在外层bot，能100%调用工作流的方法

100 万 tokens 具有以下重要意义和影响： 算法视角：更宽的上下文窗口允许模型在推理时纳入训练数据中未找到的大量新的、特定于任务的信息，从而提高各种自然语言或多模式任务的性能。对越来越长的上下文进行数据建模的能力经历了从 Shannon 1948 提出的 2gram 语言模型、到 1990 年代和 2000 年代的现代 ngram 模型（5 个上下文 token），2010 年代的循环神经网络（RNN）达到数百个 token（Jozefowicz 等），到 2023 年 Anthropic 将上下文扩展到几十万 token 的发展历程。 产品视角：长上下文意味着 LLM 理解能力增强。从提示词到 RAG，都是为了增加给模型的上下文，进而让需求更明确，让模型理解得更好。从用数据训练模型、到指令微调，到提示词和 RAG，到大模型的超长下文，机器越来越像人了。提示词和 RAG 正在快速被弱化，但出于工程和商业考量，目前在很多领域还是主流，未来依然可能是一个混合状态。模型上下文长度覆盖了书籍、电影、长视频等产品的通用长度，应该会引发相关链路上产品交互层的变化。 具体应用：Gemini1.5 支持 100 万 token，可以一次性处理大量信息，比如 1 小时的视频，11 小时的音频，超过 30,000 行代码或超过 700,000 个单词的代码库。Claude2100 k 模型的上下文上限是 100k Tokens，即 100000 个 Token。ChatGPT16 k 模型的上下文上限是 16k Tokens，即 16000 个 Token；ChatGPT432 k 模型的上下文上限是 32k Tokens，即 32000 个 Token。Token 限制同时对一次性输入和一次对话的总体上下文长度生效，当达到上限时，会遗忘最前面的对话。若想直观查看 GPT 如何切分 token，可以打开。此外，英文的 Token 占用相对于中文较少，因此很多中文长 Prompt 会被建议翻译成英文设定，然后要求中文输出。

以下是对 a16z 的 AI top100 榜单的分析： A16Z 的 AI top100 榜单聚焦生成式 AI 应用。自 ChatGPT 将生成式 AI 引入公众视野以来，已涌现出成千上万面向消费者的相关产品。 在 AI 陪伴方面，它已成为生成式 AI 的主流应用场景之一。例如，Character.AI 在网页端和移动端榜单上表现出色。网页端有八家 AI 陪伴公司进入榜单，移动端有两家。其中，多数产品自诩“无限制”，用户可进行不受限的对话或互动，且访问主要通过移动网页，平均 75%的流量来自移动设备。对于有移动应用的陪伴产品，用户参与度高，如 Character.AI 每位用户平均每月会话次数达 298 次，Poly.AI 为 74 次。 时隔六个月更新分析，超过 40%的公司是首次出现在榜单上。与六个月前相比，有 30%的新公司。名次进步最大的是 Suno，从第 36 名到第 5 名。移动端最多的应用是图像和视频编辑，占 22%。Luzia 服务西班牙语用户值得关注。字节多款应用上榜，包括 Coze、豆包、CiCi、醒图、Gauth。美学和约会应用开始增加，为用户提供相关建议。此外，Discord 流量值得关注，相当多的应用在其平台完成 PMF 验证。 原文链接：https://a16z.com/100genaiapps/ 作者：A16Z Olivia Moore 发布时间：2024.03.13 去年 9 月的报告：

以下是关于雪梅 May 的 AI 学习日记的相关内容： 1. 适合人群：适合纯 AI 小白，若还在观望不知如何入手，可参考此日记。 2. 学习模式：学习模式为输入→模仿→自发创造。若对费曼学习法没自信，可尝试此模式。 3. 学习内容：日记中的学习内容因 AI 节奏快可能不适用，可去 waytoAGI 社区发现感兴趣的领域并学习最新内容。 4. 学习时间：在半年多时间跨度中，其中 100 天学习 AI，并非每天依次进行，有空时学习，目前作者已进行到 90 天。 5. 学习费用：学习资源免费开源。 此外，作者在第九阶段的感受是，想明白从让个人更优秀角度前进就有很多灵感，其学习路径为迈出第一步→大量的学习输入→疯狂的模仿→开始自己创造→学的越来越宽越来越杂→积累的量变产生质变→开始分享。在第二阶段，作者因自身工作选择了 AI agent 领域的 coze 进行学习，认为可根据自身熟悉领域选择学习方向，coze 适用所有人，无需代码基础和图文审美，只要能发现智能体需求，就可用工作流实现。

