我是说作为coze开发者如何获取到用户数据

以下是关于 Coze 的相关资源： 国内版： 网址：https://www.coze.cn 官方文档教程：https://www.coze.cn/docs/guides/welcome 大模型：使用字节自研的云雀大模型，国内网络可正常访问 海外版： 网址：https://www.coze.com 官方文档教程：https://www.coze.com/docs/guides/welcome 大模型：GPT4、GPT3.5 等大模型（访问需要突破网络限制的工具，参考文档：https://www.coze.com/docs/zh_cn/welcome.html） 学习资源： 此外，字节对 Coze 的官方解释为：Coze 是新一代一站式 AI Bot 开发平台。无论是否有编程基础，都可以在 Coze 平台上快速搭建基于 AI 模型的各类问答 Bot，从解决简单的问答到处理复杂逻辑的对话。并且，可以将搭建的 Bot 发布到各类社交平台和通讯软件上，与这些平台/软件上的用户互动。个人认为 Coze 是字节针对 AI Agent 这一领域的初代产品，在 Coze 中将 AI Agent 称之为 Bot。字节针对 Coze 这个产品部署了国内版和海外版两个站点。 AI Agent 的开发流程中，Bot 的开发和调试页面布局主要分为如下几个区块：提示词和人设的区块、Bot 的技能组件、插件、工作流、Bot 的记忆组件、知识库、变量、数据库、长记忆、文件盒子、一些先进的配置、触发器（例如定时发送早报）、开场白（用户和 Bot 初次对话时，Bot 的招呼话语）、自动建议（每当和 Bot 一轮对话完成后，Bot 给出的问题建议）、声音（和 Bot 对话时，Bot 读对话内容的音色）。

以下是关于 Coze 教学的相关内容： 一泽 Eze 提供了万字实践教程，可能是全网最好的 Coze 教程之一，能一次性带您入门 Coze 工作流。即使是非技术出身的爱好者也能跟学，学会 AI Agent 从设计到落地的全流程方法论。阅读指南中提到长文预警，可视情况收藏保存。核心看点包括通过实际案例逐步演示用 Coze 工作流构建能按模板生成结构化内容的 AI Agent、开源 AI Agent 设计到落地的全过程思路、10 多项常用的 Coze 工作流配置细节、常见问题与解决方法。适合玩过 AI 对话产品的一般用户以及对 AI 应用开发平台（如 Coze、Dify）和 AI Agent 工作流配置感兴趣的爱好者。本文不单独讲解案例所涉及 Prompt 的撰写方法，文末「拓展阅读」中有相关 Prompt 通用入门教程、Coze 其他使用技巧等内容以供前置或拓展学习。 7 颗扣子 coze 的搭建有相关视频教程，包括： 第一颗扣子野菩萨出品：2 分钟解锁超野速度的图像流 bot 创建过程，献上野菩萨的明信片，链接：https://www.coze.cn/store/bot/7384556560263020583 。 第二颗扣子Stuart：2 分钟教您制作炉石卡牌，链接：https://www.coze.cn/s/i68g8bLY/ ，原理拆解： 。 第三颗扣子陈慧凌：2 分钟做毛毡效果，链接：https://www.coze.cn/s/i65gDW2Y/ 。 第四颗扣子银海：银河照相馆，链接：https://www.coze.cn/store/bot/7384885149625761801 。 第五颗扣子Speed 团队：Speed 团队菜品秀秀，链接：https://www.coze.cn/store/bot/7384434376446148618 ，原理拆解： 。

使用 Coze 分析财报并生成图表的实现过程如下： 1. 工作流中的数据解析：用户上传 Excel 后，在工作流中获取 Excel 链接，通过插件下载并读取其中的数据。 最初尝试将解析出的 Excel 数据以单元格形式存到 bot 数据库，利用大模型根据单元格数据和用户提问生成答案，但大模型计算能力差，常出现计算错误。 改为将 Excel 转换为数据表，使用大模型把用户问题转换为 SQL，准确率很高。 由于 Coze 不能动态创建表，自行编写服务，在动作流中调用，根据 Excel 的 URL 动态创建表并插入数据，将表名存到 Coze 数据库，以便后续根据表名动态执行 SQL 获取数据。 2. 报表生成： 根据数据库表字段信息，使用大模型为用户生成 3 个推荐报表，包含标题、描述、查询 SQL，限制每次查询数据为 100 条。 拿到 SQL 后，使用插件动态执行查询数据，再根据标题和数据使用大模型转换为绘制 Echarts 图表的参数。 绘制图表，官方插件生成的图表较模糊，自行编写插件提高清晰度，并将图片放大三倍。 3. 其他相关操作： 查看大图时，把多张图片合成一张，图像流不支持合成图片，自行编写插件实现。 图表生成成功后，将图表链接存到数据库，为查看报表做准备。 大模型生成的 SQL 有时出错，可将报错信息和 SQL 传给大模型修复后重新执行，大模型生成的非标准 JSON 也可用此方案修复。 查看报表时，从数据库中查询图表链接，调用合并图片插件将几张图表合并成一张大图。 删除图表根据用户输入的标题从数据库中删除。 添加图表与前面解析 Excel 数据生成报表流程类似，用户输入标题后生成查询 SQL，后续步骤相同。

