如何在coze的bot中调用工作流？

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。

以下是关于 ChatBot 搭建的相关知识： 1. 先行者 ChatGPT：2022 年 11 月，ChatGPT 横空出世，背后基于 GPT3.5。GPT3.5 与 InstructGPT 同源技术。训练 ChatBot 一般需要以下几个阶段： 阶段 0：PT 阶段（Pretrain），建立模型的 capacity，确定模型各方面能力的天花板。 阶段 1：SFT 阶段（Supervised Finetune），让模型学会 conversational format，即知道对话应按何种形式展开。 阶段 2：RLHF 阶段（Reinforcement Learning from Human Feedback），细分为 RM（Reward Model）阶段和 RL（Reinforcement Learning）阶段，能激发模型具备多种能力，包括但不限于 safety、reasoning 和 stability。 2. 基于 COW 框架的 ChatBot 实现步骤： COW 是基于大模型搭建的 Chat 机器人框架，将多模型塞进自己的微信里实现方案。 张梦飞同学写了更适合小白的使用教程：。 可以实现：打造属于自己的 ChatBot（文本对话、文件总结、链接访问、联网搜索、图片识别、AI 画图等等）以及常用开源插件的安装应用。 正式开始前需要知道： ChatBot 相较于在各大模型网页端使用的区别：本实现思路需要接入大模型 API 的方式实现（API 单独付费）。 风险与注意事项： 微信端因为是非常规使用，会有封号危险，不建议主力微信号接入。 本文只探讨操作操作步骤，请依法合规使用，大模型生成的内容注意甄别，确保所有操作均符合相关法律法规的要求，禁止将此操作用于任何非法目的，处理敏感或个人隐私数据时注意脱敏，以防任何可能的滥用或泄露。

将 Coze 平台上的 Bot 部署到微信小程序上可以参考以下步骤： 1. 通过 Coze 建立定时任务，执行工作流二，并添加如分析文章和搜索文章等能力，使其成为一个消息情报官的 Agent。 2. 发布到想要的平台，如微信小程序等。 3. 登录宝塔面板，在宝塔面板中可视化控制云服务器，部署 Docker 容器，启动 COW 项目与微信取得关联。 在宝塔面板中操作，包括添加 Docker 中的“项目模板”等。 将编译好的内容复制进来，创建容器，选择容器编排，填入模板和名称。 查看运行情况，手动刷新日志，若看到“WeChat login success”，则成功将 Bot 接入微信。 4. 记下要对接的 Coze AI Bot 的 Bot ID，在其设计界面所在的链接中获取，然后将 Bot 发布到 Bot as API 上。

Bot 接入微信机器人可以实现语音聊天。具体步骤如下： 1. 登录宝塔面板，在宝塔面板中可视化控制云服务器，部署 docker 容器，启动 COW 项目与微信取得关联。 2. 点击“Docker”中的“项目模板”中的“添加”按钮。 3. 项目模板代码示例如下：将编译好的内容复制进来。 4. 在容器中创建容器，选择容器编排，填入模板和名称，确定。 5. 现实运行成功后，点击容器，可以看到运行的是两个服务。 6. 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。此界面不会实时更新显示，需要手动刷新一下。点击“刷新日志”，如果看到“WeChat login success”，就成功将 Bot 接入微信中了。 7. 如果扫描二维码出现预料之外的情况，可以退回到容器配置处，重启容器服务，然后重新扫码登录。 8. 若想修改 COW 组件的配置，比如修改机器人回复的前缀或开启语音识别等，进入对应的编排模板的配置界面，点击模板编辑，修改对应的配置参数，点击保存，然后回到容器编排界面重新部署新的容器编排即可。 至此，完成 COW 组件的部署和微信号的绑定，就可以开始与机器人微信号进行语音聊天了。

目前在将现实照片转换成动漫风格方面，以下为您推荐一些常见的网站和工具： 1. 美图秀秀：功能丰富，操作相对简单，有多种动漫风格转换效果可选。 2. 醒图：提供多种特效和滤镜，包括动漫风格的转换。 至于 Bot 方面，暂时没有特别突出和广泛使用的专门用于现实照片转动漫风格的 Bot。但您可以持续关注相关领域的发展，可能会有新的工具出现。

