如何创建一个AI伴读智能体

以下是一份关于如何用 AI 软件将古诗词内容以视频形式表现出来的教学文档： 一、简单入门 如果是简单的图，找原图直接写提示词即可。 二、复杂图片处理 1. 图片分模块 对于复杂部分的图，把长图分多个模块。例如，将一张图分成 4 个模块。 2. 抠出背景图 智能抠图。用工具把要动的内容去除掉，用 AI 生成图片部分。如果有水印，可以把图片向下拓展一部分，然后截掉。 3. 绿幕处理前景图 将要拿来动起来的部分抠出，放在绿幕背景里或者画的背景颜色，导出图片。 4. 前景图动态生成视频 用 AI 视频生成工具写入提示词让图片动起来。有很多工具可供选择，如即梦、海螺、混元等。不停尝试抽卡即可。 5. 生成视频去掉背景 用剪映把抽卡合格的视频放在去掉内容的背景图片上，视频的背景用色度抠图调整去掉。多个视频放在背景图片，一起动即可。 三、提示词相关 1. 文案生成 工具：DeepSeek 操作：打开 DeepSeek 网站（https://chat.deepseek.com/ ），输入提示词。例如：“让 XX 用现代口语化的表达、生气骂人的口吻吐槽 XXXX（例如：吐槽现代人），XXX 目的（例如：推广 XXX 吸引游客来旅游），输出 3 条 60 字左右的毒舌文案，每条里面都要有‘回答我！Look in my eyes！Tell me！why？baby！why？’”可以根据自己的内容自行调整文案和字数要求。点击生成，等待 DeepSeek 输出 3 条文案。从中挑选最满意的一条（或多条）保存备用。 2. 准备人物形象图 工具：即梦 AI 操作：打开即梦 AI 网站（https://jimeng.jianying.com/aitool/image/generate ），输入提示词，即梦已经接入了 DeepSeek，可以直接用它来生成绘图提示词。调整生成参数（如风格、细节等），点击生成。预览生成的人物图，不满意可调整提示词重新生成，直到满意为止。下载最终的人物形象图。 四、其他注意事项 1. 指定视觉细节 包括颜色、照明、相机角度和风格等任何视觉元素的描述。提供的细节越多，输出就越接近您的愿景。 2. 提及所需长度和格式 如果您对特定的长度（以秒或分钟为单位）或格式（宽高比、分辨率）有想法，请提及。这对于 AI 生成符合您要求的内容至关重要。 3. 概述音频偏好 如果您的视频需要特定的音频元素，如背景音乐、旁白或音效，请详细描述。指定您是希望 AI 生成这些元素还是您自己提供。 4. 考虑道德和版权准则 确保您的提示符合道德标准和版权法。避免请求侵犯版权或涉及没有适当背景的敏感主题的内容。 请根据您的具体需求和所使用的视频 AI 工具的能力调整模板和示例。记住，输出的质量在很大程度上取决于您通过提示传达愿景的效果。

从数据产品经理转行 AI 产品经理，您需要补充以下知识： 1. 思维链：谷歌在 2022 年的一篇论文提到，思维链能显著提升大语言模型在复杂推理方面的能力（即有推理步骤），即使不用小样本提示，也可在问题后面加一句“请你分步骤思考”。 2. RAG（检索增强生成）：外部知识库切分成段落后转成向量，存在向量数据库。用户提问并查找到向量数据库后，段落信息会和原本的问题一块传给 AI，可搭建企业知识库和个人知识库。 3. PAL（程序辅助语言模型）：2022 年一篇论文中提出，对于语言模型的计算问题，不让 AI 直接生成计算结果，而是借助如 Python 解释器等工具作为计算工具。 4. ReAct：2022 年一篇《React:在语言模型中协同推理与行动》的论文提出了 ReAct 框架，即 reason 与 action 结合，核心在于让模型动态推理并采取行动与外界环境互动。比如用搜索引擎对关键字进行搜索，观察行动得到的结果。可借助 LangChain 等框架简化构建流程。 个人总结：很多大佬表示要关注或直接阅读技术论文，像产品经理转型 AI 产品经理，需要懂技术脉络。但小白直接看技术论文有难度，虽可让 AI 辅助阅读，仍要完成一定知识储备。林粒粒呀的这期视频是很好的科普入门，值得一看。 此外，视频二提到了技术框架与关于未来的想象，比如 Transformer 是仿生算法的阶段性实现，10 年、20 年后可能不再使用。

