直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

coze案例

回答

以下是关于 Coze 案例的相关信息:

  • 一泽 Eze 的万字实践教程:全面入门 Coze 工作流,用其打造 AI 精读专家智能体,复刻 10 万粉公众号的创作生产力。核心看点包括通过实际案例逐步演示用 Coze 工作流构建能稳定按模板要求生成结构化内容的 AI Agent,开源 AI Agent 从设计到落地的全过程思路,10 多项常用的 Coze 工作流的配置细节、常见问题与解决方法。适合人群为玩过 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。注: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。
  • 从案例入门:创作者将使用扣子 coze.cn 等平台创建智能体 Agent 的过程比喻为“捏 Bot”,最简单的 Bot 往往 1 分钟内可捏完。常见 Bot 有讲故事、减肥提醒、生成 PPT、真假新闻辨识、新闻资讯收集、扮演“甄嬛”等。
  • 蓝衣剑客的四万字长文:在第五章节介绍后,大家对在 Coze 平台上创建工作流和 Bot 有初步了解。实际应用中常利用个性化生产力工具,由特定 Agent 或工作流组成以满足特定需求。这部分介绍一些与个人生产力系统相辅相成的案例,包括流程设计、多智能体框架及特定生产力工具中使用的提示词。由于篇幅有限,仅提供基本常用案例提示词,建议亲自动手实践以更好创建适合自己的生产力工具。
内容由 AI 大模型生成,请仔细甄别(powered by aily)

参考资料

一泽Eze:万字实践教程,全面入门 Coze 工作流|用 Coze 打造 AI 精读专家智能体,复刻 10 万粉公众号的创作生产力

长文预警,请视情况收藏保存核心看点:通过实际案例逐步演示,用Coze工作流构建一个能够稳定按照模板要求,生成结构化内容的AI Agent开源AI Agent的设计到落地的全过程思路10+项常用的Coze工作流的配置细节、常见问题与解决方法适合人群:任何玩过AI对话产品的一般用户(如果没用过,可以先找个国内大模型耍耍)希望深入学习AI应用开发平台(如Coze、Dify),对AI Agent工作流配置感兴趣的爱好者注: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,附有相关Prompt通用入门教程、Coze其他使用技巧等内容,以供前置or拓展学习。

1. 从案例入门

何为捏Bot使用扣子coze.cn等平台创建智能体Agent的过程,创作者形象的比喻为“捏Bot”,最简单的Bot往往可以在1分钟内捏完。常见Bot:讲故事、减肥提醒、生成PPT、真假新闻辨识、新闻资讯收集、扮演“甄嬛”......

蓝衣剑客:四万字长文带你通学扣子

经过第五章节的介绍,相信大家对在Coze平台上创建工作流和Bot已经有了初步的了解。在实际应用中,我们经常会利用一些个性化的生产力工具,这些工具通常由特定的Agent或者工作流组成,以满足个人或团队的特定需求。在这一部分,我想向大家介绍一些与个人生产力系统相辅相成的案例。这些案例包括流程设计、多智能体框架,以及我开发的特定生产力工具中使用的提示词。请注意,由于篇幅有限,我将仅提供一些基本的常用案例提示词。如果大家希望更有效地使用这些工具,我建议亲自动手实践。毕竟思路可以借鉴,但经验是无法简单复制。通过亲身尝试和探索,你可以更好地创建适合自己的生产力工具。

