Coze资源

如果这个智能体没有安装插件，它只能依靠自身内置的AI知识库给你提供一些相对模糊的建议，例如：“郊区通常天气不错，可以考虑去爬山或者公园野餐。建议你们自己用天气App查一下会不会下雨，然后记得发邮件或者在工作群里通知大家具体安排哦。”
这种建议存在明显的缺点，它就像一个“理想主义”的参谋，只能给出大致的方向，而所有关键的、需要验证和执行的任务，如查询实时天气、发送正式通知等，都得用户亲力亲为，无法为用户提供一站式的解决方案。

有了插件后智能体的“蜕变”

现在，我们为“周末出行小管家”这个智能体安装几个实用的插件：

【天气查询】插件：使智能体能够获取目的地精确到小时的天气预报，为用户提供准确的天气信息。
【地图服务】插件：让智能体可以推荐合适的地点，并生成集合点的导航链接，方便用户快速到达目的地。

安装插件后，智能体与用户的对话过程将发生显著变化：

如上面的系统提示词和下面对应的对话示例：

通过这个例子，我们可以清晰地看到插件的重要作用：

方面	解释
是什么	插件就是为智能体赋予“实际行动能力”的工具，它如同AI的“手和脚”，让智能体能够真正地“动”起来。
做什么	插件让智能体不再仅仅停留在聊天和文本生成的层面，而是能够连接外部世界，执行具体任务，为用户提供更加全面和实用的服务。
核心价值	插件实现了闭环体验，将智能体从“给予建议”升级到“解决问题”。用户无需在不同的App之间来回切换，在一个对话中就能搞定所有事情，大大提高了使用效率和便捷性。

2、插件的分类

按功能场景分类

插件类型	核心作用	插件实例
数据查询类	主要用于获取外部实时数据，为用户提供准确、及时的信息。	墨迹天气（提供精准的天气信息）、微博热点（实时呈现热门话题和资讯）
业务工具类	能够执行特定的功能，满足用户在各种业务场景下的需求。	生成视频（如某些视频制作插件，可根据用户需求快速生成视频内容）、生成图片（例如一些图像生成插件，能依据用户输入生成相应的图片）

按照收费方式分类

扣资源点型：每次调用插件都会扣除相应的coze资源点，这种收费方式与插件的使用频率直接相关，使用次数越多，扣除的资源点也就越多。
申请密钥型：在调用插件之前，需要先申请密钥。这种方式通常用于一些需要身份验证或者权限控制的插件，确保只有经过授权的用户才能使用。

3、插件的使用

1. 创建插件智能体

在Coze平台中创建插件智能体，需要先明确智能体的功能和目标，然后根据这些需求选择合适的插件进行集成。
具体创建过程可以在平台的智能体创建向导中逐步完成，按照提示填写相关信息，选择所需的插件类型和功能模块，即可快速创建一个具备插件功能的智能体。

2. 插件添加

添加插件的操作路径简洁明了，通过可视化界面即可轻松完成。具体步骤如下：

进入技能面板：在智能体开发页面中，找到下面的“技能”中的“插件”功能区，这里集中了所有可扩展的工具能力，方便开发者进行管理和操作。
搜索目标插件：点击“添加插件”按钮，在弹出的插件市场中搜索所需的工具（如“bingWebSearch”用于新闻获取）。插件市场支持按功能分类筛选，用户可以根据自己的需求快速找到合适的插件。
确认添加：选中目标插件后点击“添加”，系统会自动将其集成到智能体技能库中，无需额外的代码开发，大大简化了插件添加的流程。

3. 调用插件

要想准确地在智能体中调用插件，除了需要明确的提示词外，还需要搞清楚插件的参数，确保调用插件时传参正确。我们想要调用插件时，直接在提示词中输入{}，也就是大括号，然后不松开Shift键，在弹出来的相关插件中选择对应的插件（前提我们得选添加到插件列表中）：