Agent 和 AIBot（Copilot）的区别主要体现在以下几个方面： 1. 能力和自主性：Agent 是融合感知、分析、决策和执行能力的智能体，具有自主决策和行动能力，能理解并适应复杂环境，自主思考、制定计划并执行任务。Copilot 主要用于处理简单、特定的任务，更多是作为工具或助手存在，需要人类引导和监督。 2. 应用场景：Agent 主要应用于智能终端、智能座舱、汽车自动驾驶、工业机器人和人形机器人等领域。Copilot 多落地于协同办公场景，如微软的 Copilot Pro 赋能 Office 套件。 3. 开发重点：Copilot 的开发重点在于 Prompt Engineering，主要依赖于 LLM 的性能。Agent 的开发重点在于 Flow Engineering，在假定 LLM 足够强大的基础上，把外围的流程和框架系统化。 目前已发布的 AI Agent 以通用居多，在使用成本、速度、技术成熟度上仍存在一定局限，未来突破的关键在于计算机视觉等底层技术的突破。以下是一些 Agent 构建平台： 1. Coze：新一代一站式 AI Bot 开发平台，适用于构建各类问答 Bot，集成丰富插件工具。 2. Microsoft 的 Copilot Studio：功能包括外挂数据、定义流程、调用 API 和操作，可部署到各种渠道。 3. 文心智能体：百度推出的基于文心大模型的智能体平台。 4. MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识等。 5. 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于多种场景，提供多种成熟模板。 6. 钉钉 AI 超级助理：依托钉钉优势，在处理高频工作场景表现出色。

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。

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。

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。

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：

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）。

以下是基于 Python 调用目前最新的 OpenAI 的 API 的方法： 首先，我们提供了一个 Python 库，您可以按如下方式安装： ``` $ pip install openai ``` 安装后，可以使用绑定和 API Key 运行以下命令： ```python import os import openai Load your API key from an environment variable or secret management service openai.api_key = os.getenv response = openai.Completion.create ``` 绑定还将安装一个命令行实用程序，您可以按如下方式使用： ``` $ openai api completions.create m textdavinci003 p"Say this is a test"t 0 M 7 stream ``` ChatGPT 基于 OpenAI 最先进的语言模型 gpt3.5turbo。使用 OpenAI 的 API，您可以使用 gpt3.5turbo 构建您自己的应用来做以下事情： 起草一份邮件或者其他文字内容 写 Python 代码 回答关于一组文档的问题 创建会话代理 给您的软件提供一个自然语言的接口 辅导各种学科 语言翻译 假扮成游戏中或其他内容的角色 这个指引说明了如何。 另外，在当地时间 6 月 13 日，OpenAI 发布函数调用及其他 API 更新。现在开发人员可以向 gpt40613 和 gpt3.5turbo0613 描述函数，并让模型智能地选择输出一个包含调用这些函数所需参数的 JSON 对象。这是一种更可靠地将 GPT 的能力与外部工具和 API 连接起来的新方法。传送门： 官网有很详细的例子。

国内的 Coze 支持调用以下大模型： 阿里的通义千问大模型：接口为 https://dashscope.console.aliyun.com/ ，创建 API key 后可使用。 智谱 AI（ChatGLM）：https://open.bigmodel.cn/ ，有免费接口，但存在一定免费额度的 Token 限制。 科大讯飞（SparkDesk）：https://xinghuo.xfyun.cn/sparkapi ，有免费接口，但存在一定免费额度的 Token 限制。 已知的还有 BaiChuan、GLM、MoonShot 等。 注意：部分接口获取 key 可能需要特定操作，且使用时可能需要实名认证。详细内容可参考相关教程及官方手册。

在 Coze 的 prompt 中调用数据库可以参考以下步骤： 1. 基础框架： 本 bot 由提示词、数据库和工作流三部分构成。提示词使用结构化框架，要求大模型根据不同行为调用不同工作流。数据库用于记录不同用户历史记账记录，工作流中会用到。 2. 工作流： 增加记账记录 add_accounting_record： 开始：定义一个{{prompt}}，把用户在 bot 输入的记账内容传入进来。 大模型：任务简单，使用任意模型均可，无需调整参数。输入定义了{{input}}引用开始节点的 prompt 参数。提示词让大模型拆解用户输入内容，识别【记账事项】、【发生时间】、【变动金额】，并分别赋值到{{item}}、{{occurrence_time}}、{{balance_change}}。输出定义了相应的{{item}}、{{occurrence_time}}、{{balance_change}}。 数据库——插入记账记录：输入定义了{{item}}、{{occurrence_time}}、{{balance_change}}，用于接收大模型节点输出传入的内容。SQL 命令中，因数据库存入金额最小单位是分，所以当用户输入花费金额时，需乘以 100 存储。 3. 使用数据表： 用户通过自然语言与 Bot 交互来插入或查询数据库中的数据。Bot 会根据用户输入自动创建新记录并存储，也可根据用户查询条件检索数据返回。 在 Prompt 中添加并使用数据表时： 明确说明要执行的操作和涉及的字段，包括字段使用说明，以使大语言模型更准确执行操作。 在数据库功能区域添加要操作的数据表。 在调试区域进行测试，可单击调试区域右上方的已存数据查看数据表中的数据。