通过 AI 赚钱的方式有很多种，以下为您详细介绍： 1. 应用开发：比如开发 Agent 应用，对外提供接口。熟悉业务并结合 AI 能力打磨产品，形成护城河。 2. 知识输出：包括 Key 商、写书、卖课等。 3. 承接项目：为有需求的客户提供相关服务。 4. 搭建镜像站。 5. 在 AI 相关岗位工作：如成为数据科学家、机器学习工程师等，获得高薪收入。 6. 利用 MCP 变现： 开发者可以构建全新的商业服务。 普通人能够借助 AI 完成复杂工作并获得收益。 企业可以构建 AI 工具矩阵，替代传统 SaaS 服务。 参与 MCP 生态中的各个环节，如作为内容创作者、工具开发者提供付费内容、数据订阅；作为开发者、系统集成者开发连接器，按调用计费或售卖；作为平台方、模型方按 token 收费；作为产品方、私域运营者收订阅费、卖课程、做服务；作为创业者、聚合平台通过抽成或广告分成。 需要注意的是，虽然学了 AI 有可能赚钱，但不一定保证每个人都能赚到钱。是否能赚钱还取决于很多因素，比如个人的学习能力、实际应用能力、对市场和商业的理解等等。仅仅学会一些基础知识可能还不足以在竞争激烈的市场中脱颖而出，需要持续学习和实践。

以下是关于写标书的 AI 的相关信息： 胡凯翔的经验：用 prompt 写标书可分为提取提纲、拆解指南、prompt 成稿三大类。提取提纲要根据招标文件评分标准列出初步提纲，目前人工提取，有 prompt 化可能。拆解指南是将项目背景、工作内容等拆解归纳到 x—mind 中，为 GPT 提供足够上下文语境。prompt 成稿采取简提示详资料的方式与 GPT 对话，遵循先提纲后文章、逐节逐章输出的方式，先提纲后文章分为让 GPT 生成提纲、为提纲写摘要、根据内容逐节输出文章。 AutogenAI：伦敦初创公司开发的基于生成型人工智能的工具，可帮助企业撰写更强的提案，提高中标率。该公司获 Blossom Capital 2230 万美元投资，用于招聘、扩展平台和增加客户群。能将撰写强大提案的过程加快 800%，同时降低 10%的采购成本。

以下是关于如何使用 AI 给测试提效的详细内容： 1. 基于规则的测试生成： 测试用例生成工具： Randoop：基于代码路径和规则生成测试用例，适用于 Java 应用程序。 Pex：微软开发的智能测试生成工具，自动生成高覆盖率的单元测试，适用于.NET 应用。 模式识别： Clang Static Analyzer：利用静态分析技术识别代码模式和潜在缺陷，生成相应的测试用例。 Infer：Facebook 开发的静态分析工具，自动生成测试用例，帮助发现和修复潜在错误。 2. 基于机器学习的测试生成： 深度学习模型： DeepTest：利用深度学习模型生成自动驾驶系统的测试用例，模拟不同驾驶场景，评估系统性能。 DiffTest：基于对抗生成网络（GAN）生成测试用例，检测系统的脆弱性。 强化学习： RLTest：利用强化学习生成测试用例，通过与环境交互学习最优测试策略，提高测试效率和覆盖率。 A3C：基于强化学习的测试生成工具，通过策略梯度方法生成高质量测试用例。 3. 基于自然语言处理（NLP）的测试生成： 文档驱动测试生成： Testim：AI 驱动的测试平台，通过分析文档和用户故事自动生成测试用例，减少人工编写时间。 Test.ai：利用 NLP 技术从需求文档中提取测试用例，确保测试覆盖业务需求。 自动化测试脚本生成： Selenium IDE + NLP：结合 NLP 技术扩展 Selenium IDE，从自然语言描述中生成自动化测试脚本。 Cucumber：使用 Gherkin 语言编写的行为驱动开发（BDD）框架，通过解析自然语言描述生成测试用例。 4. 基于模型的测试生成： 状态模型： GraphWalker：基于状态模型生成测试用例，适用于复杂系统的行为测试。 Spec Explorer：微软开发的模型驱动测试工具，通过探索状态模型生成测试用例。 场景模拟： Modelbased Testing：基于系统模型自动生成测试用例，覆盖各种可能的操作场景和状态转换。 Tosca Testsuite：基于模型的测试工具，自动生成和执行测试用例，适用于复杂应用的端到端测试。 5. 实践中的应用示例： Web 应用测试：使用 Testim 分析用户行为和日志数据，自动生成高覆盖率的测试用例，检测不同浏览器和设备上的兼容性问题。 移动应用测试：利用 Test.ai 从需求文档中提取测试用例，确保覆盖关键功能和用户路径，提高测试效率和质量。 复杂系统测试：采用 GraphWalker 基于系统状态模型生成测试用例，确保覆盖所有可能的状态和操作场景，检测系统的边界情况和异常处理能力。 总结：AI 在生成测试用例方面具有显著的优势，可以自动化和智能化生成高覆盖率的测试用例，减少人工编写测试用例的时间和成本。通过合理应用 AI 工具，前端开发工程师可以提高测试效率、增强测试覆盖率和发现潜在问题，从而提升软件质量和用户体验。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