以下是使用 Coze 搭建智能体的步骤： 1. 进入 Coze 官网（https://www.coze.cn/home）。 2. 点击「个人空间工作流创建工作流」，打开创建工作流的弹窗。 3. 根据弹窗要求，自定义工作流信息，点击确认完成工作流的新建。 4. 了解编辑视图与功能，左侧「选择节点」模块中，根据子任务需要，实际用到的有： 插件：提供一系列能力工具，拓展智能体的能力边界。如思维导图、英文音频等无法通过 LLM 生成的内容，需依赖插件实现。 大模型：调用 LLM，实现各项文本内容的生成。如中文翻译、英文大纲、单词注释等。 代码：支持编写简单的 Python、JS 脚本，对数据进行处理。 5. 编辑面板中的开始节点、结束节点，分别对应分解子任务流程图中的原文输入和结果输出环节。 6. 按照流程图，在编辑面板中拖入对应的 LLM 大模型、插件、代码节点，完成工作流框架的搭建。 对于图像工作流： 1. 创建图像工作流，图像流分为智能生成、智能编辑、基础编辑三类。 2. 空间风格化插件有相关参数，如 image_url 是毛坯房的图片地址；Strength 是提示词强度，即提示词对效果图的影响度；Style 是生成效果的风格，如新中式、日式、美式、欧式、法式等；user_prompt 是用户输入的 Promot 提示词。 3. 按照构架配置工作流，调试工作流效果，调试毛坯房测试用例（https://tgi1.jia.com/129/589/29589741.jpg）。 4. 开始节点对应配置三项内容，进行提示词优化。 5. 设定人设和回复逻辑，然后点击右上角发布。

要给 Coze 中自创的智能体设置权限，您可以按照以下步骤进行操作： 1. 创建扣子的令牌： 在扣子官网左下角选择扣子 API。 在 API 令牌中选择“添加新令牌”。 给令牌起一个名字。 为了方便选择永久有效。 选择制定团队空间，可以是个人空间、也可以选择团队空间。 勾选所有权限。 保存好令牌的 Token，切勿向他人泄露。 2. Coze 设置： 获取机器人 ID：在个人空间中找到自己要接入到微信中的机器人，点击对应的机器人进入机器人编辑界面，在浏览器地址栏的 bot/之后的数据就是该机器人的 Bot ID。 API 授权：点击右上角发布，会发现多了一个 Bot as API，勾选 Bot as API，确定应用已经成功授权 Bot as API。 3. 服务器设置： 购买云服务器：推荐使用腾讯云服务器，新用户专享 28 元/年一台云服务器，如果售罄可以购买 82 元/年的，购买选项中选择宝塔 Linux 面板 8.1.0 腾讯云专享。 云服务器设置密码：选择暂不需要教学场景，点击宝塔 Linux 面板，通过远程登录的密码/密钥登录的重置密码来初始化密码，设置好密码并妥善保存。 获取宝塔 Linux 地址：点击控制面板中的应用信息的管理应用，获取宝塔应用有两种方法。第一种是在浏览器中直接输入；第二种是在复制完“sudo /etc/init.d/bt default”，然后点击后面的登录按钮，输入密码后，将刚刚复制的内容粘贴到提示符后，然后点击回车。系统会反馈外网面板地址和内网面板的地址，主要使用外网面板地址。此时还不能直接打开面板地址，需要在防火墙中设置外网可以使用 8888 端口。 设置宝塔的密码：登录宝塔 Linux 面板，输入在对话框中输入修改密码编号 5，然后输入新的密码，系统会返回新的用户名和密码，用户名和密码要妥善保存。 此外，在部署完成后，您还可以： 1. 使用飞书·稍后读助手： 得益于飞书 app 的多平台支持，您可以电脑、手机端通过飞书机器人与稍后读助手进行对话。 直接在 Coze 商店中与 bot 进行对话。 如果还选择了部署到微信服务号、订阅号，也可以通过这些渠道调用 bot。 2. 设置稍后读存储地址： 首次使用，请按以下步骤设置您的稍后读存储位置： 访问。 点击「更多创建副本」，然后复制新表格的分享链接。 将新链接发送到智能体对话中。 您还可以发送“查询存储位置”、“修改存储位置”，来更换飞书多维表格链接，调整您的稍后读存储位置。 3. 收藏待阅读的页面链接： 在对话中输入需要收藏的页面链接。如果是第一次使用，会要求授权共享数据，授权通过后，再次输入需要收藏的页面链接，即可完成收藏。 4. 智能推荐想看的内容： 在对话中发送“我想看 xx”、“xx 内容”，即可按个人兴趣推荐阅读计划。

