请教一下，好的Agent能调用外部工具，比Prompt功能更灵活，对吗？e

以下是关于口播文案 Prompt 的相关内容： 一、景淮：漫画趣味高中大学时期对比图 GPTs 实战 在这个示例中，先将相关示例喂给 GPT，观察其生成文案的效果。提示词为上述高中和大学区别的口播搞笑视频，重点突出不同时期的生活状态和鲜明反差。输入关键词“下雨了”后，生成了以下口播文案： 1. 高中：下雨了，天哪，怎么办，我的数学书会湿！大学：下雨了，哦，正好，再睡一会儿。 2. 高中：下雨了，得快跑，别迟到了！大学：下雨了，那今天就不去了，网课见。 3. 高中：下雨了，我的鞋子！得小心踩！大学：下雨了，穿拖鞋去了，方便。 4. 高中：下雨了，雨衣雨伞全副武装！大学：下雨了，抓个文件夹顶顶就行。 5. 高中：下雨了，课间不能出去玩了。大学：下雨了，正好和室友打个牌。 6. 高中：下雨了，哦不，体育课怎么办？大学：下雨了，哈，今天体育课取消了！ 7. 高中：下雨了，我的作业别淋湿了！大学：下雨了，电脑在宿舍，作业得推迟了。 8. 高中：下雨了，赶紧找地方躲雨。大学：下雨了，雨中漫步也挺浪漫的。 9. 高中：下雨了，不会影响放学吧？大学：下雨了，嘿，这是不是个不去自习的理由？ 10. 高中：下雨了，我的头发！大学：下雨了，谁还没个糟糕的头发日呢。 二、歌词提示词 1. 柔和的原声乐器引子：指在歌曲开头使用柔和的原声乐器（如原声吉他或钢琴）演奏的部分。作用是设置温暖、亲密的氛围，引导听众进入歌曲。适用于民谣、流行音乐、乡村音乐等风格，编曲技巧是使用原声吉他或钢琴演奏柔和的旋律或和声，创造出温暖和亲密的开场效果。 2. 富有灵魂感的：充满情感和灵魂的表现，通常具有深情的旋律和强烈的情感表达。作用是增强音乐的情感深度和感染力，适用于灵魂乐、R&B、流行音乐等风格，编曲技巧是使用深情的旋律、柔和的和声和强烈的情感表达。 3. 富有灵魂感的桥段：在歌曲中间部分或过渡部分，充满情感和灵魂的旋律或和声。作用是增强音乐的情感深度和结构变化，适用于灵魂乐、R&B、流行音乐等风格，编曲技巧是在歌曲的过渡部分设计一个深情且富有灵魂感的桥段。 4. 口语：在歌曲或音乐中使用普通说话的方式进行表演，而不是唱歌。作用是增加音乐的叙述性和亲密感，强调歌词的内容和表达，适用于说唱、独立音乐、实验音乐等风格，编曲技巧是在适当的段落使用口语表演。 三、Prompt 的专场教程 基础篇 1. Prompt 是一段指令，用于指挥 AI 生成所需内容，每个单独的提示词叫 tag（关键词）。 2. 支持的语言为英语（不用担心英语不好的问题，），另外 emoji 也可以用。 3. 语法规则： 用英文半角符号逗号,来分隔 tag，逗号前后有空格或者换行都不影响效果。 改变 tag 权重：tag 顺序越靠前对于 SD 来说权重越大，可通过“括号，权重就重 1.1 倍，每加一层括号就反向减弱 1.1 倍）两种方式设置。 进行 tag 的步数控制（高级玩法）：“”，数字大于 1 理解为第 X 步前为 tag1，第 X 步后变成 tag2，数字小于 1 理解为总步数的百分之 X 前为 tag1，之后变成 tag2。