以下是一些与投标书编写相关的免费 AI 工具： 1. AutogenAI：伦敦初创公司开发的基于生成型人工智能的工具，可帮助企业撰写更强的提案，提高中标率。自成立不到一年已获 28 个客户，能将撰写强大提案的过程加快 800%，同时降低 10%的采购成本。网址：https://autogenai.com 。 此外，还有一些用于 AIGC 相关检测的网站： 1. ：提供免费的 AI 内容检测工具，可识别文本是否由 AI 生成。使用方法为将文本粘贴到在线工具中点击检测按钮获取分析结果。 2. GPTZero：专门用于检测由 GPT3 生成内容的工具，适用于教育和出版行业。使用时上传文档或输入文本，系统会分析并提供报告显示是否由 GPT3 生成。 3. Content at Scale：提供 AI 内容检测功能，帮助识别文本是否由 AI 生成。使用时将文本粘贴到在线检测工具中获取分析结果。

生成图书伴读智能体通常可以参考以下几种方式： 1. 扣子初体验——菠萝作词家： 首先想一个智能体的名字。 写一段该智能体的详细介绍，介绍越详细越好，因为它会根据您的介绍智能生成符合主题的图标。 最后点击确认，新的智能体就诞生了。 2. 我用扣子做一个简单的智能体——竖起耳朵听： 第一步，起一个智能体的名称。 第二步，写一段智能体的简单介绍。 第三步，使用 AI 创建一个头像。 3. Coze + 飞书多维表格： 前期准备：设计 AI 稍后读助手的方案思路。 简化“收集”：实现跨平台收集功能，支持电脑（web 端）、安卓、iOS 多端操作。考虑到待阅读内容通常都有网页链接，最理想的方式是只需输入一个 URL 就能完成收集。借鉴微信文件传输助手的直观操作方式，通过聊天窗口完成收集输入会更符合用户习惯。 自动化“整理入库”：为便于存储和回顾已收集的阅读清单，系统应在入库时自动整理每条内容的关键信息，包括标题、摘要、作者、发布平台、发布日期、收集时间和阅读状态。同时，这份阅读清单最好也能支持跨平台查看，提高可访问性。 智能“选择”推荐：根据当前收藏记录，结合用户的阅读兴趣，进行相关性匹配，并生成最合适的阅读计划。 根据以上思路，同在字节生态中的 Coze、飞书、飞书多维表格，正好可以为 AI 稍后读构建一个完整的 AI 工作流。具体来说，通过飞书机器人与 Coze 搭建的智能体进行对话，在聊天窗口中完成链接输入和阅读计划输出，由 Coze 调用大模型、插件，完成内容的整理、推荐。