其他人在问
coze工作流中的消息节点如何在bot中使用
在 Coze 工作流中,消息节点在 Bot 中的使用如下: 1. 消息节点支持在工作流执行过程中返回响应内容,可解决回复消息内容多或工作流长导致用户无法及时收到响应的问题。它支持流式和非流式两种消息模式。 2. 一个消息节点包含以下配置: 输出变量:配置输出变量,可将其添加到下方的回答内容区域中,Bot 调用工作流时只会回复设定的“回答内容”,这些变量也可在配置卡片时使用。 回答内容:工作流运行时,Bot 将直接用这里指定的内容回复对话,可使用{{变量名}}的方式引用输出参数中的变量。 流式输出: 默认关闭,即采用非流式输出,待接收到全部消息内容后,再一次性输出全部消息内容。 开启流式输出后,上一节点一边生成回复内容,一边通过消息节点进行输出,不需要等待全部内容都加载完后再返回,类似于打字机的效果。 3. 在 Coze 中,消息组件是常用的工作流节点,用于实现工作流在执行途中与用户之间的交互。默认情况下,消息组件的流式输出功能是关闭的,当面对长文本或希望优化用户体验时,可以启用流式输出,以提升用户体验,例如在实时聊天 Agent 中,能显著提高用户的参与度和满意度。
2024-09-18
请列出COZE智能体工作流搭建的知识库
搭建 COZE 智能体工作流通常分为以下步骤: 1. 规划: 制定任务的关键方法。 总结任务目标与执行形式。 将任务分解为可管理的子任务,确立逻辑顺序和依赖关系。 设计每个子任务的执行方法。 2. 实施: 在 Coze 上搭建工作流框架,设定每个节点的逻辑关系。 详细配置子任务节点,并验证每个子任务的可用性。 3. 完善: 整体试运行 Agent,识别功能和性能的卡点。 通过反复测试和迭代,优化至达到预期水平。 此外,在搭建整理入库工作流时,首先新建工作流「url2table」,然后根据弹窗要求自定义工作流信息,并进行工作流全局流程设置。但关于调试飞书多维表格插件的使用方式,由于篇幅原因不在此详述。
2024-09-17
如何在coze的bot中调用工作流?
在 Coze 的 bot 中调用工作流的方式如下: 采用 32K 的 kimi 模型,只有一条工作流。该工具有 5 个按钮:A、B、C、重新开始、结束并总结。按 A/B/C 时,会直接输入对应的字母文字。按结束并总结时,输入的依旧只是文字:“结束并立即总结医学知识点”。点击“重新开始”时,会直接调用一个工作流“emergency”,且这个工作流有两个必选参数:“疾病设置”和“难度设置”。在实际体验过程中,仅在提供“疾病设置”和“难度设置”时,工作流被调用,其他时候没有触发任何工具和工作流。 在外层 bot 中封装工作流的步骤为:点击「发布」发布工作流后,创建一个 bot 进行最终的工作流封装。具体过程包括:创建 Bot;填写 Bot 介绍;切换 Bot 模式为“单 Agent(工作流模式)”,因为此 Agent 只需在每次输入英文文章时返回精读结果,所以不需要用外层 bot 对输入进行其他任务理解,可直接调用工作流;把配置好的工作流添加到 Bot 中;填写开场白,引导用户使用,并关闭开场白预置问题,因为使用流程里用不到。
2024-09-15
coze工作流的开始节点 输入参数一般怎么使用?
在 Coze 工作流中,开始节点的输入参数使用方式如下: 开始节点就像生产线的入口,负责定义启动工作流所需的输入参数,收集用户的输入。可以为每种输入取变量名并说明类型,以便后续分类识别与加工。 其中,{{BOT_USER_INPUT}}是默认变量,用于接收用户在外层 Bot 中的输入文本。在工作流模式下,通常应只保留 BOT_USER_INPUT 节点。 例如在记账案例中,开始节点定义一个{{prompt}},把用户在 bot 输入的记账内容传入进来。在本案例中,不需要在开始节点配置额外变量,用户初始输入将通过{{BOT_USER_INPUT}}直接传入工作流启动后续环节。
2024-09-13
我想了解coze相关的使用教程,应该怎么学习?从哪里开始看?知识库有哪些关于coze的信息