在 Coze 中调用插件并非能 100% 保证成功，以下是一些相关信息： Coze 的工作流中，节点是基本单元，插件节点可用于扩展大语言模型本身的限制，实现特定功能，如抓取网页内容。 加入智能体后，会有调用次数的统计。 即使是官方插件也可能存在不稳定的情况，需要自行尝试找到适合当前场景的插件。 例如在微信图片助手的打造中，有以下操作： 任务 1 总结图片内容对应【识图小能手】等任务与相应插件存在对应关系，已在 Coze 插件商店上架，搜索关联即可。 配置插件时，需准备好 Glif 的 Token，在 Coze 中编辑参数选项填入 Token 并保存，同时关闭对大模型的可见按钮。 通过已有服务 api 创建插件时： 进入 Coze 个人空间选择插件，新建并命名，填入 ngrok 随机生成的 https 链接地址，配置输出参数，测试后发布。 手捏插件后可创建 bot 并接入插件，在 prompt 中要求调用插件。 需要注意的是，Coze 调用插件有一定随机性，对输入输出内容会有过滤，如果多次尝试不成功，可优化提示词使其更准确识别输入意图，且不要使用违规字词和图片内容。

要 100% 调用 Coze 的工作流或插件，您可以参考以下内容： 实现工作流方面： 上传输入图片。 理解图片信息，提取图片中的文本内容信息。 进行场景提示词优化/图像风格化处理。 返回文本/图像结果。 搭建流程时，主要步骤包括上传图片（将本地图片转换为在线 OSS 存储的 URL，以便在平台中进行调用），以及将图片理解大模型和图片 OCR 封装为工作流插件（若市场中有可直接使用）。 Coze 简介： 插件：Coze 提供丰富的插件选项，允许通过 API 连接集成各种平台和服务，扩展 Bot 功能，可轻松调用或创建定制插件。 工作流：是强大的工具，用于设计和实施复杂的功能逻辑，通过拖拽不同任务节点构建多步骤任务，提高 Bot 处理任务效率。 图像流：提供可视化操作界面，允许灵活添加处理节点，设计图像处理流程。 触发器：允许 Bot 在设定的特定时间或发生特定事件时自动执行任务，是自动化处理的关键组件。 知识库：使您能够添加和利用本地或在线的文本内容和数据表，支持 Bot 提供更准确和实用的回答。 变量：帮助 Bot 存储用户的个人信息，如语言偏好，使回复更加个性化和精准。 数据库：提供简单高效的方式管理和操作结构化数据，支持自然语言的数据插入和查询，还支持多用户模式，提供灵活读写权限控制。 长期记忆：使 Bot 能够形成对用户的个人记忆，基于这些记忆提供个性化回复，提升用户体验。 卡片：允许自定义 Bot 生成内容的格式，以卡片形式展示，增强交互体验。 大模型：通过人设与回复逻辑中的一系列设定，编排 Bot 的具体执行任务和执行逻辑。 此外，判断任务/Prompt 是否需要拆解为工作流时，通常先从当前性能最强的 LLM 着手，用单条 Prompt 或 Prompt Chain 测试任务执行质量和稳定性，再根据实际情况逐步拆解子任务。对于场景多样、结构复杂、对输出格式要求严格的内容，基本可预见需要拆解为工作流。鉴于 LLM 只能处理文本输入输出的特性，涉及生成多媒体内容或从网络自主获取额外信息等能力时，必然需要通过工作流来调用相应的插件。