关于您提到的 Coze 代码测试成功但运行示例时报错的问题，以下是相关的信息和可能的解决办法： 图片生成方面：理想生成图片只实现了一次，其他几次生成文字加链接，链接需点进去查看且图片需渲染或加载，无互动趣味性，增加等待时间。因为默认返回的是 markdown 格式，微信不支持 markdown 格式，可在 github 上搜索 nicecoze 插件，基于 cow，把 markdown 转换为图片消息。 模型配置方面：Coze 里面模型配置用的 GPT4o，程序运行调用的是 GPT3.5 Turno。这是因为没有查询到 4o 的 token 计算方式，所以采用 3.5 的，但依然使用的是 GPT4o，只是 token 计算方式用的 3.5。 插件功能方面：Coze 加入了插件 Data Analysia（数据分析）、Browser 和 GPT4v 互动过程无法实现功能。这需要在 coze 里进行鼓捣，和 cow 的 config 无关。 外层 bot 方面：在外层 bot 进行运行时容易出现报错，暂时无法确定原因，猜测可能是外层 bot 的并发不够稳定，不如直接在工作流编辑面板中获取精度结果。如果自行实验时多次报错且无法定位问题原因，不要急着怪自己，相关 bug 已提交给 Coze 团队，希望能加紧优化。

ChatGLM 是一个开源的、支持中英双语的对话语言模型，底座是 GLM 语言模型。其相关信息如下： 地址： 简介：中文领域效果最好的开源底座模型之一，针对中文问答和对话进行了优化。经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持。 此外，基于 ChatGLM 还有在垂直领域微调的模型，如医疗领域的 MedChatGLM，其地址为： 。

以下是为您生成的关于开发者 API 接入的推广文本： 曾经，我们在做设计时幻想能用嘴完成设计，随便说几句话电脑就能帮忙画出。随着 AI 的出现，各种提示词插件应运而生。而现在，开发者带来了更强大的功能——提示词都由 AI 自动写好！比如 One Button Prompt 脚本。 安装方式便捷，在扩展面板中搜索 One Button Prompt 可直接安装，或者将下载好的插件放在“……\\sdwebuiakiv4\\extensions”路径文件夹下。安装完成后，重启 webUI，在脚本下拉菜单中就能找到该插件。 使用时，先体验一下。根据官方建议，大模型选择“deliberate”，采样方法设为“DPM++ SDE Karras”，采样步骤设为“25”，并将 CFG 比例降低到“6”。随机等级设为 5，下面还有分别定义主题类型、艺术类型和图像类型的三个下拉选项。您可以选择全随机试试手气，也能加一点自定义条件，比如让它画一幅动物主题的摄影作品。将模型换成“realisticVisionV20”，主题换成人物，再次生成。快来体验这便捷高效的开发者 API 接入吧！

野菩萨的 AIGC 资深课由工信部下属单位【人民邮电出版社】开设，是市面上值得推荐的 AI 课程之一，也是全网技术更新最快的课程。课程内容涵盖 AI 绘画、视听语言和 ChatGPT 等多个体系的知识，无论您是 AI 初学者还是进阶者，都能满足学习需求。您可以扫码添加菩萨老师助理，了解更多信息。

目前尚未有能够完全自动获取网络上的素材并进行混剪的成熟 AI 工具。获取网络素材涉及到版权等法律问题，同时，混剪也需要遵循一定的创作原则和规范。但有一些视频编辑软件提供了一定程度的自动化功能，例如自动匹配音乐节奏、智能剪辑片段等，不过仍需要用户在合法合规的前提下进行素材的选择和处理。

