《AI大模型应知应会100篇》第35篇:Prompt链式调用:解决复杂问题的策略
第35篇:Prompt链式调用:解决复杂问题的策略
摘要
在大模型应用中,单次提示的能力往往受限于上下文长度和任务复杂度。为了解决这些问题,Prompt链式调用应运而生。本文将深入探讨如何通过分解任务、设计逻辑链路、传递中间结果,构建强大的链式调用系统,帮助读者掌握解决复杂问题的策略。文章涵盖理论基础、常见模式、实战代码以及真实案例,旨在提供一套可复用的技术框架。
核心概念与知识点
1. 链式调用基础理论
问题分解的认知基础
复杂的任务通常需要分步骤完成,例如数学问题求解、文档分析或企业知识库问答。人类在面对这类问题时,会自然地将其分解为多个子任务,逐步推导出最终答案。这种“分而治之”的思想同样适用于大模型的提示工程。
单次提示的能力边界
大模型(如GPT-4)虽然强大,但其单次提示的上下文长度有限(如8K或32K tokens),且处理能力受限于输入输出的清晰性。对于超出单次提示范围的任务,链式调用成为必要手段。
链式思维的逻辑结构
链式调用的核心在于任务分解和中间结果传递。每个子任务的输出作为下一个子任务的输入,形成一个逻辑链条。通过这种方式,可以将复杂问题逐步简化为多个简单任务。
中间结果的传递与处理
中间结果的传递需要确保信息的完整性和一致性。这包括:
- 数据格式化:确保中间结果以统一格式传递。
- 错误检测:对异常输出进行处理,避免影响后续步骤。
- 上下文管理:保留必要的上下文信息,避免信息丢失。
2. 常见链式模式
线性链:顺序执行的步骤设计
线性链是最简单的链式模式,适用于有明确步骤顺序的任务。例如,数学问题求解:
- 提取问题中的关键变量。
- 应用公式计算中间结果。
- 整合中间结果生成最终答案。
from langchain import PromptTemplate, LLMChain# 定义第一步:提取关键变量
extract_template = PromptTemplate(input_variables=["problem"],template="从以下问题中提取关键变量和公式:{problem}"
)
step_1_chain = LLMChain(llm=llm, prompt=extract_template)# 定义第二步:计算中间结果
calculate_template = PromptTemplate(input_variables=["variables"],template="根据以下变量和公式计算结果:{variables}"
)
step_2_chain = LLMChain(llm=llm, prompt=calculate_template)# 定义第三步:生成最终答案
final_template = PromptTemplate(input_variables=["result"],template="整合以下中间结果生成最终答案:{result}"
)
step_3_chain = LLMChain(llm=llm, prompt=final_template)# 示例调用
problem = "求解方程 x^2 - 5x + 6 = 0"
variables = step_1_chain.run(problem)
result = step_2_chain.run(variables)
final_answer = step_3_chain.run(result)
print(final_answer) # 输出:x = 2 或 x = 3
分支链:条件判断与路径选择
分支链适用于需要根据条件选择不同路径的任务。例如,用户提问分类后选择不同的回答模板:
- 判断问题类型(技术问题 vs 非技术问题)。
- 根据类型选择对应的回答模板。
迭代链:循环精炼与改进结果
迭代链适用于需要反复优化的任务,例如文本润色或代码调试。每次迭代都会基于前一次的结果进行改进。
多链协作:并行处理与结果合并
多链协作适用于可以并行处理的任务,例如同时分析多个文档段落并将结果汇总。
总结
线性链:按照固定顺序执行的一系列步骤。
def step1():# 步骤1的代码passdef step2(result_from_step1):# 使用step1的结果pass# 执行线性链
step1()
result = step2(step1())
分支链:根据条件判断选择不同的路径。
def choose_path(condition):if condition:return "path_a"else:return "path_b"result = some_condition ? execute_path_a() : execute_path_b()
迭代链:循环执行某个步骤,直到满足特定条件。
while not condition_met:result = refine_result(result)
多链协作:多个链并行处理,最后合并结果。
3. 链式提示工程技巧
任务边界清晰划分方法
清晰的任务边界是链式调用成功的关键。每个子任务应具有明确的输入输出定义。例如,在文档分析任务中:
