帮我写一个每周工作总结的prompt

以下是关于代码 review 的 prompt 相关内容： 名词解释： Prompt：一段文本或语句，用于指导机器学习模型生成特定类型、主题或格式的输出。在自然语言处理领域中，通常由问题或任务描述组成，在图像识别领域中，可以是图片描述、标签或分类信息。 LangChain：开源 Python 库，由 Harrison Chase 开发，旨在支持使用大型语言模型和外部资源开发应用程序，提供标准接口，与其他工具集成，并为常见应用程序提供端到端链。 Embedding：将任意文本映射到固定维度的向量空间中，相似语义的文本，其向量在空间中的位置会比较接近。在 LLM 应用中常用于相似性的文本搜索。 向量数据库：存储向量表示的数据库，用于相似性搜索，如 Milvus、Pinecone 等。 Similarity Search：在向量数据库中搜索离查询向量最近的向量，用于检索相似项。 知识库：存储结构化知识的数据库，LLM 可以利用这些知识增强自己的理解能力。 InContext Learning：机器学习领域的概念，指不调整模型自身参数，在 Prompt 上下文中包含特定问题相关的信息，赋予模型解决新问题能力的一种方式。 Finetune /微调：在预训练模型基础上使用特定数据集进行微调，提升模型在某任务上的性能。 软件工程师相关的 Prompt 示例： 解释代码：👉向我解释此代码{要解释的代码} 请解释这段代码{代码段} 调试代码，找 Bug：👉这个{编程语言}代码有什么问题 代码：{待调试代码} 这段代码有什么问题{代码段} 生成单元测试：👉生成单元测试代码 请输入你要{要使用的语言和框架}，再输入{代码段} 请为以下代码片段创建一组单元测试以进行彻底测试 它的功能。首先，概述你计划创建的测试用例。其次，使用{要使用的语言和框架}和下面提供的代码片段来实现测试用例。 创建样本代码库：👉为{描述功能所需的应用程序创建样板代码库}。请使用{指定的编程语言和框架}。 例如：为包含第三方 API 的应用程序创建样板代码库。请用 Django 框架上使用 Python 代码。 向代码添加注释：👉请输入你要添加注释的{代码段} 请查看以下代码片段并为每一行代码提供注释，解释其目的和功能。检查完代码后，请重新生成带有添加注释的代码段。 比较两段代码：👉请输入你要比较的两个{代码段 1}、{代码段 2}，最好{描述你在建构的内容和目的} 我正在开发一个{描述你正在构建的}并且想评估和 将{第一个比较项}与{第二个比较项}进行比较。请提出基本{您正在构建的内容}的要求，并创建两个满足这些要求的代码库一个使用{第一个比较项}，另一个使用{第二个比较项}。请提供在我的本地计算机上运行这两个应用程序的明确说明。 生成正则表达式：👉请创建一个正则表达式匹配{你想匹配的模式} 请创建一个正则表达式匹配{你想匹配的模式} 解决 Leetcode 问题：👉请用{所需语言}编写代码来解决以下挑战：{待解决挑战的概述} 请用{所需语言}编写代码来解决以下挑战：{待解决挑战的概述} 查找边缘情况：👉请帮我找下以下代码的边缘情况：{代码段} 我想让你充当软件开发人员。请帮我抓住这个功能的边缘情况{插入功能函数} 增强代码可读性：👉请帮我优化下面代码：{代码段} 我想让你充当代码分析器。您能否改进以下代码以提高可读性和可维护性？{插入代码}