以下是关于 AI 产品部署调用 API 具体成本的相关信息： 国内部分大模型有限制一定免费额度的 Token，如阿里的通义千问大模型、智谱 AI（ChatGLM）、科大讯飞（SparkDesk）都有免费接口。您可以打开相应链接创建 API key。 对于极简未来平台，使用 GPT3.5 模型的每次对话大约消耗不到 20 积分。平台提供每天签到免费领取积分的福利，用户可通过签到免费获得 50 到几百积分。此外，充值 19 元可兑换 10000 积分，能满足日常使用好几个月，实际使用成本不高。 服务器方面，腾讯云的轻量应用服务器对新用户有优惠活动，如一个 2 核 2G3M 的服务器套餐一年只需 82 元，新用户优惠过后的续费费用可能为 100 多到几百一年不等。 宝塔面板有免费和付费版本，免费版已能满足需求。Docker 是开源免费的，使用其部署和管理应用不会产生额外费用。 需要注意的是，不同模型和调用次数的具体费用可能会有所不同，建议您根据实际需求进一步了解和评估。

以下是关于您提到的 AI 模型的厂商和团队背景以及 AI 产品调用 API 成本的相关信息： 厂商和团队背景： 通义千问：由阿里开发，接口可在 https://dashscope.console.aliyun.com/ 创建 API key。 智谱 AI（ChatGLM）：由智谱 AI 开发，相关网址为 https://chatglm.cn 。 百川大模型：由百川智能开发，网址为 https://www.baichuanai.com/ 。 关于 AI 产品调用 API 的成本： 目前国内的大模型大多限制一定免费额度的 Token，各平台 API 调用计费是按计算 token 费率定价，具体收费标准不同，需自行留意对应官网。例如 GPT3.5、GPT4、文心一言、讯飞星火、通义千问、mimimax 等，收费标准不一，不做统一赘述。

以下是关于您提到的 AI 模型的厂商和团队背景以及 AI 产品调用 API 成本的相关信息： 厂商和团队背景： 通义千问：由阿里开发，接口可在 https://dashscope.console.aliyun.com/ 创建 API key。 智谱 AI（ChatGLM）：由智谱 AI 开发，相关网址为 https://chatglm.cn 。 百川大模型：由百川智能开发，网址为 https://www.baichuanai.com/ 。 关于 AI 产品调用 API 的成本： 目前国内的大模型大多限制一定免费额度的 Token，各平台 API 调用计费是按计算 token 费率定价，具体收费标准不同，需自行留意对应官网。例如 GPT3.5、GPT4、文心一言、讯飞星火、通义千问、mimimax 等，收费标准不一，不做统一赘述。