以下是一些可以将视频音频转化成字幕并翻译的插件和工具： 1. Reccloud：免费的在线 AI 字幕生成工具，可直接上传视频进行精准识别，能对识别的字幕进行翻译，自动生成双语字幕。声称已处理 1.2 亿+视频，识别准确率接近 100%。 2. 绘影字幕：一站式专业视频自动字幕编辑器，提供简单、准确、快速的字幕制作和翻译服务，支持 95 种语言，准确率高达 98%，还可自定义字幕样式。 3. Arctime：能对视频语音自动识别并转换为字幕，甚至支持自动打轴，支持 Windows 和 Linux 等主流平台，支持 SRT 和 ASS 等字幕功能。 4. 网易见外：国内知名语音平台，支持视频智能字幕功能，转换正确率较高，支持音频转写功能。 此外，关于语音转文本（Speech to text），语音转文本 API 提供了两个端点，基于开源大型v2 Whisper 模型的转录和翻译。目前文件上传限制为 25MB，支持 mp3、mp4、mpeg、mpga、m4a、wav 和 webm 等输入文件类型。 对于提示词翻译，可使用百度翻译 API，方法如下： 1. 下载节点压缩包，并将它放在 custom_nodes 文件夹。 2. 去百度翻译 Api 登记册开发人员的帐户中得到您的 appid 和 secretKey，百度翻译平台地址：https://fanyiapi.baidu.com/manage/developer 。 3. 打开文件 config.py 在记事本或其他编辑工具中，填写您的 secretKey 并保存文件，重启 Comfy 即可。 以上工具各有特点，您可以根据自己的需求选择最适合的。内容由 AI 大模型生成，请仔细甄别。

获取歌曲中每句歌词音高的方法如下： 1. 利用工具如 Chirp： 可以在输入时强调歌词中某个单词的音高，将其全部大写。 重复一部分歌词，Chirp 可能会认为在唱副歌从而改变旋律。 输入元标签时遵循一定结构，避免混乱。可添加类似“Match vocals at starts,break”这类提示词告知演绎方式。 2. 使用 ACE Studio： 利用其方便的干声转换功能将人声音频转 MIDI，获取初稿。但 AI 识别可能有误差，需修复瑕疵。 完成歌手选择后进行微调： 歌词发音：若 AI 识别发音不准确，双击音符修改拼音。 音准：音高不准时，点击音符按键盘上下键调整，偏差小于 1key 则用音高画笔画出音高线。 节奏：节奏不准可拖动音符对齐节奏线，但人真实演唱会有微小节奏错位，可根据主观审美和作品表达需要决定是否完全对齐。 完成瑕疵修复后，点击文件 导出音频，根据用途选择合适格式，如用于视频选 mp3，用于发行平台选 wav。

获取歌曲中每句歌词的音高可以通过以下方法： 1. 利用工具如 Chirp： 可以在输入时强调歌词中某个单词的音高，将其全部大写。 重复一部分歌词，Chirp 可能会认为在唱副歌从而改变旋律。 遵循歌词书写原则有助于在音频延续上保持质量。 在元标签中添加类似“Match vocals at starts,break”这类提示词，告知 Chirp 段落的演绎方式。 注意 Chirp 会优先识别输入的元标签，输入结构不要混乱。 2. 使用 ACE Studio： 利用其非常方便的干声转换功能，将人声音频转 MIDI。但 AI 识别的音高、节奏、发音可能有误差。 完成歌手选择后，进行微调： 歌词发音：若 AI 识别的发音不准确，双击音符修改正确的拼音。 音准：发现音高不准，点击音符按键盘上下键调高或调低。音准偏差小于 1key 时，使用音高画笔画出音符的音高线。 节奏：发现节奏不准，可将音符拖动到对齐节奏线。但人在真实演唱中会有微小节奏错位，这在某些情况下是自然的，取决于主观审美和作品表达需要。 完成发音、音高、节奏的瑕疵修复后，点击文件 导出音频，根据用途选择合适的格式，如用于视频选 mp3，用于发行到 QQ 音乐之类的平台选 wav。