- 子任务1:提取文档中的关键主题。
- 子任务2:对每个主题生成详细摘要。
提示间上下文传递优化
为了减少上下文丢失,可以使用状态管理器保存中间结果,并在需要时动态加载。例如,LangChain支持通过Memory
模块实现上下文管理。
错误处理与异常分支设计
在链式调用中,错误处理尤为重要。可以通过设置默认值或回退机制来应对异常情况。例如:
- 如果某一步返回空结果,则跳过该步并记录日志。
提示模板化与参数化设计
通过模板化设计,可以提高链式调用的灵活性和可复用性。例如,使用PromptTemplate
定义通用模板,并通过参数动态填充内容。
4. 链式框架与工具
LangChain链式处理实现
LangChain是一个强大的链式处理框架,支持多种链式模式。以下是一个简单的线性链实现:
from langchain.chains import SimpleSequentialChain# 定义子任务链
chain = SimpleSequentialChain(chains=[step_1_chain, step_2_chain, step_3_chain])# 调用链式处理
final_output = chain.run(problem)
print(final_output)
自定义链式调用架构设计
对于特定需求,可以自定义链式架构。例如,使用Python类实现分支链:
class BranchingChain:def __init__(self, condition_fn, true_chain, false_chain):self.condition_fn = condition_fnself.true_chain = true_chainself.false_chain = false_chaindef run(self, input_data):if self.condition_fn(input_data):return self.true_chain.run(input_data)else:return self.false_chain.run(input_data)
提示链的监控与调试方法
使用日志记录每一步的输入输出,便于排查问题。例如:
import logging
logging.basicConfig(level=logging.INFO)def log_step(step_name, input_data, output_data):logging.info(f"Step: {step_name}, Input: {input_data}, Output: {output_data}")
链式处理的性能优化策略
- 批量处理:将多个相似任务打包处理,减少API调用次数。
- 缓存中间结果:避免重复计算,提升效率。
案例与实例
1. OpenAI的GPT-4代理使用链式思维解决数学问题
OpenAI展示了一个代理系统,通过链式调用解决复杂的微积分问题。每一步包含公式提取、变量替换和结果计算,最终生成完整的解答过程。
图:链式调用解决微积分问题的逻辑流程
2. Anthropic Claude完成复杂文档分析的链式方法
Claude通过链式调用分析一份100页的法律合同,逐步提取条款、生成摘要,并标记风险点。整个过程分为5个子任务,耗时仅需5分钟。
3. LangChain在企业知识库问答中的链式应用案例
某企业使用LangChain构建了一个知识库问答系统,通过链式调用实现以下功能:
- 提取用户问题的关键实体。
- 在知识库中搜索相关文档。
- 对搜索结果生成简洁回答。
总结与扩展思考
链式调用与人类认知过程的相似性
链式调用的设计灵感来源于人类解决问题的方式。通过分解任务、传递中间结果,模型能够模拟人类的逐步推理过程。
复杂推理任务的自动链路规划可能性
未来,随着模型能力的提升,或许可以实现自动化链路规划,即模型自动设计链式调用的逻辑结构。
模型能力进化对链式设计复杂度的影响
随着模型能力的增强,单次提示的边界将逐渐扩大,但链式调用仍将是解决复杂问题的重要工具。
附录:技术工具链推荐
工具/框架 | 特性亮点 |
---|---|
LangChain | 支持多种链式模式,灵活易用 |
OpenAI API | 强大的语言模型,适合复杂任务分解 |
Anthropic API | 注重安全性和可控性,适合敏感任务 |
相关文章:
《AI大模型应知应会100篇》第35篇:Prompt链式调用:解决复杂问题的策略
第35篇:Prompt链式调用:解决复杂问题的策略 摘要 在大模型应用中,单次提示的能力往往受限于上下文长度和任务复杂度。为了解决这些问题,Prompt链式调用应运而生。本文将深入探讨如何通过分解任务、设计逻辑链路、传递中间结果&am…...
管理100个小程序-很难吗
20公里的徒步-真难 群里的伙伴发起了一场天目山20公里徒步的活动,想着14公里都轻松拿捏了,思考了30秒后,就借着春风带着老婆孩子就出发了。一开始溪流清澈见底,小桥流水没有人家;青山郁郁葱葱,枯藤老树没有…...