下面以天气插件和绘画插件为例进行调用和相关使用说明：

天气插件

此时我们优化提示词后再使用这个天气插件进行查询天气，可以正常调用插件并返回输出结果：

绘画插件

此时我们优化提示词后再使用这个绘画插件进行绘画，可以正常调用插件并返回输出结果：

我们点击它生成的绘画结果，会自动跳到一个网页链接中（这个链接不是永久的，后面不使用了会自动被释放），也就是对应生成的画：

在调用插件时，要仔细阅读插件的文档，了解每个参数的含义和取值范围，确保传入正确的参数，这样才能得到预期的结果。

4. 调试插件

插件本质上也是一个第三方服务，在调用过程中可能会遇到调用失败或者参数不合法的场景。
当无法得到结果或者得到的结果与预期相差较远时，我们可以对插件进行调试。
调试插件即观察插件的调用过程，查看请求入参和响应出参，通过分析这些信息，找出问题所在并进行相应的调整，以确保插件能够正常运行。

三、知识库资源

1、什么是知识库？

在Coze平台中，知识库是一个至关重要的核心功能模块，承担着存储和管理外部数据的关键任务。
它为开发者提供了强大的支持，允许他们上传各类文本和表格内容。
借助先进的AI技术，这些上传的数据会得到高效处理和精准检索，从而为智能体提供坚实且准确的信息支撑。
知识库的核心运作机制独具特色。当开发者上传文档后，系统会自动将文档分割成一个个独立的内容片段，这些片段被称为“分段”，并对其进行有序存储。
在用户提出问题时，知识库会运用向量搜索技术，从海量的分段中快速检索出最相关的内容，以此为依据来回答用户的问题。
这种运作方式使得智能体能够突破基础训练数据的局限，与用户指定的特定数据进行深度交互，为用户提供更具针对性和实用性的信息。

为了帮助你更直观地理解Coze智能体中知识库的概念和作用，下面为你呈现一个实际生活中的案例。

生活案例：智能“新员工助手”智能体

假设你是一家公司的HR或部门经理。每当有新员工入职时，他们往往会提出一系列重复性的问题，这些问题看似琐碎，但却关乎新员工能否快速适应公司环境。例如：“公司的Wi-Fi密码是多少？”、“报销流程怎么走？需要哪些票据？”、“年假是怎么计算的？”、“公司附近有什么好吃的推荐吗？”、“技术文档的模板在哪里下载？”

面对这些问题，你不可能24小时随时在线解答，而传统的员工手册又存在内容冗长、查找困难的问题，新员工很难从中快速获取所需信息。

那么，如果没有知识库，这个智能体会表现出怎样的状况呢？在这种情况下，智能体只能依赖其受训时的通用知识来回答问题，而无法提供公司内部特定的信息。比如，当新员工询问：“我们公司的报销流程是怎样的？”智能体基于通用知识可能会这样回答：“一般来说，企业的报销流程通常包括提交报销单、主管审批、财务审核等步骤。建议你查阅公司的员工手册或咨询你的直属上级。”

然而，这样的回答虽然正确，但却缺乏实用性。因为它并不了解你的公司的具体规定，例如是使用“钉钉”还是“飞书”进行审批，报销额度是多少，需要准备哪些附件等。此时的智能体就像一个“正确的废话生成器”，无法真正满足新员工的需求。

知识库赋予智能体“独家记忆”

现在，让我们为这个“新员工助手”智能体上传一个知识库。这个知识库包含了丰富多样的资料，具体如下：

《新员工入职指南.pdf》：其中详细包含了Wi-Fi密码、各部门联系方式等重要信息。
《财务报销制度.docx》：涵盖了报销流程的详细说明，并配有截图示例，让新员工能够更直观地了解操作步骤。
《考勤与休假规定.xlsx》：对公司的考勤和休假制度进行了清晰阐述。
一份“公司周边美食推荐”的Word文档：为新员工提供了公司附近的美食信息。
一些内部技术文档的链接和简介：方便新员工获取相关技术资料。

有了知识库的支持，对话过程将发生显著变化。以下是新员工与“新员工助手”智能体的对话示例：

新员工（用户）：“嗨，我想咨询一下怎么报销出差的车费？”

“新员工助手”智能体（检索知识库）：（智能体在后台迅速检索上传的《财务报销制度.docx》，精准找到相关内容）“您好！根据公司《财务报销制度》第四章规定，出差车费报销流程如下：

1. 准备材料：

经批准的《出差申请单》（OA系统下载）
出租车票、网约车行程单（必须注明起止地点和时间）
地铁票等

2. 提交申请：

登录钉钉 -> 审批 -> 费用报销
上传所有票据的清晰照片，并填写事由。

3. 审批流程：

直属上级审批 -> 部门总监审批 -> 财务部审核
通常会在5个工作日内处理完毕。

特别注意：单次打车费用超过50元需要事先在《出差申请单》中说明理由。需要我为你提供《出差申请单》的模板链接吗？”