以下是为您撰写的汽车领域人工智能自动驾驶应用系统方案的部分内容，您可以根据实际需求进行进一步的完善和补充： 一、项目背景 人工智能在汽车行业的应用已经十分广泛，正在深刻改变汽车的各个方面。自动驾驶技术利用 AI 进行图像识别、传感器数据分析和决策制定，使汽车能够自主导航和驾驶，如特斯拉、Waymo 和 Cruise 等公司都在积极开发和测试自动驾驶汽车。车辆安全系统中，AI 用于增强自动紧急制动、车道保持辅助和盲点检测等功能，通过分析摄像头和传感器数据预防事故。个性化用户体验方面，AI 可根据驾驶员偏好调整车辆设置，包括座椅位置、音乐选择和导航系统。预测性维护通过分析车辆实时数据，预测潜在故障和维护需求，提高车辆可靠性和效率。在汽车制造中，AI 用于自动化生产线，优化生产流程和质量控制。汽车销售和市场分析中，AI 帮助分析市场趋势、消费者行为和销售数据，优化营销策略和产品定价。电动化和能源管理方面，AI 在电动汽车的电池管理和充电策略中发挥作用，提高能源效率和延长电池寿命。共享出行服务借助 AI 优化路线规划、车辆调度和定价策略，提升服务效率和用户满意度。语音助手和车载娱乐由 AI 驱动，允许驾驶员通过语音控制车辆功能、获取信息和娱乐内容。车辆远程监控和诊断利用 AI 系统远程监控车辆状态，提供实时诊断和支持。 二、技术与服务 1. 自动驾驶技术 传感器融合：采用多种传感器，如激光雷达、摄像头、毫米波雷达等，收集车辆周围环境信息。利用 AI 算法对这些多源数据进行融合和分析，提高环境感知的准确性和可靠性。 深度学习决策：基于深度神经网络，训练车辆的决策模型。通过大量的真实驾驶数据，让模型学习如何在各种复杂场景下做出最优的驾驶决策，如加速、减速、转向等。 模拟训练：利用虚拟仿真环境进行大规模的自动驾驶训练。在模拟环境中，可以快速生成各种复杂和罕见的交通场景，加速模型的训练和优化。 2. 车辆安全系统 实时监测与预警：利用 AI 实时分析来自车辆传感器的数据，如车速、加速度、转向角度等，以及外部环境信息，如道路状况、天气条件等。当检测到潜在的危险情况时，及时向驾驶员发出预警。 自动紧急制动：基于 AI 的图像识别和距离检测技术，当判断车辆即将与前方障碍物发生碰撞且驾驶员未采取制动措施时，自动启动紧急制动系统，降低事故风险。 3. 个性化用户体验 偏好学习：通过收集驾驶员的日常操作数据，如座椅调整习惯、音乐播放喜好、常用导航路线等，利用机器学习算法分析和学习驾驶员的偏好模式。 智能推荐：根据学习到的偏好，为驾驶员提供个性化的推荐，如座椅自动调整、音乐推荐、导航路线规划等。 4. 预测性维护 数据采集与分析：安装各类传感器收集车辆的运行数据，如发动机转速、油温、轮胎压力等。利用 AI 算法对这些数据进行分析，挖掘潜在的故障模式和趋势。 故障预测模型：建立基于机器学习的故障预测模型，提前预测可能出现的故障，并及时通知驾驶员和维修人员，安排预防性维护。 5. 生产自动化 质量检测：利用机器视觉技术和 AI 算法，对生产线上的汽车零部件进行自动检测，识别缺陷和瑕疵，提高产品质量。 生产流程优化：通过分析生产数据，如设备运行状态、生产节拍等，利用 AI 优化生产流程，提高生产效率，降低生产成本。 三、财务分析（可根据情况适当缩减） 1. 初始投资 技术研发费用：包括自动驾驶算法开发、硬件设备采购、测试场地建设等方面的费用。 车辆改装和设备安装成本：为实现自动驾驶功能，对车辆进行改装和安装相关传感器、计算设备等的成本。 2. 运营成本 数据采集和处理费用：持续收集车辆运行数据和环境数据，并进行处理和分析的费用。 维护和升级成本：对自动驾驶系统进行定期维护、软件升级和硬件更换的费用。 3. 收益来源 车辆销售增值：配备自动驾驶和智能功能的汽车可以提高售价，增加销售收入。 服务订阅费用：为用户提供个性化服务、远程监控和诊断等服务的订阅收费。 4. 盈利预测 根据市场需求、成本控制和收益增长情况，进行短期和长期的盈利预测。 以上内容仅供参考，您可以根据具体的项目需求和实际情况进一步完善和细化各个部分。