以下是关于 Coze 的使用教程及相关信息: Coze 概述:字节的官方解释为,Coze 是新一代一站式 AI Bot 开发平台。无论是否有编程基础,都可在该平台上快速搭建基于 AI 模型的各类问答 Bot,从解决简单问答到处理复杂逻辑对话,并能将搭建的 Bot 发布到各类社交平台和通讯软件上与用户互动。个人认为 Coze 是字节针对 AI Agent 领域的初代产品,在 Coze 中将 AI Agent 称之为 Bot。字节针对 Coze 部署了两个站点,分别是国内版和海外版。 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:使用的是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 相关基础教程:
2024-09-13
coze 中插件的API怎么查看
在 Coze 中查看插件的 API 可以按照以下步骤进行: 1. 点击个人空间,选择插件,然后点击创建插件。 2. 创建插件时,需要注意以下几点: 插件名称:使用中文,根据插件需求起名。 插件描述:向观众说明插件的用途和使用方法等。 插件工具创建方式: 云侧插件 基于已有服务创建:使用现成的 API 来创建插件,选择此方式后,会有一个必填项,即要填入所使用 API 的 URL。 云侧插件 在 Coze IDE 中创建:使用 Coze 的服务器写代码来直接搭建 API(支持 Python 和 Node.JS)。
2024-09-12
科普性质的介绍下目前大模型的优秀应用案例和实施经验
以下为目前大模型的一些优秀应用案例和实施经验: 在问答行业: Baichuan 借鉴了 Meta 的 CoVe 技术,将复杂 Prompt 拆分为多个独立且可并行检索的搜索友好型查询,使大模型能够对每个子查询进行定向知识库搜索。 利用自研的 TSF(ThinkStep Further)技术来推断和挖掘用户输入背后更深层的问题,以更精准、全面地理解用户意图。 自研 BaichuanTextEmbedding 向量模型,对超过 1.5T tokens 的高质量中文数据进行预训练,并通过自研损失函数解决了对比学习方式依赖 batchsize 的问题。同时引入稀疏检索和 rerank 模型,形成向量检索与稀疏检索并行的混合检索方式,大幅提升了目标文档的召回率,达到 95%。 在医疗行业: 涵盖疾病的诊断与预测、药物研发以及个性化医疗等方向。 例如,麻省理工学院利用 AI 发现了新型广谱抗生素 Halicin。研究者先构建由两千个性能已知的分子组成的训练集,用它们训练 AI 学习分子特点,总结规律,再对美国 FDA 已通过的六万多个分子进行分析,最终成功识别出有效分子,且实验证明效果良好。 在模型架构方面: 包括 encoderonly、encoderdecoder 和 decoderonly 等类型。 如 BERT 是 encoderonly 模型的代表,google 的 T5 是 encoderdecoder 模型的代表,众多熟知的 AI 助手包括 ChatGPT 基本属于 decoderonly 架构。 大模型的特点在于预训练数据量大,往往来自互联网上的多种来源,且参数众多,如 Open 在 2020 年发布的 GPT3 就已达到 170B 的参数。
2024-09-13
AI记忆能力的应用案例
以下是一些 AI 记忆能力的应用案例: 1. 在智能体方面,如果未来能结合持久化 KV Cache、KV Cache 的压缩技术控制成本,就有可能打造出记忆力超越人类的智能体。它能记录所有对话历史、思考过程和情绪状态,在提供服务时展现出更高级别的个性化和情感连贯性。例如 ChatGPT 最新版本引入了记忆功能,可将对话重点记录在“bio”小本子上,用于后续提供更个性化和相关的回答。 2. 文本总结是一种常见应用,能将长篇聊天记录或文档简化为关键描述,提高信息检索效率和易理解性,广泛应用于商业报告、新闻摘要等领域。 3. 外部存储访问方法受到关注,如 UC Berkeley 的 MemGPT 项目,通过特定指令访问外部存储系统保存和回调信息,扩展模型记忆能力和增强上下文理解能力,使 AI 在连续对话中保持信息连贯性并根据历史交互调整响应。 4. 像“AI 女友麦洛薇”,对于不知道的信息会学习并抽取实体和关系存入知识图谱,保证不会因上下文窗口不足溢出,从知识图谱这一永久记忆中提取被丢弃的记忆,实现永久记忆功能。 5. 在学术界,有探索模型层面使用 embedding 进行信息总结的研究方向,虽然目前主要在研究阶段且实用性可能有限,但代表了未来趋势。此外,RAG 架构通过搜索相关信息片段融入大模型上下文帮助回答问题,其存储手段并非仅依赖向量库,传统基于关键词的检索方法在精确匹配具体细节时更适用。
2024-09-10
2024大模型典型示范应用案例集在哪可下载