以下是一些 AI 相关的常见缩写及对应含义： LLM：Large language model 的缩写，即大语言模型。 Prompt：中文译作提示词，是输入给大模型的文本内容，可理解为与大模型说的话或下达的指令，其质量会显著影响大模型回答的质量。 Token：大模型语言体系中的最小单元。不同厂商的大模型对中文的文本切分方法不同，通常 1Token≈12 个汉字。大模型的收费计算及输入输出长度限制常以 token 为单位计量。 上下文（context）：指对话聊天内容前、后的内容信息，其长度和窗口会影响大模型回答的质量。 在 AI 绘画中，常见的画面构图提示词有： 视图相关：Bottom view（底视图）、front,side,rear view（前视图、侧视图、后视图）、product view（产品视图）、extreme closeup view（极端特写视图）、look up（仰视）、firstperson view（第一人称视角）、isometric view（等距视图）、closeup view（特写视图）、high angle view（高角度视图）、microscopic view（微观）、super side angle（超博角）、thirdperson perspective（第三人称视角）、Aerial view（鸟瞰图）、twopoint perspective（两点透视）、Threepoint perspective（三点透视）、portrait（肖像）、Elevation perspective（立面透视）、ultra wide shot（超广角镜头）、headshot（爆头）、a crosssection view of）

以下是一些关于让 GPT 陪聊的 prompt 相关知识： 夙愿提出了使用 GPT 模仿创作内容的万能思路。在 Prompt 迭代方面，特别是 GPT 优化 Prompt 时，0.3 版创作的标题存在太夸张的问题。可通过与 GPT 深入交流来优化，如向 GPT 提问为何标题夸张，受哪些提示影响。影响因素包括修辞手法、日常口语风格、情感色彩和提供的示例等。 像高手一样编写 GPT 时，和上一个例子相同的是顶部有和 GPT 使用搜索和画图一样的小图示“Talk to”。其中包含两个英文单词，对应在 GPT 里设置的两个 Action，一个代表 themoviedb 的某条数据，一个代表使用 webpilot 这个工具，且有类似网址的内容。 南瓜博士提到让 AI 的回复更有灵性（人味儿）的 Prompt 小技巧。GPT 回答问题常很古板，常见方法是让其扮演特定角色、给出明确输出要求，但效果有限。要让其更有趣，可让它在回复中加点感情，如营造特定环境，用括号写出动作，通过示范给予上下文学习的机会，使其后续回复更具画面感。

以下是为您制定的学习 prompt 的计划： 一、准备阶段 首先，您需要拥有一个大模型账号，并熟悉与它们对话的方式。推荐使用性能较强的 ChatGPT4 ，国产平替有 。 二、基础学习 1. 阅读 OpenAI 的官方文档，包括： 同时，也可以参考我和熊猫 Jay 在 AGI 分享的中文精读版官方 Cookbook： 三、深入学习与实践 1. 学习 Claude 官方提示词，中文版（含 API Prompt），包括为给定主题创建全面的课程计划，如： 明确课程目标，使其清晰、可衡量，并与教育标准一致。 提供详细大纲，分为介绍、主要活动和总结，描述教学方法、学习活动和资源。 采用差异化策略适应不同学习需求和风格。 确定评估方法以评估学生的理解和掌握程度。 2. 进行苏格拉底式对话，就给定话题通过反复询问激发更深层次的思考和反思。 3. 针对给定主题生成同音连绵的词语和句子。 4. 掌握 Prompt 句式，例如： 对于“我想了解xxxx，我应该向你问哪些问题？”等句式，明确哪些是您不知道而 GPT 知道的。 对于“我理解的 xxx 是这样的，你觉得我的理解对吗？”等句式，进行认知的检验。 对于“我在 xxx 问题上遇到困难，你能提供一些可能的解决方案或建议吗？”等句式，实现认知的扩充。 希望这个学习计划对您有所帮助，祝您学习顺利！

Prompt 是您给模型（如 Claude 等）的文本，用于引发相关输出。它通常以问题或指示的形式出现。例如：“为什么天空是蓝色的？”。简单来说，它是一套您和大模型交互的语言模板，通过这个模板，您可以输出对大模型响应的指令，明确模型应做什么、完成什么任务、如何处理具体任务，并最终获得期望的结果。大模型的本质是基于语言的概率模型，若直接询问而不提供 Prompt，模型随机给出答案；有了 Prompt 则相当于给了一个包含对模型要求、输入和输出限制的模板，使模型在限制下得到概率最大的答案。此外，Prompt 是给到大模型输入的一段原始输入，能帮助模型更好地理解用户需求并按特定模式或规则响应。比如可以设定“假设你是一位医生，给出针对这种症状的建议”，后续对话将按此设定展开。还能在 Prompt 设定中要求模型按一定思路逻辑回答，如思维链（cot），也能让模型按特定格式（如 json）输出，使模型成为输出器。

