本不直接告诉读者关于 Python 的信息。相反，它指导 AI 如何生成个性化解释。对网页开发感兴趣的初学者可能会收到：
Python 就像用简单英语写指令——非常适合使用 Django 等框架构建您的第一个网站。
而对数据科学感兴趣的高级程序员可能会得到：
Python 拥有包含 NumPy 和 Pandas 的广泛科学计算生态系统，使其成为数据分析和机器学习的事实标准。
这就是 MarkdownFlow 的精髓：编写指导 AI 创建内容的提示词，而不是编写内容本身。
文档结构
MarkdownFlow 源文档由两个主要部分组成：内容提示词和文档提示词。
对于熟悉大语言模型的人：文档提示词充当系统提示词，而内容提示词充当用户提示词。
1. 内容提示词
您文档的主体。所有内容都将由 MarkdownFlow 智能体转换。
2. 文档提示词
指导内容源应如何被 MarkdownFlow 智能体转换的指令。读者从不直接看到文档提示词——他们只看到基于内容源的 AI 生成结果。
虽然是可选的，但强烈建议使用文档提示词，因为它们提供对整个文档渲染的全局控制。用于：
- 输出格式：指定语言、语气和写作风格
- 个性化规则：定义内容如何适应不同用户类型
- 内容指南：为生成的内容设置边界和要求
- 全局变量：建立文档范围的参数
文档提示词示例：
语言：适应 {{browser_language}}
语气：专业但友好
风格：清晰简洁
个性化：根据 {{level}} 调整复杂度
格式：使用与 {{industry}} 相关的示例
约束：除非要求详情，否则保持解释在100字以内
处理工作流程
以下是 MarkdownFlow 如何将您的源文档转换为最终输出：
flowchart LR
A[源文档] --> B[内容块<br>分割]
B --> C[变量<br>替换]
C --> D[大语言模型<br>生成]
D --> E{交互元素?}
E -->|是| F[用户<br>输入]
E -->|否| G{更多块?}
F --> G
G -->|是| C
G -->|否| H[最终<br>输出]
style A fill:#e1f5fe
style H fill:#c8e6c9
style D fill:#fff3e0
style F fill:#f3e5f5步骤1：内容块分割
为了更好的处理效果，MarkdownFlow 智能体将内容提示词分为几个块。首先处理第一个块。
步骤2：变量替换
当前块中的变量被具体值替换。未分配的变量被替换为"UNKNOWN"。
更多详情请参见变量部分。
步骤3：大语言模型生成
文档提示词和当前内容块被发送到大语言模型。大语言模型输出仍为 MarkdownFlow 格式的转换后内容。
步骤4：交互元素处理
如果当前块包含按钮或输入框，系统显示交互界面并等待用户输入。输入结果存储在变量中。
更多详情请参见按钮/输入部分。
步骤5：迭代
返回步骤2处理下一个块。这会持续直到所有块都被处理完毕。