以下是一些可以获取视频文字内容的方法和相关的 AI 工具： 准备视频播放的文字内容：可以自己编写，也可以利用 AI 生成。 利用剪映 App 处理视频：在电脑端打开剪映 App，点击“开始创作”，选择顶部工具栏中的“文本”，添加文字内容轨道并替换默认文本，为数字人提供语音播放内容和生成相应口型。 文字生成视频的 AI 产品： Pika：擅长动画制作，支持视频编辑。 SVD：可作为 Stable Diffusion 的插件，在图片基础上生成视频。 Runway：老牌 AI 视频生成工具，提供实时涂抹修改视频功能，但收费。 Kaiber：视频转视频 AI，能将原视频转换成各种风格。 Sora：由 OpenAI 开发，可生成长达 1 分钟以上的视频。 更多工具可查看 总结视频内容： 对于文章，可复制给 GPTs 进行总结。 对于有字幕的 B 站视频，可安装油猴脚本提取字幕，然后复制发送给 GPTs 总结。总结完还可继续提问或探讨。

要使用 RAG（RetrievalAugmented Generation，检索增强生成）来做一个回答用户问题的聊天机器人，可以按照以下步骤进行： 1. 加载所需的库和模块：包括用于解析 RSS 订阅源的 feedparse，用于在 Python 程序中跑大模型的 ollama（使用前需确保 ollama 服务已开启并下载好模型）。 2. 从订阅源获取内容：通过特定函数从指定的 RSS 订阅 URL 提取内容，如需接收多个 URL 可稍作改动。然后使用专门的文本拆分器将长文本拆分成较小的块，并附带相关元数据，如标题、发布日期和链接，最终将这些文档合并成一个列表用于后续处理。 3. 为文档内容生成向量：使用文本向量模型 bgem3（可从 https://huggingface.co/BAAI/bgem3 下载，假设放置在某个路径 /path/to/bgem3 ），通过 FAISS 创建一个高效的向量存储。 4. 基于用户的问题，从向量数据库中检索相关段落，并根据设定的阈值进行过滤，最后让模型参考上下文信息回答用户的问题，从而实现 RAG。 5. 创建网页 UI：通过 gradio 创建网页 UI 并进行评测。 6. 技术栈选择：经过调研，可先采取 Langchain + Ollama 的技术栈作为 demo 实现，后续也可考虑使用 dify、fastgpt 等更直观易用的 AI 开发平台。 Langchain 简介：是当前大模型应用开发的主流框架之一，提供一系列工具和接口，其核心在于“链”概念，包括 Model I/O、Retrieval、Chains、Agents、Memory 和 Callbacks 等组件，生态系统还包括 LangSmith、LangGraph 和 LangServe 等工具。 Ollama 简介：是一个开箱即用的用于在本地运行大模型的框架。 总结： 1. 本文展示了如何使用 Langchain 和 Ollama 技术栈在本地部署一个资讯问答机器人，同时结合 RSSHub 来处理和提供资讯。 2. 上下文数据质量和大模型的性能决定了 RAG 系统性能的上限。 3. RAG 通过结合检索技术和生成模型来提升答案的质量和相关性，可以缓解大模型幻觉、信息滞后的问题，但并不意味着可以消除。

要在飞书中创建一个可以和用户会话的扣子智能体账号，您可以按照以下步骤进行操作： 1. 创建扣子的令牌： 在扣子官网左下角选择扣子 API。 在 API 令牌中选择“添加新令牌”。 给令牌起一个名字。 为了方便选择永久有效。 选择制定团队空间，可以是个人空间、也可以选择团队空间。 勾选所有权限。 保存好令牌的 Token，切勿向他人泄露。 2. 获取机器人 ID： 在个人空间中找到自己要接入到微信中的机器人，比如画小二智能小助手。 点击对应的机器人进入机器人编辑界面。 在浏览器地址栏的 bot/之后的数据就是该机器人的 Bot ID。 3. API 授权： 点击右上角发布。 会发现多了一个 Bot as API，勾选 Bot as API。 确定应用已经成功授权 Bot as API。 4. 服务器设置： chatgptonwechat（简称 CoW）项目是基于大模型的智能对话机器人，支持微信公众号、企业微信应用、飞书、钉钉接入，可选择多种模型，能处理文本、语音和图片，通过插件访问操作系统和互联网等外部资源，支持基于自有知识库定制企业 AI 应用。 点击“Docker”中的“编排模板”中的“添加”按钮。 将编译好的内容复制进来。 在“容器编排”中“添加容器编排”。 选择在“编排模板”里创建的“coze2openai”。 提示运行成功，如果无法正常启动，请看文档后面的“常见问题”。 5. 绑定微信： 需要提前准备一个闲置的微信，因为这种方法是非官方接口，有可能微信号会受到官方限制。 点击容器，可以看到运行的是两个服务。 点击“wcandyaibot”后面的日志按钮，在弹出层中用提前预备好的微信进行扫码。 手动刷新界面验证是否成功，点击“刷新日志”，看到 WeChat login success 提示微信登录成功。 为确保微信实时在线，点击“日志管理”的“wcandyaibot”的“刷新日志”，显示“wechat login seccess”则表示微信正常登录中。 6. 效果测试： 把绑定的微信号拉到群里或者单独对话，训练的数据越好，对话效果越好。您可以参考个人微信对话和微信群对话效果演示视频：