算法恢复训练-Part01-数组
注:参考的某算法训练营的计划 核心注意点 在 Golang(和大多数主流语言,如 C/C)中,二维数组按行访问的效率更高。因为它符合 Go 的内存连续存储结构,能提高 CPU Cache 命中率,减少内存跳跃带来…...
软件黑盒与白盒测试详解
黑盒测试与白盒测试的核心对比 一、定义与核心目标 黑盒测试 定义:将程序视为“黑盒”,仅通过输入和输出验证功能是否符合需求规格,不关注内部代码逻辑。目标:确保功能完整性、输入输出正确性及用户体验,例如验证购物车…...
本文通俗简介-优雅草星云物联网AI智控系统软件介绍-星云智控是做什么用途的??-优雅草卓伊凡
本文通俗简介-优雅草星云物联网AI智控系统软件介绍-星云智控是做什么用途的??-优雅草卓伊凡 星云智控:物联网设备实时监控的革新力量 一、引言 在科技飞速发展的当下,物联网技术的广泛应用使得各类设备的实时监控与管理变得愈发…...
达梦统计信息收集情况检查
查询达梦某个对象上是否有统计信息 select id,T_TOTAL,N_SMAPLE,N_DISTINCT,N_NULL,BLEVEL,N_LEAF_PAGES,N_LEAF_USED_PAGES,LAST_GATHERED from sysstats where id IN (select id from sysobjects where upper(name)upper(&objname));可能有系统对象,可以增加…...
【MQ篇】RabbitMQ之发布订阅模式!
目录 引言一、 回顾:简单模式与工作队列模式的局限 😔二、 发布/订阅模式详解:消息的“广播站” 📻三、 RabbitMQ 中的交换机类型:不同的“广播方式” 📻四、 Java (Spring Boot) 代码实战Fanout 模式的完整…...
如何批量为多张图片(JPG、PNG、BMP、WEBP 等格式)添加自定义水印保护
「鹰迅批量处理工具箱」提供了强大的批量水印添加功能,支持常见的图片格式,如 JPG、JPEG、PNG、BMP、GIF、WEBP 等。用户不仅可以选择添加文字水印或图片水印,还能自定义设置水印的样式、位置和透明度等参数,操作简单而高效&#…...
LeetCode每日一题4.23
题目 问题分析 计算每个数字的数位和:对于从 1 到 n 的每个整数,计算其十进制表示下的数位和。 分组:将数位和相等的数字放到同一个组中。 统计每个组的数字数目:统计每个组中有多少个数字。 找到并列最多的组:返回数…...
Kafka简介
简介 基本概念 Kafka是分布式发布 - 订阅消息系统,最初由LinkedIn开发,后成为Apache项目一部分,可类比为放鸡蛋的篮子,生产者产蛋放入,消费者从中取蛋 。 消息系统 优势:分布式系统,易扩展&am…...
大数据利器:Kafka与Spark的深度探索
在大数据领域,Kafka和Spark都是极为重要的工具。今天就来和大家分享一下我在学习和使用它们过程中的心得。 Kafka作为分布式消息系统,优势显著。它吞吐量高、延迟低,能每秒处理几十万条消息,延迟最低仅几毫秒;可扩展性…...
使用logrotate实现日志轮转
logrotate 是一个强大的 Linux 工具,用于自动化管理日志文件的轮转、压缩、删除和归档。它能有效防止日志文件无限增长,节省磁盘空间,同时保持日志的可追溯性。以下是详细讲解 logrotate 的用法,涵盖安装、配置、测试、自动化、常…...
第52讲:农业AI + 区块链——迈向可信、智能、透明的未来农业
目录 一、为什么农业需要“AI+区块链”? 二、核心应用场景解读 1. 农产品溯源系统 2. 农业信贷与保险精准评估 3. 农业碳足迹追踪与碳汇交易 三、案例实战分享:智能溯源 + 区块链合约 四、面临挑战与展望 五、总结 在数字农业时代,“AI” 和 “区块链” 是两股不容忽…...
视频智能分析平台EasyCVR无线监控:全流程安装指南与功能应用解析
在当今数字化安防时代,无线监控系统的安装与调试对于保障各类场所的安全至关重要。本文将结合EasyCVR视频监控的强大功能,为您详细阐述监控系统安装过程中的关键步骤和注意事项,帮助您打造一个高效、可靠的监控解决方案。 一、调试物资准备与…...