以下是关于 AI 工作流的相关内容： 目前使用 AI 的固定且优化的工作流包括： 1. 起床时，让 AI 如“马云”“马化腾”为自己排 TODO 优先级，并进行私董会的脑暴。 2. 工作中有傲娇的 AI 小助理加油，其 Prompt 为要阳光、会撒娇/卖萌。 3. 重点事项 bot 方面，如内容创作，拆成 bot 团队组，包括选题、标题、框架、扩写等，并分 A/B 组两个 AIbot 互相改，要点是提供反常识、梗，学习喜欢的 UP 创作方法论。 4. 优化的 bot 包括内容选题 bot、短视频脚本 bot、数据分析 bot（GPT4）、网页 Perplexity 的资料库 bot 等。 5. 优化方面： Zion、ChatO 和自动化 AIAgent 分身，基于自身知识库的 bot。 将上述知识库、Prompt 资产，全部放入飞书的知识库+多维表单中维护，等待飞书的 AI 进化。 6. 备选：筛选过的 50 多个生产力 AI，放在工具库里，待命输出。 7. 未来：把整个公司业务全部搬入飞书中，外接 MJ、ChatBot 分身，以及咨询日程预约。 生成式 AI 的人机协同分为 3 种产品设计模式： 1. Embedding（嵌入式）：人类完成大多数工作。 2. Copilot（副驾驶）：人类和 AI 协同工作。 3. Agent（智能代理）：AI 完成大多数工作。 Agentic Workflow 驱动角色工作流变革，使用 Multiagent Collaboration 的方法，让不同角色的 Agent 按照任务要求自主规划选择工具、流程进行协作完成任务。作为产品经理，可通过 Agents 拆解任务，遵循不同工作流，获得大体符合期望的输出结果再修改。 与传统 Prompt 从输入直接到输出的映射方式相比，LangGPT 提示词框架应用了 CoT（Chain of Thought）完成从输入到思维链再到输出的映射，即<input——>reasoning chain——>output>，其思维是“Let's think step by step。”（让我们一步一步思考） 在工作流设计方面： 1. RPA 软件很早就出现，目标是使符合某些适用性标准的基于桌面的业务流程和工作流程实现自动化，现在越来越多的 RPA 软件带上了 LLM。 2. ComfyUI 将开源绘画模型 Stable Diffusion 进行工作流化操作模式，用户在流程编辑器中配置 pipeline，通过不同节点和连线完成模型操作和图片内容生成，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。 3. Dify.AI 的工作流设计语言与 ComfyUI 有相似之处，都定义了一套标注化的 DSL 语言，方便使用导入导出功能进行工作流复用。

40 岁的人是有可能利用 AI 找到工作的。例如，Microsoft 正在将 AI 融入其网络安全产品 Security Copilot，这可能为相关领域的从业者带来新的机遇。同时，像利用 AI 打造的人生重开模拟器这样的应用，也展示了 AI 在创造各种工作相关情境方面的潜力。 然而，能否成功利用 AI 找到工作还取决于多个因素，如个人的技能水平、学习能力、对 AI 技术的掌握程度以及所从事行业对 AI 的应用程度等。如果 40 岁的人能够积极学习和适应 AI 相关的新技术、新工具，并将其应用于自身的职业发展中，那么找到工作的机会是存在的。

学习了 AI 有可能赚钱，但不能保证每个人都能成功。在人工智能领域，存在许多高薪工作，像数据科学家、机器学习工程师等，掌握 AI 技术有机会在这些岗位就业并获取可观收入。而且，AI 技术在金融、医疗、制造业等众多行业均有应用，具备 AI 技能能增加就业机会和促进职业发展。然而，能否赚钱还受多种因素影响，例如个人的学习能力、实际应用能力以及对市场和商业的理解等。仅掌握基础知识可能难以在竞争激烈的市场中胜出，需要持续学习和实践。 同时，随着 AI 变得更强大，创新者探索出更多新的应用方式，其具有巨大的潜力推动经济增长和创造工作岗位，能帮助提高劳动力效率和工作场所安全性，支持人们完成现有的工作。 但要注意，行业曾警告，如果监管不协调，可能导致大量小型企业离开市场，抑制创新和竞争。对于规模较小的企业和初创企业，确保监管负担不过重至关重要，因为它们在 AI 创新生态系统中扮演着重要角色，是经济增长和创造就业的引擎。

蛟龙 16pro 的配置（处理器 R77745HX，显卡 RTX4060 8G，硬盘 512G PCIE4.0 SSD）对于审计人员本地化部署大模型用于数据分析工作来说，可能存在一定的局限性。 处理器 R77745HX 具有一定的计算能力，但在处理大规模数据和复杂的模型运算时，其性能可能不够强劲。 显卡 RTX4060 8G 对于一些较为复杂的图形处理和计算任务能够提供一定的支持，但对于大规模的深度学习模型训练和数据分析，可能会显得不足。 512G 的 PCIE4.0 SSD 硬盘容量相对较小，在存储大量数据时可能会很快耗尽空间。 综上所述，该配置在一定程度上可以用于简单的数据分析任务，但对于较为复杂和大规模的大模型本地化部署及数据分析工作，可能需要更强大的硬件配置，例如更高性能的处理器、更大容量和更高性能的显卡，以及更大的存储空间。