新员工：“太好了，谢谢！另外公司楼下有啥好吃的推荐吗？便宜点的。”

“新员工助手”智能体（再次检索知识库）：（智能体立即检索“公司周边美食推荐”文档）“当然！根据同事们的推荐，楼下这几家很不错哦：

‘老王记面馆’ (人均25元)：招牌牛肉面是绝绝子。
‘7号便当’ (人均20元)：性价比高，两荤两素。
‘罗森便利店’：有热餐盒饭和关东煮，快速解决战斗。
‘星巴克’：如果想喝咖啡提神的话。希望有你喜欢的！”

像这样的例子详细如下：

1. 首先我们让AI帮忙写一段简单的新员工入职指南的文本内容，然后将这个内容保存为.txt文件（只要是扣子支持的格式就可以）

2. 我们再重新创建一个新的智能体，然后我们点击下面的加号，即添加知识库

3. 点击创建知识库

4. 选择和填写红色方框对应的内容之后，然后我们最后选择创建并导入

5. 然后按步骤顺序完成下面的四步

6. 最后跳转到这个界面，我们选择右上角的“添加到智能体”

7. 最后我们可以看到知识库已经导入成功，然后我们此时AI整理一下提示词，然后输入问题测试一下，发现符合我们的提示词预期

知识库的价值体现

通过上面这些实际案例，我们可以从以下三个方面清晰地看到知识库的重要价值：

方面	解释
是什么	知识库就像是智能体专属的、可信任的“私人图书馆”或“大脑外挂硬盘”。它存储了公共AI模型所不知道的、属于你的私有信息，为智能体提供了独特的知识储备。
做什么	知识库赋予了智能体深度领域知识和坚实的事实依据。使得智能体的回答不再泛泛而谈，而是能够做到精准、具体、有据可查，为用户提供更具价值的信息。
核心价值	知识库能够有效解决智能体可能出现的“幻觉”问题，提供权威准确的答案。它将一个通用的聊天机器人转变为一个真正能够解决内部问题的专家系统，极大地提升了信息的准确性和获取效率，为用户带来更好的体验。

2、什么是RAG？

在探讨知识库相关内容时，RAG（Retrieval-Augmented Generation，检索增强生成）是一个不容忽视的关键概念。RAG作为一种创新的技术框架，巧妙地将“信息检索”与“文本生成”这两大核心功能深度融合。

其核心思想简洁而高效：在促使大型语言模型生成答案之前，先引导模型前往指定的知识库（该知识库来源广泛，涵盖公司文档、专业数据库、各类网页等）进行相关信息的精准查找。随后，模型依据检索到的准确且最新的信息，有条理地组织和生成答案。

为了更清晰地理解RAG的作用，我们可以通过对比有RAG和没有RAG的大型模型来深入剖析。

1. 没有RAG的普通大型模型

这类模型的表现就如同一个正在进行闭卷考试的学生。
它只能依靠自身记忆（即训练数据）中的知识储备来回答问题。
一旦问题超出了其记忆范畴，或者记忆内容存在偏差，那么它极有可能给出错误的答案，甚至会“编造答案”，这种现象在人工智能领域被称为“幻觉”。
例如，在面对一些时效性较强或特定领域的新知识时，由于缺乏实时信息的检索与更新机制，模型往往会凭借旧有的、可能已过时的数据来作答，从而导致答案的准确性和可靠性大打折扣。

2. 有RAG的大型模型

有RAG加持的大型模型则宛如一个参加开卷考试的学生。
当遇到问题时，它会迅速跑去翻阅指定的参考书（即知识库），从中筛选出最相关的段落和确凿的证据。
然后，结合自身强大的生成能力，将这些信息融会贯通，组织成一个准确、完整的答案。
这种模式使得模型能够充分利用外部知识资源，弥补自身记忆的局限性，从而大大提高了答案的质量和可信度。