Spring Cloud Eureka 与 Nacos 深度解析:从架构到对比
一、Eureka:经典微服务注册中心 (一)核心定位与特性 Spring Cloud Eureka 是 Netflix 开源的服务注册与发现组件,在微服务架构中扮演 "大脑" 角色,负责服务的注册、发现与状态管理。其核心优势在于通过心跳…...
深入详解Java中的@PostConstruct注解:实现简洁而高效初始化操作
🧑 博主简介:CSDN博客专家、CSDN平台优质创作者,高级开发工程师,数学专业,10年以上C/C, C#, Java等多种编程语言开发经验,拥有高级工程师证书;擅长C/C、C#等开发语言,熟悉Java常用开…...
【Unity笔记】Unity 编辑器扩展:一键查找场景中组件引用关系(含完整源码)(组件引用查找工具实现笔记)
摘要: 本文介绍了如何在 Unity 编辑器中开发一款实用的编辑器扩展工具 —— ComponentReferenceFinder,用于查找场景中对某个自定义组件的引用关系。该工具特别适用于大型项目、多人协作或引入外部插件后,快速定位组件间的耦合关系。 本文从需…...
实体店的小程序转型之路:拥抱新零售的密码-中小企实战运营和营销工作室博客
实体店的小程序转型之路:拥抱新零售的密码-中小企实战运营和营销工作室博客 在当今数字化浪潮的冲击下,实体店面临着前所未有的挑战,但小程序的出现为实体店转型新零售带来了新的曙光。先来看一组惊人的数据,据相关统计ÿ…...
Mysql安装与备份配置分析
若之前存有msqyl的数据缓存,建议用以下命令将数据文件删除干净 mysql-server:主程序 mysql:客户端工具 mysql-devel:开发库 mysql-libs:共享库文件 /var/lib/mysql:数据目录 /etc/my.cnf : 主配置文件 …...
Android APP 爬虫操作
工具 夜神模拟器、charles、mitm 等 mitm的使用参考:Mitmproxy对Android进行抓包(真机)_mitmproxy 安卓-CSDN博客 charles的使用参考:【全网最详细】手把手教学Charles抓包工具详细自学教程,完整版安装教程,详细介绍…...
与Ubuntu相关命令
windows将文件传输到Ubuntu 传输文件夹或文件 scp -r 本地文件夹或文件 ubuntu用户名IP地址:要传输到的文件夹路径 例如: scp -r .\04.py gao192.168.248.129:/home/gao 如果传输文件也可以去掉-r 安装软件 sudo apt-get update 更新软件包列表 sudo apt insta…...
Unity常用内置变换矩阵
Unity引擎提供了一系列内置的变换矩阵,这些矩阵在着色器中用于处理物体、摄像机和光照的坐标变换,是游戏开发中不可或缺的工具。它们帮助开发者在顶点着色器和片段着色器中实现坐标转换、光照计算等功能。 主要变换矩阵类型 模型矩阵 (Model Matrix) /…...
算法题-图论
图的表示 207.课程表 127.单词接龙 图的遍历 DFS 递归。。。 200.岛屿数量 239.矩阵中的最长递增路径 BFS 102.二叉树的层序遍历 看到最短,首先想到的是BFS 542.01矩阵 207.课程表 127.单词接龙 拓扑排序 对于一个有向无环图G进行拓扑排序,是将G中…...
Java 8(Ubuntu 18.04.6 LTS)安装笔记
一、前言 本文与【MySQL 8(Ubuntu 18.04.6 LTS)安装笔记】同批次:先搭建数据库,再安装JVM,后面肯定就是部署Web应用了——典型的单机部署,真可谓“麻雀虽小五脏俱全”。 二、准备 (1ÿ…...
unity编辑器的json验证及格式化
UNITY编辑器的json格式化和验证工具资源-CSDN文库https://download.csdn.net/download/qq_38655924/90676188?spm1001.2014.3001.5501 反复去别的网站验证json太麻烦了 用这个工具能方便点 # Unity JSON工具 这是一个Unity编辑器扩展,用于验证、格式化和压缩JSO…...
C语言中小写字母转大写字母
一、题目引入 这一题运行结果是什么? 二、代码分析 在这个代码中 首先 -> 定义了一个字符数组空间内存是80 里面存储的是字符串123abcdEFG*& 接着 -> 定义了一个整型变量j 后面的循环会用到 然后 -> 使用了<stdio.h>中的库函数puts(ch)原样打印…...