飞书智能伙伴创建平台（英文名：Aily）是飞书团队旗下的企业级 AI 应用开发平台，能提供简单、安全且高效的环境，帮助企业构建和发布 AI 应用，推动业务创新和效率提升，为企业探索大语言模型应用新篇章、迎接智能化未来提供理想选择。 在飞书智能伙伴创建平台上实现 RAG 相关应用有多种方式： 1. 利用飞书的知识库智能问答技术，引入 RAG 技术，通过机器人帮助用户快速检索内容。 2. 可以使用飞书的智能伙伴功能搭建 FAQ 机器人，了解智能助理的原理和使用方法。 3. 本地部署资讯问答机器人，如通过 Langchain + Ollama + RSSHub 实现 RAG，包括导入依赖库、从订阅源获取内容、为文档内容生成向量等步骤。例如使用 feedparse 解析 RSS 订阅源，ollama 跑大模型（使用前需确保服务开启并下载好模型），使用文本向量模型 bgem3（如从 https://huggingface.co/BAAI/bgem3 下载，假设放置在某个路径 /path/to/bgem3，通过函数利用 FAISS 创建高效向量存储）。 使用飞书智能伙伴创建平台的方式： 1. 在 WaytoAGI 飞书知识库首页找到加入飞书群的链接（二维码会定期更新，需在找到最新二维码），点击加入，直接@机器人。 2. 在 WaytoAGI.com 的网站首页，直接输入问题即可得到回答。 创建问答机器人的原因： 1. 知识库内容庞大，新用户难以快速找到所需内容。 2. 传统搜索基于关键词及相关性，存在局限性。 3. 需要用更先进的 RAG 技术解决问题。 4. 在群中提供快速检索信息的方式，使用更便捷。 2024 年 2 月 22 日的会议介绍了 WaytoAGI 社区的成立愿景和目标，以及其在飞书平台上的知识库和社区情况，讨论了相关技术和应用场景，并介绍了企业级 agent 方面的实践。

工作流和智能体的区别主要体现在以下几个方面： 定义： 工作流是通过预定义代码路径来编排 LLM 和工具的系统。 智能体则是由 LLM 动态指导自身流程和工具使用的系统，能够自主控制任务完成方式。 功能： 智能体是一个自动化的“助手”，用来执行特定任务，擅长做一些具体的、重复性的任务，比如客服聊天、推荐商品、处理订单等，但只能按照预先设定的规则和任务来做事，如果遇到超出范围的情况，就不知道怎么办了。 工作流是一系列任务的流程，决定了每个步骤应该做什么，可以处理一个完整的过程，比如从客户下单、付款到发货和售后服务，涵盖了所有步骤和环节，更灵活，能够适应变化，可以调整步骤和规则来应对不同的情况，不需要一开始就固定下来。 范围： 智能体是特定任务的“助手”，用于局部执行任务。 工作流是一个“计划”或“路线图”，指导整个任务的流程。简单说，工作流是全局的，智能体是局部的。 在业务中，通常需要的是工作流而非单个智能体，因为整个业务流程设计至关重要。例如，在烹饪中，关键不在于使用多贵的锅，而是按步骤完成每道工序。因此，工作流才是解决问题的关键，它帮助优化思路、提升效率。设计好工作流才能大幅提升整体业务效率。

以下是关于智能客服的相关内容： 在开源 AI 社区中，通过 Coze 开发了社群运营机器人作为智能客服。 知识库问答方面：将社区长期积累的文章和资料喂给机器人学习，它能通过 RAG 机制匹配用户问题给出准确稳定答案。解决了如“AGI 是什么”“什么是 ChatGPT”等基础问题，提高了效率，保证了答案的准确性和一致性。此外，机器人还会基于问题给出相关延伸阅读链接，鼓励用户主动学习，影响用户学习方式。 定时推送方面：能将活动信息和社区动态定时推送给用户，避免用户因不在电脑前错过重要活动。提前设置好推送任务，就能精准送达。 关于 GPT 智能客服部署：GPTs 是 GPT 的一种 ID 账号形态，类似微信公众号，用户可开发自己垂类应用。开放门槛低，基本是 0 代码，开发方式包括自然语言（prompt）、知识库（knowledge）、第三方 API 对接（Action）。其实现目前最强的智能客服，具有对话流畅、多观点融合、答案准确等特点，不太擅长推理计算。实现原理是将 FAQ 上传到知识库，让 GPTs 具有客服应答能力。猜测类似检索增强生成技术（RAG），将知识库和问题一起做 embedding，扔给 LLM 作答。