以下是关于 Midjourney Prompt 编写的指南： 1. 基本结构 与 Niji·journey 5 相似，Midjourney Prompt 结构为：<产出属性要求+设计主体描述+风格要求+效果要求> 2. 产出属性要求 例如：Anime, AAA character concept art, many details, full body view 等，需首先明确属性要求。 3. 设计主体描述 如：a blonde twintail short little Girl wear inside cyberpunk latex tiny tight Pilot suit, wear outside an ultra detailed Futuristic fashion oversized cyberpunk short coat with big wide sleeves, big cyberpunk boots 。可以参考相关特征进行描述，注意规避屏蔽词汇，通过描述年龄控制角色年龄段。 4. 风格要求 可以使用各种风格描述词汇，或直接写上参考游戏设计的名字，出于知识产权尊重，不建议写设计师名字。 5. 效果要求 包括：lineart, beautiful linework, high contrast, frisky, gradient, manga, hd 等。还可以写上 Midjourney 三视图关键词、背景颜色、不要生成文字 logo 等具体要求。 6. 其他相关 若公共频道消息刷太快，可在私信 Midjourney Bot 使用 /imagine 命令，私信创建的图像仍受内容和管理规则限制，且可在 Midjourney 网站查看。 Prompts 是 Midjourney Bot 中的指令，可简单或详细，Bot 会根据 Prompt 生成图像网格，可选择并修改操作。了解编写基础提示信息可参考 https://docs.midjourney.com/prompts ，探索通过艺术媒介、地点和时期描述改变图像可参考 https://docs.midjourney.com/exploreprompting 。 /blend 命令允许使用 Midjourney 的 AI 图像生成将多个图像混合，需上传至少两张图像，输入命令加上图像 ID 和选项，可调整混合设置，生成新图像。学习上传和混合自己的图片可参考 https://docs.midjourney.com/v1/docs/blend 。

以下是为您提供的一些 AI 学习分享的内容建议： 1. AI 视频学社相关 介绍 AI 视频学社，包括通过参与每周比赛快速学习 AI 视频知识，以及高手直播分享前沿知识。 2. 新手学习 AI 的方法 掌握提示词技巧，因其上手容易且实用。 进行实践和尝试，理论学习后通过实践巩固知识，尝试制作作品并分享。 体验多种 AI 产品，如 ChatGPT、Kimi Chat、智谱、文心一言等，了解其工作原理和交互方式。 持续学习和跟进，关注领域新闻、博客、论坛和社交媒体，加入社群和组织，参加研讨会等活动。 3. 学习资料分享 驭势科技团队的 AI 学习资料，包括《》。 《》的混沌学园线上直播课件。 希望以上内容能对您的 AI 学习分享有所帮助。

编写每周工作总结的prompt需要包括一些关键要素，以确保总结既全面又具有针对性。以下是一个编写每周工作总结的prompt示例： 标题： 引言： 简短介绍本周工作的总体情况和目标。 已完成工作： 1. 项目/任务名称： 目标/预期成果：描述项目或任务的目标。 完成情况：详细说明完成的工作内容和成果。 关键成果：列出本周在该项目或任务中取得的关键成果或里程碑。 2. 其他任务： 列出并描述其他完成的任务和工作。 进行中的工作： 1. 项目/任务名称： 当前状态：描述任务当前的进展状态。 遇到的问题/挑战：如果有，说明遇到的问题及采取的解决措施。 2. 其他进行中的事项： 列出并描述其他正在进行中的工作。 下周计划： 1. 计划开始/继续的工作： 列出下周计划开始或继续进行的项目和任务。 2. 目标设定： 明确下周的工作目标和预期成果。 需要支持/资源： 说明为完成下周计划是否需要额外的支持或资源。 个人感想/反思： 分享本周工作中的学习点、挑战或任何值得反思的地方。 附件/补充材料： 如果有相关的文档、报告或数据支持工作总结，可以在此列明。 这个prompt提供了一个结构化的框架，帮助你系统地回顾一周的工作，并为下一周的工作做出计划。根据实际情况，你可以调整各个部分的内容和细节。