目前面向 B 端用户的个人助理产品有 GPTs。GPTs 是 OpenAI 推出的一种工具，允许用户根据自身需求和偏好量身打造自己的 AI 助理，比如梳理电子邮件或提供创意灵感等。用户还可上传资料来自定义 GPTs，也能分享给他人或使用他人创建的 GPTs。不过目前 GPTs 的使用仅限于 ChatGPT Plus 的用户。 此外，在公开的案例中，Dot 是目前看到的最接近理想 AI Agent 形态的 C 端私人助理，它支持用户发送文本和图像、音频信息并理解内容，能够为用户制定计划、进行文件管理、推荐咖啡店，帮助用户访问互联网中的最新工具和服务。但其目前需要排队较久的 waitlist，官方也较少更新动态。 一位投资人认为，个人助理是国内外 C 端 Super App 的主要场景之一，也是最刚需、市场最大的一块。比如豆包最初的想法就是打造一个类似 Pi 的个人助理平台。

目前知识库中没有关于使用 Coze 搭建心理咨询机器人，并将用户每天聊天内容总结成日记传回应用展示的相关内容。但一般来说，要实现这个功能，您可能需要以下步骤： 1. 数据采集与存储：在机器人与用户交互过程中，采集并妥善存储聊天数据。 2. 自然语言处理与分析：运用相关的自然语言处理技术，对聊天内容进行理解和分析，提取关键信息。 3. 内容总结：基于分析结果，使用合适的算法和模型将聊天内容总结成日记形式。 4. 数据传输：建立与应用的稳定接口，将总结好的日记数据传输回应用。 这只是一个大致的思路，具体的实现会涉及到很多技术细节和开发工作。

使用 AGI 类工具时，用户应注意以下几点： 1. 理解工具：全面了解工具的应用场景和调用方法是有效使用的前提。利用 LLM 的 zeroshot learning 和 fewshot learning 能力，可通过描述工具功能和参数的 zeroshot demonstration 或特定工具使用场景和相应方法演示的少量提示来获取工具知识。面对复杂任务，应先将其分解为子任务，再组织和协调，这依赖于 LLM 的推理和规划能力以及对工具的理解。 2. 使用工具：学习使用工具的方法主要包括从 demonstration 中学习和从 reward 中学习。包括模仿人类专家行为，了解行为后果，并根据环境和人类的反馈做出调整。环境反馈包括任务完成结果和环境状态变化，人类反馈包括显性评价和隐性行为。 3. 关注工具选择：对于 Tools 类工具，开发者需选到合适的工具，并填写准确优秀的参数。可将业务上的 knowhow 转化为 Agent 的知识，提升工具使用的准确率，把精力放在这方面而非工程化上。

用户体验设计与大模型密切相关。 在构建基于大模型的应用方面： 开发大模型应用复杂，涉及众多步骤和环节，包括框架选择、提示词设计等。 提示词的精心设计和调试至关重要，直接影响模型输出质量和应用效果。 构建有效的大型语言模型应用需要遵循一系列要点，如进行工程化、选择合适框架、了解业务需求、设计提示词、遵守安全和伦理标准、测试迭代、持续维护更新等。 在 AI 战场的发展趋势方面： 2023 年认为训练最好的模型就能吸引用户，但 2024 年大量消费者 AI 应用将通过提供最佳用户体验而非单纯提升模型性能来竞争，大模型可作为差异化优势之一，但老式护城河仍可能决定长期赢家。 关于大模型的道德观念： 大型语言模型本身不具有真正的道德观念或意识，它们是通过大量数据训练模拟语言统计规律的。 开发者和研究人员会采取多种方法确保模型输出符合社会道德和伦理标准，如数据清洗、算法设计、制定准则、保持透明度、用户反馈、持续监控、人工干预、教育和培训等，但这仍是复杂且持续的挑战。