我并非基于某个特定的大语言模型。AI 领域中的语言模型众多，例如 GPT3 等。大语言模型通常是使用深度学习和神经网络创建的，基于人类训练数据来理解单词、代码语法等。像生成式 AI 可以生成文本、图片、音频、视频等内容形式，其中包括大语言模型。2017 年 6 月，谷歌团队发表的论文《Attention is All You Need》首次提出了 Transformer 模型，它基于自注意力机制处理序列数据，不依赖于循环神经网络或卷积神经网络。

在 AI 领域，存在决策智能体。例如，Anterior 公司开发的临床决策引擎用于自动化理赔提交审核，其智能体遍历决策树并利用语言模型评估相关文件。此外，Norm AI 为监管合规打造智能体，Parcha 为 KYC 建立智能体。 在传统职业领域，“Agent”一词涵盖多种职业角色。在商业领域，随着大航海时代及全球贸易兴起，“Agent”的角色变得重要，如贸易代理和公司代理商。工业革命期间，其职能拓展到保险、房地产等新兴行业。19 世纪，政府及情报领域也广泛使用，如情报特工和便衣警察。 在现代（20 世纪至 21 世纪），“Agent”在娱乐和体育行业指艺人经纪人和运动员经理等，负责安排试镜、合同谈判和规划职业生涯。还包括劳务代理和招聘代理（猎头），劳务代理提供劳动力匹配服务，猎头为公司招募高技能或高级管理职位的专业人士。从词源和历史变迁看，“Agent”具有行动和替身的含义，多数情况下是替代他人做事。但目前尚未有明确指向“职业经理人智能体”的特定概念。

以下是为您整理的关于 MCP 的相关内容： 一、什么是 MCP MCP（Model Context Protocol）是一种通用的方式，向各类大语言模型提供数据源和工具。它是一个开放协议，用于标准化应用程序向大语言模型提供上下文的方式。可以将 MCP 想象成 AI 应用程序的 USBC 接口，为 AI 模型连接不同的数据源和工具提供了标准化方式。 二、相关文章的写作目的和探讨内容 1. 作者因在 WaytoAGI 社区阅读了他人优秀文章，决定逼自己做输出，对自我学习进行总结。 2. 文章从作者自身疑问出发，通过动手实践的方式探索：利用自然语言交互，大模型为什么会调用 MCP 工具；大模型调用 MCP 工具，从客户端到服务端发生了什么；安装了类似 MCP 工具，大模型如何选择用哪一个。 三、MCP 和 AI 工具的未来 自 OpenAI 发布函数调用以来，思考解锁智能体和工具使用生态系统所需条件。MCP 于 2024 年 11 月推出，在开发者和 AI 社区中已获广泛关注，被视为潜在解决方案。探讨了其如何改变 AI 与工具的交互方式、开发人员的使用情况及仍需解决的挑战。 四、MCP 小白图文使用教程 MCP 服务器有三大核心功能： 1. 资源：是服务器提供给 AI 的数据内容，如文件、数据库结构或特定信息，每个资源通过唯一 URI 标识。 2. 工具：允许 AI 模型执行特定操作，如查询数据库、调用 API 或执行计算，每个工具由名称和描述其模式的元数据唯一标识。 3. 提示：提供结构化消息和指令，用于与语言模型交互，客户端可以发现可用提示、检索其内容并提供参数进行自定义。 希望以上内容对您有所帮助。

创建属于自己的智能体并进行投喂，主要包括以下步骤： 1. 工作流调试完成后，将其加入到智能体中。可以选择工作流绑定卡片数据，智能体通过卡片回复。绑定卡片数据可自行研究，如有疑问可留言。 2. 发布智能体： 选择需要的发布渠道，重点如飞书多维表格。 记得智能体提示词的 4 个变量，发布时会自动出现。 填写上架信息（为快速审核，选择仅自己可用），确认发布并等待审核。审核通过后，即可在多维表格中使用。 3. 创建飞书多维表格，添加相关字段。配置相关内容，选择“自动更新”，输入 4 个字段后，“文案视频自动化”字段捷径会自动调用工作流，生成视频。 4. 表单分享，实现“填写表单，自动创建文案短视频”的效果。 5. 点击多维表格右上角的“自动化”，创建想要的自动化流程。 此外，创建智能体还包括以下具体操作： 1. 使用单 Agent 对话流模式创建智能体。 2. 编排对话流，创建新的对话流并与智能体关联。 3. 进行测试，找到一篇小红书笔记，试运行对话流，在对话窗口输入地址，看到数据则成功。回到智能体编排页面同样测试，确保对话流执行成功。 4. 发布智能体，选择多维表格，进行配置。包括输出类型选文本、输入类型选字段选择器，完善上架信息，选择发布范围等。 如果没有创建智能体的灵感，可以查看相关案例集或通过与特定工具进行对话获取。通过扣子助手可快速进行创建，参考相应的 Prompt 进行操作。最后发布作品。