以下是关于 AI 总结的相关内容： 可以让 AI 总结各种文章（不超过 2 万字），如复制文章全文粘贴发送给 GPTs 即可进行总结，GPT4 能识别重点内容。 对于 B 站视频，可利用视频字幕进行总结。若视频有字幕，可安装油猴脚本“Bilibili CC 字幕工具”，下载字幕后复制发送给 GPTs 进行总结。 总结类文章，AI 可能不会读完整个文章，而只是头尾读一下，中间随机读。 大型模型的能力可能不足以支撑商业运营，产生了一些伪需求。AI 可以帮助总结内容，但可能会忽略有价值的信息，可定制专门的 Prompt 进行总结并不断迭代，但能坚持的人可能本身不太需要这种服务。同时，AI 也可能导致新的信息茧房。

以下是一些可以录音然后总结会议内容的软件： 1. 通义听悟、飞书妙记、钉钉闪记。以钉钉闪记为例，操作步骤如下： 第一步打开钉钉闪记。 结束录音后点击“智能识别”。 点击智能摘要，就可以获得本次会议的纪要。 如果需要更多内容，复制所有文案或下载文本文件到GPT、GLM、通义千问等大语言模型对话框中，再将会议内容发送。 该场景对应的关键词库包括：会议主题、参与人员、讨论议题、关键观点、决策、时间、地点、修改要求、文本格式、语言风格、列表、段落。 提问模板： 第一步：用飞书会议等软件整理好会议记录，并分段式发给 ChatGPT 生成总结： 提问模板：请根据以下会议资料，整理会议的关键信息，包括：会议主题、参与人员、讨论议题、关键观点和决策。 会议资料： 时间：XXX 年 XXX 月 XXX 日 地点：XXXX 参与人员：XXX、XXX 会议主题：XXXX 讨论内容：Speaker1：XXX，Speaker2：XXX，Speaker3：XXX 第二步：检查生成的总结： 提问模板：请根据我提供的会议补充信息和修改要求，对 XXX 部分进行修改。 会议补充信息：XXXX 修改要求：XXXX 第三步：优化文本格式和风格 提问模板： 请将生成的总结，以 XXX 形式呈现（例如：以列表的形式、以段落的形式、使用正式/非正式的语言风格） 请给上述会议总结，提供修改意见，并根据这个修改意见做最后的调整 2. 免费的会议语音转文字工具，不过大部分有使用的时间限制，超过一定的免费时间后就需要付费。以下是几款推荐的免费工具： ：飞书的办公套件之一。 ：阿里推出的 AI 会议转录工具。 ：讯飞旗下智慧办公服务平台。 ：转录采访和会议纪要。 更多会议记录工具请访问网站：https://waytoagi.com/sites/category/29 3. 以下是一些与会议总结相关的工具： 请注意，内容由 AI 大模型生成，请仔细甄别。

作为 LLM 训练的下游任务，一般的训练流程如下： 1. 首先从大量文本数据中训练出一个基础 LLM。 2. 随后使用指令和良好尝试的输入和输出来对基础 LLM 进行微调和优化。 3. 接着通常使用称为“人类反馈强化学习”的技术进行进一步细化，以使系统更能够有帮助且能够遵循指令。 在训练过程中，会涉及到一些相关的理论探讨和评价指标： 理论探讨方面，如在推理阶段对 InContext Learning 能力的运行分析，将其视为隐式微调，通过前向计算生成元梯度并通过注意力机制执行梯度下降，且实验表明 LLM 中的某些注意力头能执行与任务相关的操作。 评价指标方面，entropylike 指标（如 crossentropy 指标）常用于表征模型的收敛情况和测试集的简单评估（如 Perplexity 指标），但对于复杂的下游应用，还需更多指标，如正确性（Accuracy）、信息检索任务中的 NDCG@K 指标、摘要任务中的 ROUGE 指标、文本生成任务中的 BitsperByte 指标、不确定性中的 ECE 指标、鲁棒性（包括 invariance 和 equivariance）、公平性、偏见程度和有毒性等。