深度学习--卷积神经网络调整学习率
文章目录 前言一、学习率1、什么学习率2、什么是调整学习率3、目的 二、调整方法1、有序调整1)有序调整StepLR(等间隔调整学习率)2)有序调整MultiStepLR(多间隔调整学习率)3)有序调整ExponentialLR (指数衰减调整学习率)4)有序调整…...
桥接模式:分离抽象与实现的独立进化
桥接模式:分离抽象与实现的独立进化 一、模式核心:解耦抽象与实现的多层变化 在软件设计中,当抽象(如 “手机品牌”)和实现(如 “操作系统”)都可能独立变化时,使用多层继承会导致…...
配置kafka与spark连接
一、配置kafka 首先进到software目录当中,如下图所示: 安装包上传/解压/重命名/解压过后的目录如下图所示: 修改配置: cd config vi server.properties 全部修改语句如下所示(以node01为样例)࿱…...
WebXR教学 05 项目3 太空飞船小游戏
准备工作 自动创建 package.json 文件 npm init -y 安装Three.js 3D 图形库,安装现代前端构建工具Vite(用于开发/打包) npm install three vite 启动 Vite 开发服务器(推荐)(正式项目开发) …...
【leetcode】3524 求出数组的X值1
题目链接 题目描述 给你一个正整数数组 nums 和一个正整数 k。 你可以对数组执行一次操作:移除不重叠的前缀和后缀(可以为空),留下一个连续非空子数组。 对于每一种留下的子数组,计算: (该子数组的乘积…...
配电室安全用电漏电保护装置的安全用电措施
配电室作为电力分配与控制的关键场所,其安全用电装置的重要性不言而喻。 防触电、防漏电、防火灾、安全防护、保障生命财产; 当用电设备发生短路、过载或漏电等异常时能迅速切断电源,精准定位问题。及时报警,防止触电 在配电室中…...
数据库-基本概述 和 SQL 语言
标题目录 基本概述DB和DBMS关系数据库库与表的概念表库 数据库在项目中的角色如何操作数据库 SQL 语言SQL 分类DDL 语言数据库操作创建数据库查看数据库删除数据库切换数据库 表的操作创建表查看表修改表名删除表修改表结构 DML 语言插入数据修改数据删除数据 基本概述 DB和DB…...
C语言中的递归1.0
一、递归函数概念引入 简单来说就是自己调用自己 递归函数满足的两个条件: 1.每次调用函数本身,必须一次又一次接近最终结果 2.必须有停止条件 二、代码展示 用递归求1到4的和 代码如下 三、代码分析 首先进入main主函数入口 int sum getsum(4); 就这个具体题目来看 我…...
解锁webpack:对html、css、js及图片资源的抽离打包处理
面试被问到webpack,可别只知道说 HtmlWebpackPlugin 了哇。 前期准备 安装依赖 npm init -y npm install webpack webpack-cli --save-dev配置打包命令 // package.json {"scripts": {// ... 其他配置信息"build": "webpack --mode pr…...
[特殊字符] 大模型对话风格微调项目实战——模型篇 [特殊字符]✨
📜 目录 🎯 背景介绍 🔍 这篇文章的任务 🤖 模型选型 📊 模型评测 ⚙️ 模型训练 🔄 模型转换 🧪 模型训练效果评估 🎉 总结 🎯 背景介绍 本文是《大模型对话风…...
lerobot[act解析]
ACT是具身智能模仿学习中重要的一个算法,本文会先从这个算法是是什么,这个算法如何工作的,到这个算法为什么有效,也就是what->how->why的这么一个顺序来进行解析 ACT 是什么?(What) 核心…...
使用Python创建带边框样式的Word表格
引言 在生成Word文档时,表格的边框样式是提升专业度的重要细节。本文将通过一个实例,展示如何使用python-docx库为表格添加上下边框加粗和内部边框隐藏的复杂样式。代码将实现以下效果: 表格位于页面底部表格首行和末行的上下边框加粗隐藏内…...
GPLT-2025年第十届团体程序设计天梯赛总决赛题解(共计266分)
今天偶然发现天梯赛的代码还保存着,于是决定写下这篇题解,也算是复盘一下了 L1本来是打算写的稳妥点,最后在L1-6又想省时间,又忘记了insert,replace这些方法怎么用,也不想花时间写一个文件测试,…...