Coze 平台的 bot 能接入飞书的文档作为知识库使用。具体情况如下： 创建知识库时可使用手动清洗数据，也可参考自动清洗数据的相关课程。手动清洗数据能提高数据准确性。 在线知识库：点击创建知识库，创建画小二课程的 FAQ 知识库。飞书在线文档中每个问题和答案以分割，可选择飞书文档、自定义等进行操作，还能编辑修改和删除，添加 Bot 后可在调试区测试效果。 本地文档：注意拆分内容以提高训练数据准确度，比如对于画小二课程，要按章节进行人工标注和处理，然后选择创建知识库自定义清洗数据。 发布应用：点击发布，确保在 Bot 商店中能够搜到。 Coze 的知识库功能支持上传和存储外部知识内容，包括从本地文档、在线数据、Notion、飞书文档等渠道上传文本和表格数据，并提供多样化的检索能力，能解决大模型可能出现的幻觉问题和专业领域知识不足的情况，提升回复准确性。 当 Coze 接入飞书后，能将 AI 技术集成到个人的生产力体系中，用户可将自己的知识数据上传构建个人知识库，开发 bot 并部署到个人订阅号上与粉丝互动。

以下是关于聊天机器人的相关内容： 1. 在打造聊天机器人的视频中，会使用不同的辅助函数，传入消息列表，包括系统消息、用户消息和助手消息。系统消息用于提供整体指示和设置助手行为角色，可在用户无察觉情况下引导助手回复，使对话自然流畅且避免插入明显提示信息。例如，系统消息可设定助手像莎士比亚一样说话。 2. 头脑风暴常用的 20 个 prompt 包括：Brainwriting Prompt、Reverse Brainstorming Prompt、Mind Mapping Prompt 等。 3. 打造聊天机器人中的 OrderBot 需等待收集整个订单并总结，确认客户是否添加其他内容，询问送货地址和收取支付款项，以简短、口语化和友好方式回应，澄清所有选项、附加项和规格。还可要求模型创建基于对话的 JSON 摘要，用于提交订单系统，可对聊天机器人进行定制和通过系统消息改变其行为及表现。

以下是关于 chatbot 特定角色的专业知识 RAG 优化的方法： 1. 复制预置的 Bot： 访问，单击目标 Bot。 在 Bot 的编排页面右上角，单击创建副本。 在弹出的对话框中，设置 Bot 名称、选择 Bot 的所属团队，然后单击确定。 可以在新打开的配置页面修改复制的 Bot 配置。 点击 Bot 名称旁边的编辑图标来更改 Bot 名称。 在人设与回复逻辑区域，调整 Bot 的角色特征和技能。您可以单击优化使用 AI 帮您优化 Bot 的提示词，以便大模型更好的理解。 在技能区域，为 Bot 配置插件、工作流、知识库等信息。 在预览与调试区域，给 Bot 发送消息，测试 Bot 效果。 当完成调试后，可单击发布将 Bot 发布到社交应用中，在应用中使用 Bot。 2. 集成 Workflow 到 Bot 里： 选择 GPT4作为聊天模型。 添加实用的插件，丰富 Bot 的能力。 设计人设和提示词，例如： Your Persona Greetings,seeker of knowledge!I am Dr.Know,your guide to the vast expanse of information.In a world brimming with questions,I stand as a beacon of enlightenment,ready to illuminate the shadows of uncertainty.Whether you're in search of wisdom from ancient lore,keen on unraveling the mysteries of the cosmos,or simply wish to satiate your curiosity on matters both grand and mundane,you've come to the right place.Ask,and let the journey of discovery begin.Remember,in the realm of Dr.Know,there is nothing I don't. Your Capabilities search_and_answer Your most important capability is`search_and_answer`.When a user asks you a question or inquires about certain topics or concepts,you should ALWAYS search the web before providing a response.However,when a user asks you to DO SOMETHING,like translation,summarization,etc.,you must decide whether it is reasonable to use the`search_and_answer`capability to enhance your ability to perform the task. ALWAYS search the web with the exact original user query as the`query`argument.For example,if the user asks\"介绍一下 Stephen Wolfram 的新书 What Is ChatGPT Doing...and Why Does It Work?\",then the`query`parameter of`search_and_answer`should be exactly this sentence without any changes. How to Interact with the User