以下是关于最新 AI 搜索相关产品的总结： 自今年二月份以来，AI 搜索赛道不断有新的产品出现，市场定位有所差异。 在国内，有大模型厂商推出的 ChatBot 产品，如智谱清言、Kimi Chat、百小应、海螺 AI 等；也有搜索厂商或创业团队推出的 AI 搜索产品，如 360 AI 搜索、秘塔、博查 AI、Miku 等。 在海外，有很多成熟的和新出的泛 AI 搜索产品，如 Perplexity、You、Phind 等。中国公司和团队也有面向全球市场的出海产品，如 ThinkAny、GenSpark、Devv 等。 ThinkAny 选择出海做全球市场，主要考虑国内竞争激烈、用户付费意愿不高、存在政策风险等因素。 从解决的需求或面向的群体分类，可分为通用搜索和垂直搜索两类。通用搜索如 Perplexity、ThinkAny，没有明显的受众倾向，任何人可以搜任何问题，都能得到相对不错的搜索结果。垂直搜索如 Phind、Devv、Reportify，一般面向特定人群或特定领域，在某类问题的搜索上会有更好的结果。 AI 搜索目前主要有两类产品形态： 1. 大模型厂商或第三方推出的 ChatBot，主要交互是一个对话框+RAG 联网检索，这类产品包括 ChatGPT、Kimi Chat 等。 2. 专门做 AI 搜索的产品，主要交互是一个搜索框+搜索详情页，这类产品包括 Perplexity、秘塔等。 以下是一些推荐的 AI 搜索引擎： 1. 秘塔 AI 搜索：由秘塔科技开发，提供多模式搜索、无广告干扰、结构化展示和信息聚合等功能，旨在提升用户的搜索效率和体验。 2. Perplexity：一款聊天机器人式的搜索引擎，允许用户用自然语言提问，使用生成式 AI 技术从各种来源收集信息并给出答案。 3. 360AI 搜索：360 公司推出的 AI 搜索引擎，通过 AI 分析问题，生成清晰、有理的答案，并支持增强模式和智能排序。 4. 天工 AI 搜索：昆仑万维推出的搜索引擎，采用生成式搜索技术，支持自然语言交互和深度追问，未来还将支持图像、语音等多模态搜索。 5. Flowith：一款创新的 AI 交互式搜索和对话工具，基于节点式交互方式，支持多种 AI 模型和图像生成技术，提供插件系统和社区功能。 6. Devv：面向程序员的 AI 搜索引擎，专注于提供编程、软件开发和人工智能等领域的专业建议和指导。 7. Phind：专为开发者设计的 AI 搜索引擎，利用大型语言模型提供相关的搜索结果和动态答案，特别擅长处理编程和技术问题。 这些 AI 搜索引擎通过不同的技术和功能，为用户提供更加精准、高效和个性化的搜索体验。但内容由 AI 大模型生成，请仔细甄别。