以下是使用 Coze 创建工作流采集生成视频号内容的步骤： 1. 安装 Coze Scraper 扩展程序至浏览器，完成安装后可手动采集要上传到扣子知识库的内容。更多关于知识库的内容，详情请参考。 登录。 在左侧菜单栏，选择一个工作区。 在工作区内，单击知识库页签。 创建一个知识库或点击一个已存在的知识库。 在知识库页面，单击新增单元。 在文本格式页签下，选择在线数据，然后单击下一步。 单击手动采集，然后在弹出的页面点击权限授予完成授权。 在弹出的页面输入要采集内容的网址，然后单击确认。 在弹出的页面上，点击页面下方文本标注按钮，开始标注要提取的内容，然后单击文本框上方的文本或链接按钮。 单击查看数据查看已采集的内容，确认无误后再点击完成并采集。 2. 创建工作流： 登录到您的 Coze 账户，导航至个人空间页面。 在个人空间页面上，点击“工作流”按钮，系统会展示之前创建的工作流列表。 在页面的右上角，点击“创建工作流”按钮，打开创建工作流的界面。 在创建工作流的页面上，填写工作流的名称（必须使用英文字符）和描述（一段简洁的文本，帮助模型理解工作流的功能和用途以及触发情境）。 完成必填项后，系统将自动跳转到工作流的编辑页面，其中预设并配置了开始节点和结束节点。开始节点是用户输入内容的起点，结束节点是收尾角色，无论工作流中进行了哪些操作，最终都必须通过结束节点来完成。系统强制要求在工作流的最后步骤中包含结束节点，只有当整个流程的最终动作指向结束节点时，工作流才能够进行试运行和正式发布。 在工作流编辑页面的左侧，有组件库，包括大模型组件（用于执行复杂的数据处理任务）、代码组件（允许运行自定义代码段）、消息组件（用于发送或接收消息）、数据库组件（与数据库交互，执行查询或更新操作）、选择器组件（用于在工作流中进行条件判断和分支选择）。

以下是创建智能体的相关步骤： 1. 进入 coze 官网（www.coze.cn），注册并登录。 点击页面左上角的⊕。 通过【标准创建】填入 bot 的基本信息。 2. 了解 Bot 开发调试界面： 人设与回复逻辑（左侧区域）：设定 Bot 的对话风格、专业领域定位，配置回复的逻辑规则和限制条件，调整回复的语气和专业程度。 功能模块（中间区域）： 技能配置：插件可扩展 Bot 的专业能力，如计算器、日历等工具；工作流可设置固定的处理流程和业务逻辑；图像流用于处理和生成图像的相关功能；触发器可设置自动化响应条件。 知识库管理：文本可存储文字类知识材料；表格用于结构化数据的存储和调用；照片是图像素材库。 记忆系统：变量可存储对话过程中的临时信息；数据库管理持久化的结构化数据；长期记忆保存重要的历史对话信息；文件盒子管理各类文档资料。 交互优化（底部区域）：设置开场白、用户问题建议、快捷指令、背景图片等。 预览与调试（右侧区域）：实时测试 Bot 的各项功能，调试响应效果，优化交互体验。 3. 具体创建过程： 打开扣子官网：https://www.coze.cn/ 。 “画小二智能小助手”Coze 商店体验地址：https://www.coze.cn/store/bot/7371793524687241256?panel=1&bid=6cqnnu5qo7g00 。 点击创建 Bot，在对话框中工作空间选择“个人空间”，命名为画小二智能小助手。 设置提示词。 4. 一般创建要点： 想一个智能体的名字。 写一段该智能体的介绍，越详细越好，因为它会根据您的介绍智能生成符合主题的图标。最后点击确认，一个新的智能体就诞生了。