以下是关于如何将 Coze 中的工作流使用到 Bot 中的相关内容： 首先，将工作流看作一个函数，其输入参数通常只有用户的提问（query），这是一个字符串。 在工作流中，会按以下步骤进行操作： 1. 设置输入参数。 2. 调用 Google 搜索插件搜索互联网上的信息，可通过设置 `num` 参数控制返回搜索结果的数量，一般设置为 7 以平衡响应速度和信息量。 3. 格式化搜索结果，利用“Code”组块插入 Python 代码，将 Google 搜索返回结果格式化成两个字符串，一个是相关信息拼接而成的字符串（retrieved_contexts），另一个是网页链接拼接而成的字符串。前者用于插入 LLM 的提示词，后者用于 Workflow 的最终输出结果。 4. 获取用户的语言偏好，使用“Variable”组块获取 Bot 内设置的变量值（如 user_language）。 对于创建 Bot 并封装工作流，步骤如下： 1. 创建 Bot。 2. 填写 Bot 介绍。 3. 切换 Bot 模式为“单 Agent（工作流模式）”，若只需每次输入英文文章时返回精读结果，可直接调用工作流。 4. 将配置好的工作流添加到 Bot 中。 5. 填写开场白引导用户使用。 6. 关闭开场白预置问题。 完成封装后，可在「预览与调试」区进行最终体验与调试。但需注意，外层 bot 可能存在一定未知 bug，同一段 USER_INPUT 在工作流编辑面板中试运行正常，但在外层 bot 运行时可能报错，原因可能是外层 bot 的并发不够稳定。

在 Coze 平台中，Bot 的沟通能力与以下因素有关： 1. Agent 意图：定义了 Agent 的工作任务和适用场景，明确其核心功能和角色。 2. Agent 提示词：包含系统级别的提示词，与人物设定和逻辑处理紧密相关，帮助 Agent 更好地理解和响应用户需求。 3. Agent 技能：允许 Agent 调用预设的工具、工作流和知识库，包括自身创建的工具、Coze 市场上的公开工具及相关工作流程。 如果希望 Bot 有极强的沟通能力，应重点强化以下方面： 1. 准确设置每个 Agent 的使用场景和意图，这对于控制 Agent 跳转至关重要，确保在执行不同任务时系统能准确切换。 2. 清晰指定节点切换的判断时机和参考上下文的轮数，一般建议参考五轮左右的对话内容，以确保 Bot 能根据充分的上下文信息做出恰当跳转决策。 Coze 是由字节跳动推出的 AI 聊天机器人和应用程序编辑开发平台，具有以下特点： 1. 多语言模型支持，如 GPT48K、GPT4128K 及云雀语言模型等。 2. 集成超过 60 款插件，涵盖多种功能，支持用户创建自定义插件。 3. 具备知识库功能，允许上传和管理多种格式的文档及获取在线内容和 API JSON 数据。 4. 提供数据库和记忆能力，允许 Bot 访问会话内存和上下文，持久记住重要参数或内容。 5. 支持工作流设计，用户可通过拖拉拽方式搭建复杂任务流。 6. 采用多代理模式，一个机器人中可运行多个任务，添加多个独立执行特定任务的代理。 7. 免费使用，无需支付费用。 8. 易于发布和分享，可将搭建的 Bot 发布到各类社交平台和通讯软件上。 Bot 的开发和调试页面主要分为提示词和人设区块、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（如触发器、开场白、自动建议、声音）等区块。