2024 大模型典型示范应用案例集可以在以下链接下载:https://waytoagi.feishu.cn/record/UXgRrbKPue5a2McLLRBcobienQg 。该案例集汇集了 97 个优秀案例,展示了大模型技术在多个行业和领域的应用,如教育、医疗、金融、政务等。案例由阿里云、百度、华为等领先企业实施,体现了大模型在提升效率、降低成本、创新服务等方面的显著成效。上海成为应用落地的热点地区,大中型企业是主要试验场。AI 智能体和知识库成为提升大模型落地实效的关键手段。这些案例为行业提供参考,推动大模型技术深入赋能实体经济,促进高质量发展。
2024-09-09
智能体落地案例
智能体(Agent)是随着 ChatGPT 与 AI 概念爆火而出现的新名词,简单理解就是 AI 机器人小助手,参照移动互联网,类似 APP 应用的概念。 智能体可以根据其复杂性和功能分为以下几种类型: 1. 简单反应型智能体(Reactive Agents):根据当前的感知输入直接采取行动,不维护内部状态,也不考虑历史信息。例如温控器,根据温度传感器的输入直接打开或关闭加热器。 2. 基于模型的智能体(Modelbased Agents):维护内部状态,对当前和历史感知输入进行建模,能够推理未来的状态变化,并根据推理结果采取行动。比如自动驾驶汽车,不仅感知当前环境,还维护和更新周围环境的模型。 3. 目标导向型智能体(Goalbased Agents):除了感知和行动外,还具有明确的目标,能够根据目标评估不同的行动方案,并选择最优的行动。例如机器人导航系统,有明确的目的地,并计划路线以避免障碍。 4. 效用型智能体(Utilitybased Agents):不仅有目标,还能量化不同状态的效用值,选择效用最大化的行动,评估行动的优劣,权衡利弊。比如金融交易智能体,根据不同市场条件选择最优的交易策略。 5. 学习型智能体(Learning Agents):能够通过与环境的交互不断改进其性能,学习模型、行为策略以及目标函数。例如强化学习智能体,通过与环境互动不断学习最优策略。 在智能体的落地案例方面: C 端案例:比如在社交方向,用户注册之后先捏一个自己的智能体,然后让自己的智能体和其他人的智能体聊天,两个智能体聊到一起后再真人介入,这是一个很有趣的场景;还有借 Onlyfans 入局打造个性化聊天的创业公司。 B 端案例:如果字节扣子和腾讯元器是面向普通人的低代码平台,类似 APP 时代的个人开发者,那还有一个机会就是帮助 B 端商家搭建智能体,类似 APP 时代专业做 APP 的。 此外,字节于 2 月 1 日正式推出 AI 聊天机器人构建平台 Coze 的国内版“扣子”,主要用于开发下一代 AI 聊天机器人。
2024-09-08
人工智能在电商行业的应用案例
以下是人工智能在电商行业的一些应用案例: 1. 推广方面: 制定上市推广方案,包括品牌、产品信息、新品、成分、属性、功效、人群特征、客户分析、产品定位、核心卖点、推广策略、广告、公关、线上推广、线下活动、合作伙伴、资源整合、预算、执行计划、监测、评估、微调方案、价值主张、营销策略、热点话题、消费者、向往感、诱惑钩子等方面。 制定内容营销方案,以提高品牌知名度、增加客户参与度、提高转化率、增加销售等。 2. 图像生成方面: 美团外卖商家版后台利用图像模型生成菜品照片。 3. 其他方面: 舆情、投诉、突发事件监测及分析。 品牌营销内容撰写及投放。 自动化库存管理。 自动生成或完成 SKU 类别选择、数量和价格分配。 客户购物趋势分析及洞察。
2024-09-05
汽车行业大模型落地案例
以下是汽车行业大模型的落地案例: 生产计划、供应链计划状态查询。 产线预测性维保辅助。 产品质量分析与溯源。 自动驾驶全场景模拟训练及虚拟汽车助手。 线上购车品牌、配置对比分析。 汽车公司利用 AI 进行以下方面的应用: 分析市场趋势、消费者行为和销售数据,以更好地理解客户需求,制定营销策略和优化产品定价。 在电动化和能源管理方面,优化电池使用和充电时间来提高能源效率和延长电池寿命。 支持共享出行服务,如优化路线规划、调度车辆和定价策略,提高服务效率和用户满意度。 提供语音助手和车载娱乐,允许驾驶员通过语音命令控制车辆功能、获取信息和娱乐内容。 进行车辆远程监控和诊断,提供实时诊断和支持,帮助车主及时了解车辆状况并采取相应措施。 需要注意的是,部分内容由 AI 大模型生成,请仔细甄别。
2024-09-03