RAG的具体实施过程通常可以划分为三个核心步骤：

检索：模型根据用户提出的问题，在知识库中运用关键词搜索、语义匹配等先进技术，精准定位与问题相关的信息片段。这一步骤如同在浩瀚的知识海洋中，借助精准的导航工具，快速找到所需的宝藏。
增强：将检索到的信息片段与原始问题巧妙组合，形成一个详细的提示（prompt）。这个提示就像是为模型提供了一份清晰的“解题指南”，引导模型结合检索到的信息来思考和回答问题。通过这种方式，模型能够更好地理解问题的背景和需求，为生成准确答案奠定基础。
生成：模型在阅读提示后，运用自身强大的语言生成能力，将检索到的信息与问题紧密结合，生成一个符合逻辑、准确无误的答案。这一步骤体现了模型将外部知识转化为自然语言输出的能力，是RAG技术实现价值的关键环节。

下面通过一个简单的例子来进一步说明RAG的工作原理。假设知识库内容为一份公司内部文件，其中明确写道：“公司2024年的新年团建将于1月15日在三亚举行。”此时，用户提出问题：“我们今年的团建在哪举办？”

1. 没有RAG的模型：由于缺乏实时信息检索机制，它可能会根据过时的训练数据回答：“根据常见情况，团建通常在本地公园或酒店举行。”这种回答明显与实际情况不符，属于典型的“幻觉”现象。

2. 有RAG的模型：

检索：模型在知识库中搜索“团建”、“2024”等关键词，迅速找到了相关片段。这一过程就像是在图书馆的众多书籍中，通过精准的索引快速定位到目标信息。

增强：将找到的片段和问题组合成提示：“请根据以下信息回答问题：公司2024年的新年团建将于1月15日在三亚举行。问题：我们今年的团建在哪举办？”这个提示为模型提供了明确的解题方向和所需的关键信息。

生成：模型阅读提示后，经过分析和思考，生成答案：“根据公司计划，2024年的团建将在三亚举行。”这个答案准确无误，充分体现了RAG技术的优势。

RAG与知识库的关系，就如同为一位博学但记忆有时不太靠谱的学者配备了一位专业的图书管理员。
每当学者需要回答一个问题时，这位图书管理员会迅速从一座权威的图书馆（即知识库）中找到最相关的书籍和段落（即检索相关信息），并将这些资料整齐地放在学者面前。
学者再结合这些丰富的资料（即增强信息），经过深入思考和分析，给出一个准确无误、令人信服的答案（即生成答案）。
在这个比喻中，知识库就像是图书馆里琳琅满目的藏书，为解决问题提供了丰富的知识源泉；
而RAG则如同那位博学多才的图书管理员，凭借其专业的检索和整理能力，将知识库中的信息与实际问题紧密结合，实现了知识的有效利用和答案的精准生成。

3、知识库的分类

知识库作为存储和管理各类知识的核心系统，其内容呈现形式与构建来源具有多样性。从内容格式维度划分，知识库主要涵盖文本、表格以及照片三种类型，每种格式都适用于不同场景下的知识存储与检索需求。以下将按照知识库的构建来源，详细阐述各类构建方式及其特点：

1. 本地文件上传

功能概述：支持用户直接从本地设备上传各类文件至知识库，实现知识的快速数字化导入。
格式支持：涵盖多种常见文件格式，包括但不限于纯文本文件（.txt）、便携式文档格式（.pdf）、微软Word文档（.docx）、逗号分隔值文件（.csv）以及微软Excel表格（.xlsx）等，确保用户能够上传各类结构化与非结构化数据。
应用场景：此方式因其操作简便、效率高，成为初始化知识库的首选方法。尤其适用于将已有的产品文档、技术报告、操作手册等纸质或电子材料快速转化为数字化知识，便于后续的查询与利用。

2. 在线网站抓取

功能概述：用户可通过输入目标网站的URL地址，将指定网页内容或整个站点的信息抓取至知识库中。
采集方式：支持自动采集与手动采集两种模式。自动采集可设定抓取规则与频率，实现信息的定时更新；手动采集则允许用户根据实际需求，灵活选择抓取内容。
应用场景：该方式特别适用于整合最新的在线资讯、行业博客文章、官方公告等实时性较强的信息。通过定期抓取，可确保Bot所掌握的知识始终保持最新状态，提升其应对动态环境的能力。