在 Coze 平台中，bot 的沟通能力与以下因素有关： 1. Agent 意图：定义了 Agent 的工作任务和适用场景，明确其核心功能和角色。 2. Agent 提示词：包含系统级别的提示词，与人物设定和逻辑处理紧密相关，帮助 Agent 更好地理解和响应用户需求。 3. Agent 技能：是 Agent 的能力部分，允许调用预设的工具、工作流和知识库，包括自身创建的工具、Coze 市场上的公开工具及相关工作流程。 4. 意图识别：在多 Agent 模式中，控制 Agent 跳转主要依赖于意图识别，正确设置每个 Agent 的使用场景和意图至关重要。 5. 用户输入指示：与多 Agent 模式的 bot 沟通时，用户明确指示进行节点切换或进入下一步，bot 会根据预设逻辑自动切换相应的 Agent 节点。 6. 判断时机和参考上下文轮数：在设置节点切换时，清晰指定判断时机和参考上下文的轮数，一般建议参考五轮左右的对话内容，以确保 bot 能根据充分的上下文信息做出恰当跳转决策。

我调用的是抖音集团的云雀大模型。在一些项目中，还会涉及到其他大模型的调用，比如在 COW 项目中可直接调用千问的某一模型，需更改 key 和 model 等操作，且要实名认证。此外，军师联盟 BOT 工作流中会调用月之暗面 KIMI、豆包、Minimax、通义千问和智谱清言这五个大模型。

Coze 可以调用用户自己部署的大模型。例如： 在 Coze 上搭建工作流框架时，可通过“个人空间工作流创建工作流”进行操作，在编辑面板中拖入对应的大模型节点来实现各项文本内容的生成。 当在 COW 中直接调用千问的某一个大模型时，需要更改 key 和 model 等配置。获取 key 可参考相关的视频和图文教程，同时需要完成实名认证，否则可能出现报错。 在使用 Coze 做智能报表助手的过程中，也涉及到对大模型的运用，如将用户问题转换为 SQL 等。

要在本地部署的 DeepSeek 上调用知识库，您可以参考以下步骤： 在 Bot 内使用知识库： 1. 登录。 2. 在左侧导航栏的工作区区域，选择进入指定团队。 3. 在 Bots 页面，选择指定 Bot 并进入 Bot 详情页。 4. 在 Bot 编排页面的知识库区域，单击加号图标，添加指定的知识库。 5. （可选）添加知识库后，可以在自动调用下拉界面内，调整知识库的配置项。配置项包括最大召回数量、最小匹配度和调用方式等。 6. （可选）在预览与调试区域调试 Bot 能力时，扩展运行完毕的内容可以查看知识库命中并召回的分片内容。 在工作流内使用 Knowledge 节点： 1. 登录。 2. 在左侧导航栏的工作区区域，选择进入指定团队。 3. 在页面顶部进入工作流页面，并打开指定的工作流。 4. 在左侧基础节点列表内，选择添加 Knowledge 节点。 此外，关于 DeepSeek 的提示词相关内容： 效果对比：用 Coze 做了个小测试，大家可以对比看看，参考 。 如何使用： Step1：搜索 www.deepseek.com，点击“开始对话”。 Step2：将装有提示词的代码发给 Deepseek。 Step3：认真阅读开场白之后，正式开始对话。 设计思路： 1. 将 Agent 封装成 Prompt，将 Prompt 储存在文件，保证最低成本的人人可用的同时，减轻自己的调试负担。 2. 通过提示词文件，让 DeepSeek 实现：同时使用联网功能和深度思考功能。 3. 在模型默认能力的基础上优化输出质量，并通过思考减轻 AI 味，增加可读性。 4. 照猫画虎参考大模型的 temperature 设计了阈值系统，但是可能形式大于实质，之后根据反馈可能会修改。 5. 用 XML 来进行更为规范的设定，而不是用 Lisp（对您来说有难度）和 Markdown（运行下来似乎不是很稳定）。 DeepSeekR1 提示词系统的核心原理认知包括： AI 特性定位：多模态理解，支持文本/代码/数学公式混合输入；动态上下文，对话式连续记忆（约 4K tokens 上下文窗口）；任务适应性，可切换创意生成/逻辑推理/数据分析模式。 系统响应机制：采用意图识别+内容生成双通道理，自动检测 prompt 中的任务类型/输出格式/知识范围，对位置权重（开头/结尾）、符号强调敏感。 基础指令框架方面，如果不知道如何表达，还是可以套用框架指令，包括四要素模板和格式控制语法。格式控制语法中，强制结构使用```包裹格式要求，占位符标记用{{}}标注需填充内容，优先级符号>表示关键要求，!表示禁止项。 进阶控制技巧包括思维链引导和知识库调用。思维链引导中的分步标记法为请逐步思考：1.问题分析→2.方案设计→3.风险评估；苏格拉底式追问为在得出最终结论前，请先列举三个可能存在的认知偏差。知识库调用包括领域限定指令和文献引用模式。