以下是关于使用 AI 写体制内工作总结的一些建议和相关资源： 1. 对于体制内工作总结，您可以参考以下类似的 AI 办公应用案例： 办公：会议总结，涵盖会议主题、参与人员、讨论议题、关键观点、决策、时间、地点、修改要求、文本格式、语言风格、列表、段落等方面。 办公：写邮件，例如写一封关于未及时提供数据的中等大长度的摘要邮件，并列出必须在邮件中解决的问题的项目清单。 2. 有许多 AI 工具可以帮助您编写相关内容，例如： Kickresume 的 AI 简历写作器：使用 OpenAI 的 GPT4 语言模型自动生成简历，包括为简历摘要、工作经验和教育等专业部分编写内容，并保持一致语调。 Rezi：受到超过 200 万用户信任的领先 AI 简历构建平台，使用先进的 AI 技术自动化创建可雇佣简历的每个方面，包括写作、编辑、格式化和优化。 Huntr 的 AI 简历构建器：提供免费的简历模板，以及 AI 生成的总结/技能/成就生成器和 AI 驱动的简历工作匹配。更多 AI 简历产品，还可以查看这里：https://www.waytoagi.com/category/79 。 3. 除了上述内容，AI 还可以帮助您快速总结群聊消息、文章和 B 站视频等。例如总结文章时，可直接复制粘贴给 GPTs 让其总结。对于有字幕的 B 站视频，可通过安装油猴脚本 提取字幕，然后发送给 GPTs 总结。总结完后还可继续提问或探讨。

AI Agent 是一个融合了多学科精髓的综合实体，不仅有实体形态，还有丰富的概念形态，并具备许多人类特有的属性。其总体架构包括以下方面： 1. 大模型 LLM 扮演“大脑”。 2. 规划：包括子目标分解、反思与改进。子目标分解将大型任务分解为较小可管理的子目标以处理复杂任务；反思和改进可对过去的行动进行自我批评和反思，从错误中学习并改进未来步骤，提高最终结果质量。 3. 记忆。 此外，AI Agent 还具有以下特点和应用： 1. 能够自行规划任务执行的工作流路径，面向简单或线性流程的运行。 2. 可以实现多 Agent 协作，例如让大语言模型扮演不同角色，相互协作共同开发应用或复杂程序。

以下是关于自动化工作流的相关内容： ComfyUI 自动生成抠图素材： 学习使用 ComfyUI 的原因：更接近 SD 的底层工作原理，符合 AI 精神，可消灭重复性工作，作为强大的可视化后端工具能实现 SD 之外的功能，还可根据定制需求开发节点或模块。 制作动机：工作室经常需要抠图素材，传统途径存在问题，在 github 上看到相关项目后创建了工作流，可自动生成定制需求的抠图素材，全程只需几秒。 效果展示及分享：将分享创建工作流的思路和详细步骤。 AIGC 落地应用中的自动化工作流： 推荐产品：Auto GPT/Agent/Baby AGI，它们是基于 GPT4 语言模型的开源应用程序。 核心特征：用户输入目标后可自主执行任务、递归开发和调试代码，包括分解任务、选择工具、执行任务和整合结果。 应用场景：自动化任务、创建自主的 AI 代理、完成各种任务、增强 IDE 的补全功能等。 访问地址： 。 【拔刀刘】自动总结公众号内容并定时推送到微信的工作流： 工作流全貌：双击画板查看高清大图，结合具体细节反复查看。 开始节点：用户在开始节点输入 server 酱的 sendkey 和 rss 列表，key 为 server 酱的 sendkey，获取方式参看文档「相关资源」部分；rss_list 为 rss 列表，可先使用提供的测试数据。 分割 RSS 列表：使用「文本处理」节点，将输入的 rss 列表处理为一行一个，输出为数组，方便后续节点批处理。 读取 RSS 内容：在插件中找到链接读取节点，配置批处理，输入参数选择「分割 rss 列表」的 output，下方输入参数中 url 选择当前节点中的 item1。 汇总 RSS 中所有文章内容：承接上一步文章内容并格式化输出，使用「代码」节点，选择 Python 输入相关代码，配置输出项为类型选择「Array<Object>」，分别输出 title、url、author。一个正常公众号每天推送文章数量不超过 3 篇，因此代码只抓取每个公众号最近三篇的内容以提升工作流运行效率。