以下是用扣子创建一个智能体的步骤： 1. 打开扣子官网（https://www.coze.cn/）。 “画小二智能小助手”Coze商店体验地址：https://www.coze.cn/store/bot/7371793524687241256?panel=1&bid=6cqnnu5qo7g00 。 点击创建 Bot，在对话框中工作空间选择“个人空间”，命名为您想要的名称，例如“画小二智能小助手”。 2. 设置提示词：为智能体设置相关的提示词。 3. 开始创建： 想一个智能体的名字。 写一段该智能体的介绍，越详细越好，系统会根据介绍智能生成符合主题的图标。最后点击确认，一个新的智能体就诞生了。 4. 动手实践： 创建一个智能体，使用单 Agent 对话流模式。 编排对话流，点击创建一个新的对话流（记得要和智能体关联）。 进行测试，找到一篇小红书笔记，试运行对话流，直接在对话窗口输入地址，当看到数据即为成功。 发布，点发布后，只选择多维表格，然后进行配置。 输出类型选文本。 输入类型选择字段选择器。 完善上架信息，填个表格。在选发布范围的时候，可以选仅自己可用，否则审核时间较慢。提交上架信息后，返回配置界面会显示已完成，即可完成最终的提交。

AI 生成测试用例可以通过以下多种方法实现： 1. 基于规则的测试生成： 测试用例生成工具：如 Randoop（适用于 Java 应用程序）、Pex（适用于.NET 应用）。 模式识别：如 Clang Static Analyzer 利用静态分析技术识别代码模式和潜在缺陷生成相应测试用例，Infer 自动生成测试用例帮助发现和修复潜在错误。 2. 基于机器学习的测试生成： 深度学习模型：如 DeepTest 生成自动驾驶系统的测试用例，DiffTest 基于对抗生成网络（GAN）生成测试用例。 强化学习：如 RLTest 通过与环境交互学习最优测试策略，A3C 通过策略梯度方法生成高质量测试用例。 3. 基于自然语言处理（NLP）的测试生成： 文档驱动测试生成：如 Testim 通过分析文档和用户故事自动生成测试用例，Test.ai 从需求文档中提取测试用例。 自动化测试脚本生成：如 Selenium IDE 结合 NLP 技术扩展从自然语言描述中生成自动化测试脚本，Cucumber 使用 Gherkin 语言编写的行为驱动开发（BDD）框架通过解析自然语言描述生成测试用例。 4. 基于模型的测试生成： 状态模型：如 GraphWalker 基于状态模型生成测试用例，Spec Explorer 微软开发的模型驱动测试工具通过探索状态模型生成测试用例。 场景模拟：如 Modelbased Testing 基于系统模型自动生成测试用例覆盖各种可能的操作场景和状态转换，Tosca Testsuite 基于模型的测试工具自动生成和执行测试用例适用于复杂应用的端到端测试。 5. 实践中的应用示例： Web 应用测试：使用 Testim 分析用户行为和日志数据自动生成高覆盖率的测试用例检测不同浏览器和设备上的兼容性问题。 移动应用测试：利用 Test.ai 从需求文档中提取测试用例确保覆盖关键功能和用户路径提高测试效率和质量。 复杂系统测试：采用 GraphWalker 基于系统状态模型生成测试用例确保覆盖所有可能的状态和操作场景检测系统的边界情况和异常处理能力。 此外，让 AI 写出您想要的代码，可以通过创建优质的.cursorrules 来实现，具体包括： 1. 先说清楚您是谁，让 AI 按照专家的水准来思考和编码。 2. 告诉 AI 您要干什么，使其围绕目标写代码。 3. 定好项目的“规矩”，强调团队的代码规范。 4. 明确文件放置位置，便于后期查找。 5. 指定使用的“工具”，保证项目的整洁和统一。 6. 告诉 AI 怎么做测试，使其生成的代码考虑可测试性并主动写测试用例。 7. 推荐参考资料，让 AI 基于最佳实践写代码。 8. 若项目涉及页面开发，补充 UI 的要求。