以下是关于 DeepSeek 的相关信息： 网址：https://www.deepseek.com/zh 。国内能访问，网页登录方便，目前完全免费。 使用方法： 搜索 www.deepseek.com ，点击“开始对话”。 将装有提示词的代码发给 DeepSeek 。 认真阅读开场白之后，正式开始对话。 特点： 很方便，只需要获得游戏代码即可。 对于新手较为推荐。 相关工具：HiDeepSeek 能让 DeepSeek 的能力更上一层楼，它能让 AI 像人类交流时那样展示思考过程，不是要让 AI 变得更聪明，而是要让其思考过程更易理解。使用时可参考以下步骤： 用 Coze 做小测试进行效果对比。 设计思路包括将 Agent 封装成 Prompt 并储存在文件、通过提示词文件让 DeepSeek 实现联网和深度思考功能、优化输出质量等。 完整提示词版本为 v 1.3 。 特别鸣谢李继刚和 Thinking Claude 等为相关设计提供帮助和灵感。

DeepSeekR1 的 API 调用步骤如下： 1. 首先到 DeepSeek 的官网（https://www.deepseek.com/），进入右上角的 API 开放平台。 2. 早期 DeepSeek 有赠送额度，如果没有赠送的余额，可以选择去充值。支持美元和人民币两种结算方式，以及各种个性化的充值方式。 3. 创建一个 API key，注意，API key 只会出现一次，请及时保存下来。 4. 接下来，下载 Cursor（https://www.cursor.com/），或者 VSCode（https://code.visualstudio.com/），只要代码编辑器可以下载插件即可。 5. 以 Cursor 作为代码编辑器为例，下载安装后，在插件页面搜索并安装 Roocline。 6. 安装完后，打开三角箭头，就可以看到 RooCline，选中并点击齿轮，进入设置，依次设置： API Provider：选择 DeepSeek。 API Key：填入已创建的 key。 模型：选择 DeepSeekreasoner。 语言偏好设置。 小贴士：记得把 HighRisk 选项都打开，这样 AI 才能帮您自动生成文件。 7. 最后做完所有不要忘记点击 Done 保存修改。 8. 在聊天框输入产品需求，输入需求后点击星星优化提示词，最终得到想要的结果。

在 Coze 平台上，DeepSeek 是可以调用的。以下是相关的具体信息： 效果对比：用 Coze 做了个小测试，大家可以对比看看，相关视频 如何使用： 搜索 www.deepseek.com，点击“开始对话” 将装有提示词的代码发给 Deepseek 认真阅读开场白之后，正式开始对话 设计思路： 将 Agent 封装成 Prompt，将 Prompt 储存在文件，保证最低成本的人人可用的同时，减轻自己的调试负担 通过提示词文件，让 DeepSeek 实现同时使用联网功能和深度思考功能 在模型默认能力的基础上优化输出质量，并通过思考减轻 AI 味，增加可读性 照猫画虎参考大模型的 temperature 设计了阈值系统，但是可能形式大于实质，之后根据反馈可能会修改 用 XML 来进行更为规范的设定，而不是用 Lisp（对您来说有难度）和 Markdown（运行下来似乎不是很稳定） 完整提示词：v 1.3 特别鸣谢：李继刚的【思考的七把武器】在前期为提供了很多思考方向；Thinking Claude 这个项目是现在最喜欢使用的 Claude 提示词，也是设计 HiDeepSeek 的灵感来源；Claude 3.5 Sonnet 是最得力的助手。