以下是关于自动工作流的相关内容： ComfyUI 自动生成抠图素材： 学习使用 ComfyUI 的原因：更接近 SD 的底层工作原理，符合 AI 精神，可消灭重复性工作，作为强大的可视化后端工具能实现 SD 之外的功能，还可根据定制需求开发节点或模块。 制作动机：工作室经常需要抠图素材，传统途径存在问题，在 github 上看到相关项目后创建了 ComfyUI 工作流，可自动生成定制需求的抠图素材，速度快。 会分享创建工作流的思路和详细步骤讲解。 Inhai:Agentic Workflow： 完成了自己的工作流重塑，分享了关于个人在使用 AI Agent Workflow 上的思考、AINative 应用「Pailido｜AI 拍立得」创建的初衷和实现流程，以及在个人工作流重塑上的体悟。 分享大纲围绕 AI Agent 和 Agentic Workflow 从“认识、定义、应用、偏见、实践以及延伸”展开。 介绍了吴恩达老师提出的 4 种主要的 Agentic Workflow 设计模式，包括 Reflection（反思）、Tool Use（工具）、Planning（规划）、Multiagent Collaboration（多智能体协同）。 反思本质上是博弈过程，可让两个 Agent 分别负责 Coding 和 Code Review 以获得更好效果。 提到行业的 Knowhow 是短期内个人不可被替代的固有知识资产，AGI 的时代会越来越近。

ComfyUI 的工作流是其核心部分，指的是节点结构及数据流运转过程。以下为您介绍一些相关内容： 推荐工作流网站： “老牌” workflow 网站 Openart.ai：https://openart.ai/workflows/ 。流量较高，支持上传、下载、在线生成，免费账户有 50 个积分，加入 Discord 可再加 100 积分，开通最低每月 6 美元的套餐后，每月有 5000 积分。 ComfyWorkflows 网站：https://comfyworkflows.com/cloud 。支持在线运行工作流，从实际下载量和访问量来看，略少于 openart。 Flowt.ai：https://flowt.ai/community 工作流设计方面： ComfyUI 将开源绘画模型 Stable Diffusion 进行工作流化操作，用户在流程编辑器中配置 pipeline，通过节点和连线完成模型操作和图片生成，提高流程可复用性，降低时间成本，其 DSL 配置文件支持导出导入。 Dify.AI 的工作流设计语言与 ComfyUI 有相似之处，都定义了标准化的 DSL 语言，方便导入导出复用工作流。 模仿式工作流是一种快速学习方法，Large Action Model 采用“通过演示进行模仿”的技术，从用户示例中学习。 但 Agentic Workflow 存在使用用户较少、在复杂流程开发上不够稳定可靠等问题。 动画工作流示例： ：https://bytedance.feishu.cn/space/api/box/stream/download/all/GCSQbdL1oolBiUxV0lRcjJeznYe?allow_redirect=1 ：https://bytedance.feishu.cn/space/api/box/stream/download/all/LcYfbgXb4oZaTCxWMnacJuvbnJf?allow_redirect=1 ：https://bytedance.feishu.cn/space/api/box/stream/download/all/WGdJbouveo6b9Pxg3y8cZpXQnDg?allow_redirect=1 ：https://bytedance.feishu.cn/space/api/box/stream/download/all/KZjObxCpSoF1WuxQ2lccu9oinVb?allow_redirect=1 ：https://bytedance.feishu.cn/space/api/box/stream/download/all/EVdUbp7kvojwH4xJEJ3cuEp0nPv?allow_redirect=1 ：https://bytedance.feishu.cn/space/api/box/stream/download/all/TnwFbAx3FoU617x8iabcOSYcnXe?allow_redirect=1 ：https://bytedance.feishu.cn/space/api/box/stream/download/all/TWwCbnVOtoyMpyxpGBqcUECLnNc?allow_redirect=1