基于SpringBoot的课程管理系统
前言 今天给大家分享一个基于SpringBoot的课程管理系统。 1 系统介绍 课程管理系统是一种专门为学校设计的软件系统,旨在帮助学校高效地管理和组织各类课程信息。 该系统通常包括学生、教师和管理员三大角色。 他们可以通过系统进行选课、查看课程表、考试、进…...
新品发布 | 6 秒全谱成像,VIX-N320 内置推扫式高光谱相机重磅发布
深圳市中达瑞和科技有限公司正式发布全新一代VIX-N320内置推扫式可见光近红外高光谱相机,一款集高速成像、高精度光谱分析与便携性于一体的革命性产品。以突破性技术重新定义光谱成像效率与精度,开启智能感知新纪元。作为国内唯一同时掌握凝采式、推扫式…...
手写深拷贝函数
在 JavaScript 中,深拷贝是指创建一个对象或数组的完全独立副本,包括其嵌套的对象或数组。这意味着修改副本不会影响原始对象。 以下是手写一个通用的深拷贝函数的实现: 深拷贝函数实现 function deepClone(target, map new WeakMap()) {//…...
智能电网第3期 | 配电房巡检机器人通信升级方案
随着电力系统智能化发展,配电房巡检机器人是保障电力设备安全稳定运行的重要工具,其通信稳定性关乎巡检效率与质量。配电房巡检智能化升级面临着多项挑战: 电磁干扰大:配电房电气设备密集,电磁干扰强,易造成…...
阿里云 AI 搜索开放平台:RAG智能化工作流助力 AI 搜索
——已获知乎作者【小小将】授权转载 最近AI圈的变化可谓是日新月异,随着大模型的技术突飞猛进,大模型的能力日益增强。这些都驱动着我们的搜索技术快速演进到了下一代,也就是 AI 搜索的技术。大模型的快速发展不仅重塑了搜索技术的基础&…...
同z科技面经
同z科技-2025-4-23 1.自我介绍 个人信息 校园经历 实习经历 项目经历 个人技能掌握 目前学习技术 2.封装缓存工具类怎么封装的 先介绍使用缓存的问题 解决的逻辑 封装的逻辑 应用 缓存穿透: 缓存雪崩: 缓存击穿: https://www…...
制作一款打飞机游戏19:碰撞检测
在这一章中,我们致力于解决碰撞检测问题,但它并不如我们所愿工作。 碰撞检测问题 今天我想解决的是碰撞检测问题,这个令人畏惧的碰撞检测。我理解,这里有很多复杂的if语句,但我们可以做到。 不过,在此之…...
python后端程序部署到服务器 Ubuntu并配合 Vue 前端页面运行
将 PyCharm 研发的 Web 后端系统程序部署到 Ubuntu 24.04 服务器并配合 Vue 前端页面运行,可按以下步骤操作: 1. 服务器环境准备 在开始部署之前,需要在 Ubuntu 24.04 服务器上安装必要的软件。 # 更新系统软件包 sudo apt update sudo ap…...
9N60-ASEMI无人机专用功率器件9N60
编辑:LL 9N60-ASEMI无人机专用功率器件9N60 型号:9N60 品牌:ASEMI 封装:TO-220F 最大漏源电流:9A 漏源击穿电压:600V 批号:最新 RDS(ON)Max:1.00Ω …...
Java单例模式详解:实现线程安全的全局访问点
精心整理了最新的面试资料和简历模板,有需要的可以自行获取 点击前往百度网盘获取 点击前往夸克网盘获取 一、什么是单例模式? 单例模式(Singleton Pattern)是一种创建型设计模式,它保证一个类仅有一个实例ÿ…...
【无人机】无人机光流模块Optical Flow设置(三),光流测距一体传感器的配置。凌启科技的光流测距一体模块的测试。
目录 1、光流测距一体模块的配置,详细步骤 1.1、连接 1.2、上位机使用 1.3、切换为PX4协议 2、适配PX4飞控,QGC上参数配置 2.0、安装连接 2.1、串口配置: 2.2、启用光流辅助功能 2.3、启用测距辅助功能 2.4、高度参考设置 2.5、重…...