3. 第三方平台集成

功能概述：Coze平台提供了与常见协作平台的深度集成能力，如飞书文档（Feishu）、Notion等，支持直接从这些平台导入内容至知识库。
应用价值：此功能极大地方便了企业将已有的知识管理体系快速对接至AI助手，避免了重复上传文件的繁琐过程，提高了知识整合的效率与准确性。

4. API接口同步

功能概述：针对表格类型的知识库，Coze支持通过API接口将JSON格式的数据上传至知识库。
数据更新：该方式实现了数据的自动化、周期性更新，能够将知识库与业务数据库或其他系统无缝打通。
应用场景：特别适用于处理高度动态变化的数据，如商品库存信息、实时价格变动等。通过API接口同步，可确保知识库中的数据始终与业务系统保持一致，为决策提供准确依据。

5. 手动自定义输入

功能概述：支持用户在Coze平台界面上直接手动输入文本或表格数据，实现知识的即时补充。
应用场景：此方式适用于添加一些零散的、需要补充的知识点，或者进行快速的测试和调试。通过手动输入，用户可以灵活地调整知识库内容，满足个性化需求。

综上所述，通过以上不同类型的组合应用，用户可以根据实际业务需求，为Coze智能体构建一个强大、灵活且多维度的知识体系，从而提升智能体的服务能力与响应效率。

4、知识库的使用

1. 创建知识库

如下，在创建知识库的过程中，用户可以根据实际需求选择不同的数据导入方式：

例如下面，对于在线数据，可以针对一个项目，我们作为用户可以导入如Java租房项目（Java新项目又来啦: 基于脚手架的微服务在线租房系统）等相关信息，以丰富知识库内容。我们首先在上面的创建知识库页面中选择导入类型为在线数据：

然后点击完成创建并导入，来到下面的界面：

我们点击自动采集然后将网址URL给填上，然后点击确认：

下面的这三步直接一路下一步就可以了，默认操作：

直到来到这个页面，我们选择添加到智能体：

然后我们在开发界面中就可以看到知识库成功被导入了：

对于本地数据，用户则可以通过上传本地文件（这个例子已经在上面的新员工入职指南中演示了，这里就不再演示了，可以翻上去看看）的方式，将已有的知识资源快速导入至知识库中。在导入过程中，知识库会自动对文本数据进行预处理，如分词、去重、格式转换等，以确保数据的规范性与可用性。

2. 知识库的效果

直接询问：用户可以在知识库智能体中直接输入问题，智能体将基于知识库中的信息进行快速响应与解答。这种方式适用于用户对知识库内容有一定了解，且问题较为明确的情况。
结合知识库询问：在已有知识库的基础上，用户可以进一步提出复杂或深入的问题。智能体将结合知识库中的信息与自身的推理能力，为用户提供更为全面、准确的答案。这种方式能够充分发挥知识库的扩展作用，提升智能体的边界能力。

未加入知识库时的询问：

加入知识库后的询问：

核心一句话：知识库是扩展智能体边界能力的关键所在。通过构建丰富、多元的知识库，智能体能够更好地理解用户需求，提供更为精准、个性化的服务。

四、数据库资源

1、什么是数据库？

Coze数据库是字节跳动扣子平台所提供的一项关键服务，它采用类NoSQL的文档模型进行结构化数据存储。
这一设计不仅支持通过自然语言进行直观的数据交互，还兼容SQL语句，使得数据的增删改查（CRUD）操作变得高效且灵活。
作为智能体的“长期记忆”组件，Coze数据库承担着持久化存储用户交互数据、业务配置信息以及应用状态的重任，是构建复杂AI应用不可或缺的核心基础设施。

为了更好地理解Coze智能体中数据库的概念和作用，让我们通过一个生活中的实际例子来加以阐释：智能“个人健身教练”智能体。

生活案例：智能“个人健身教练”智能体

假设你希望打造一个能够真正跟踪您健身进度，并提供个性化建议的智能体，而不仅仅是一个提供通用健身知识的工具。你的核心需求可能包括：

记录：详细记录每次的训练内容，包括做了什么动作、完成了多少组、每组多少次以及使用的重量。
追踪：能够告知你深蹲重量是否有进步，卧推的最大重量是多少等关键指标。
规划：根据你过去的表现，为你推荐下一次训练应该尝试的重量，以实现科学训练。

如果没有数据库，智能体会怎样？

在这种情况下，智能体就像一个失忆的教练。尽管它可能掌握着丰富的健身知识（依赖于大模型本身），但它却无法记住任何关于你的具体数据。例如：

用户：“我上次深蹲做了多少公斤来着？”
智能体：“很抱歉，作为一个AI，我无法记住我们之前的对话。一般来说，新手可以从空杆开始练习...”