在 Coze 工作流中，循环的使用方法如下： 1. 左侧工具栏选择“循环”节点。这个节点主要由两部分组成：循环节点和循环体。整体逻辑是从循环节点设置循环次数和循环项，如果输入的是数组，循环次数就是数组的长度，类似于 for 语句，每次循环项就是数组中的值。说人话就是会根据您输入的内容自动判断循环几次，来使用循环体里的逻辑处理每一项。 2. 我们这里希望循环处理的逻辑是，对上一步中的每一篇内容在数据库中进行查询，如果查到了，证明之前推送过，本次工作流就不处理了，避免重复推送。如果没有查到，证明是一篇新的文章，继续工作流后边的内容。 3. 循环体内部——数据库节点：用来在数据库中查询是否已经推送过该篇文章，输入项为上一步中的 url 和开始节点的 key（也就是 server 酱的 sendkey，这里我们重命名为 suid 了）。因为这个 Bot 最开始设计的时候，就考虑到可能有多个用户会同时使用这个 Bot 设置公众号推送内容，每个用户设置的公众号内容可能不一样，每个用户的要推送的微信号肯定也不一样，所以这里使用 server 酱的 sendkey 作为了用户的唯一标识，重命名为了 suid。所以这里查询数据库需要两个值，文章 url 和用户的 suid，来判断这名用户的这篇文章是否推送过。SQL 语句是 AI 写的，直接复制就成。记得设置一下输出项“combined_output”。这步是必须项：Coze 平台的逻辑是数据库是与 bot 绑定的，所有如果要使用数据库功能，需要在 bot 中设置一个相同名称和数据结构的数据库进行绑定，具体设置方法参见“相关资源”。 4. 循环体内容——选择器：判断数据库查询的内容是否为空，如果是空，证明数据库中没有查到，这篇文章没有给这名用户推送过，使用“文本处理”节点，拼接这篇文章的完整信息，保证信息一致性。string1：开始节点的 key，也就是 server 酱的 sendkey，用来识别用户；string2：循环节点 item 值中的 url；string3：循环节点 item 值中的 title；string4：循环节点 item 值中的 author。拼接为如下格式，方便输出，并让后边节点使用。右下方的“文本处理”节点没有实际作用，输入项随便写，主要是为了处理数据库查询到已经给这名用户推送过这篇文章情况下的占位项，否则工作流会报错。设置循环节点输出项，选择循环体中“输出新文章内容”拼接后的字符串。 此外，在大模型组件中，批处理，也就是迭代处理，允许我们对集合或数组中的每个元素进行批量处理。这种处理方式通过依次遍历集合或数组，使得每个元素都能经过相同的处理流程。批处理的关键在于其能够通过有限循环实现高效的数据处理。批处理中，我们可以设置循环次数，也就是迭代的次数。例如，在 Coze 的大模型组件中，最多可以支持 200 次的循环，这相当于一个 200 次的 for 循环，允许我们对 200 个元素进行连续的处理。此外，批处理还涉及到并发量的问题。这里的并发量指的是在单次迭代中同时处理的元素数量。通过调整并发量，我们可以在一次循环中同时处理多个元素，从而提高处理效率。例如，如果集合中有 200 个元素，我们可以设置每次同时处理 5 个元素，这样只需要 40 次循环就可以完成整个集合的处理。

以下是借鉴“决战拜年之巅”实现一个工作场合游戏的相关要点： 1. 开发背景：“决战拜年之巅”是参加 Globalgamejam 游戏比赛时，在 48 小时内开发的，主题源于“make me laugh”，产品负责人谐音想到江浙沪孝子排行榜的“孝”，结合春节想到做类似拜年的东西。 2. 火爆情况：在参赛群发布半成品后，在 QQ、微信迅速火爆，两天内有 200 万用户，最高峰同时在线 6 万人，服务器一度支持不了，凌晨才做好调整，后续有厂商赞助服务器，上线约一周。 3. 游戏特点：基于 GLM 大模型开发，又称过年模拟器，玩家在 10 个 AI 角色组成的家人群里，面对“七大姑八大姨”的连环拷问自由对话打出结局。 4. 借鉴要点： 明确创新主题和玩法，结合特定场景和需求。 注重用户体验，及时应对服务器等技术支持问题。 利用 AI 技术实现角色互动和自由对话。 需要注意的是，“决战拜年之巅”被认为可能是一个 chatbot 而非严格意义上的游戏。在设计工作场合的游戏时，要明确以下三个点：（具体要点未在提供的内容中明确）