缺点：每次对话都是全新的开始，智能体无法提供个性化服务，因为它没有“记忆”你的历史数据。它无法实现“记录”和“追踪”这两个核心功能，从而限制了其作为个人健身教练的实用性。

有了数据库，智能体就拥有了“长期记忆”

现在假设我们为这个“个人健身教练”智能体连接一个数据库。这个数据库中包含一张名为workout_records（训练记录）的表，其结构精心设计以存储用户的训练数据。对话过程将因此发生显著变化：

用户：“记录一下，我今天深蹲做了5组5次，重量是65公斤。”

“个人健身教练”智能体（写入数据库）：（智能体在后台执行一条SQL INSERT语句，将这条记录写入workout_records表）“太棒了！已经帮你记录好了：深蹲5x5@65kg。比上次又进步了2.5公斤！继续加油！”

用户（第二天）：“给我看看我深蹲的历史记录和进步曲线。”

“个人健身教练”智能体（查询数据库）：（智能体执行一条SQL SELECT语句，查询用户所有关于“深蹲”的记录，并按日期排序）“这是你的深蹲进步历程，非常稳定！趋势分析：恭喜你！在过去的半个月里，你的深蹲重量持续提升了10公斤！按照这个趋势，下周可以尝试67.5公斤了。”

用户：“那我下周卧推应该用多少重量？”

“个人健身教练”智能体（查询+计算）：（智能体先查询用户上次卧推的记录，发现是40kg for 3x8，并且备注“最后两组吃力”）（再结合它的健身知识模型：“如果完成吃力，下次应该保持重量不变，争取完成得更轻松”）“根据你上次的记录（40kg完成3组8次但感觉吃力），我建议下周继续使用40公斤，目标是更标准、更轻松地完成3组8次。巩固一下这个水平，下下周我们再尝试加重。”

数据库的详细解释

1. 是什么：数据库是智能体的结构化、可查询的“长期记忆系统”。它专门用于存储需要长期保存和随时查询的用户个人数据和交易数据，确保数据的完整性和可访问性。

2. 做什么：数据库实现了数据的“增删改查”功能。智能体可以：

创建新记录：将用户的新数据添加到数据库中。
读取历史记录：查询并展示用户的历史数据。
更新已有记录：根据用户的最新情况修改数据库中的记录。
删除记录：在必要时从数据库中移除不再需要的数据。

3. 与知识库的区别：知识库主要存储供查阅的文档（即“是什么”的信息），通常是只读的。而数据库则存储可操作的记录（即“做了什么”的数据），支持读写操作，能够动态反映用户的行为和变化。

4. 核心价值：数据库实现了真正的个性化服务。它让智能体不再是一个“一视同仁”的百科全书，而是一个真正了解你个人历史和行为的专属助手。基于你的数据，智能体能够提供动态反馈和决策支持，使服务更加贴心和有效。

2、关于智能体对话中资源消耗与优化策略的说明

在与智能体展开对话交互的过程中，对话轮数是一个影响资源消耗的关键因素。
通常情况下，随着对话轮数的增加，所消费的扣子资源点也会相应增多。这是因为每一轮对话都需要智能体进行复杂的计算、分析和回复生成，这些操作都会占用一定的计算资源。
为了有效管理资源并提升对话效率，我们引入了长期记忆机制，具体做法是引入数据库来存储对话信息。数据库就像是一个智能体的“记忆仓库”，能够持久化保存对话过程中的关键数据。

通过数据库缓存对话内容，我们可以实现以下重要功能：

一方面，将每一轮对话中的问题与答案都详细记录下来。这些记录不仅包含了用户提出的原始问题，还有智能体经过思考后给出的精准答案。这样的完整记录为后续的对话提供了丰富的参考依据。
另一方面，当用户再次提出相同或类似的问题时，由于之前已经将相关问题和答案存储在了数据库中，智能体就可以直接从数据库里调取对应的答案进行回复，而无需重新消耗扣子资源去进行复杂的计算和分析。

这种基于数据库缓存内容的策略具有显著的优势：