以下是一些提升 RAG 知识库问答的好的 prompt 相关内容： RAG 在 Natural Questions、WebQuestions 和 CuratedTrec 等基准测试中表现出色，在使用 MSMARCO 和 Jeopardy 问题进行测试时，生成的答案更符合事实、具体且多样，FEVER 事实验证使用 RAG 后也有更好结果，说明 RAG 是可行方案，能增强知识密集型任务中语言模型的输出，基于检索器的方法常与 ChatGPT 等流行 LLM 结合提高能力和事实一致性，可在 LangChain 文档中找到相关例子。 RAG 能显著提高大模型在处理私域知识或垂直领域问答时的效果。其流程包括：上传文档（支持多种格式，会转换为 Markdown 格式）、文本切割、文本向量化（存入向量数据库）、问句向量化、语义检索匹配（匹配出与问句向量最相似的 top k 个）、提交 Prompt 至 LLM、生成回答返回给用户。RAG 研究范式分为基础 RAG、高级 RAG 和模块化 RAG。 高级 RAG 特点：支持多模态数据处理，增强对话性，具备自适应检索策略，能进行知识融合，扩展了基础 RAG 功能，解决复杂任务局限，在广泛应用中表现出色，推动自然语言处理和人工智能发展。 模块化 RAG 侧重于提供更高定制性和灵活性，将系统拆分成多个独立模块或组件，每个组件负责特定功能，便于根据不同需求灵活组合和定制。

以下是关于 prompt 应用的全面介绍： 一、什么是 prompt 1. 提示是您给模型（如 Claude）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？” 2. 在 AI 视频生成中，prompt 是直接描述或引导视频生成的文本或指令。类似给 AI 的提示，包含主体、运动、风格等信息，用户借此控制和指导生成内容。它在 AI 视频生成中作用十分重要，是表达需求的方式，影响视频内容和质量。如果上述过于抽象，您可以理解 Prompt 为：将您输入的文字变成对应的画面和运动形式。 3. 简单来说，prompt 是一套您和大模型交互的语言模板。通过这个模板，您可以输出对于大模型响应的指令，用于指定大模型应该具体做什么、完成什么任务、如何处理具体的任务，并最终输出您期望的结果。大模型的本质是一个基于语言的概率模型，若直接问大模型而不提供 prompt，相当于大模型随机给出答案。有了 prompt，相当于给了一个模板，包括对于模型的要求、输入和输出的限制，大模型在这个限制之下，去得到概率最大的答案。 二、prompt 在不同场景的应用 在即梦 AI 视频生成中，要想获得最佳的视频质量，需要写好 prompt。在图片生视频和文本生视频中，都有 prompt 的输入位置。

以下是 12 个精选的 prompt 框架： 1. ICIO 框架： 指令：执行的具体任务。 背景信息：提供执行任务的背景信息、上下文内容，让大模型更好地回答。 输入信息：大模型需要用到的一些信息。 输出信息：明确输出的具体信息的要求，比如字数、风格、格式。 2. BROKE 框架：通过 GPT 的设计提示，来提升整体反馈的效率。 背景：提供足够背景信息，让大模型可以理解问题的上下文。 角色设定：特定的角色，让 GPT 根据特定的角色能力的特点来形成响应。 目标：明确任务的目标，让大模型知道您想让它做什么。 结果定义：明确可以衡量的结果，让大模型清楚自己做的情况。 调整：根据具体的情况，来调整具体的结果。 3. CRISPIE 框架： 能力和角色：您期望大模型扮演的角色洞察，提供幕后洞察力、背景信息和上下文。 声明：简洁明了地说明希望完成的任务。 个性：回应的风格、个性或者方式。 实验：提供多个回答的示例。 4. 课件中的 Prompt 之术“三板斧”： 分配角色。 给出示例（fewshots）。 思维链（ChainofThought）。

以下是关于 prompt 的相关知识： 1. 提示简介： 提示是您给 Claude 的文本，用于引发相关输出，通常以问题或指示的形式出现。例如，“User：Why is the sky blue? 为什么天空是蓝色的？”，Claude 回答的文本被称为“响应”，有时也被称为“输出”或“完成”。 2. 改变区域+混音： 选择的大小会影响结果。更大的选择为中途机器人提供更多上下文信息，能改善新添加内容的扩展和上下文，但选择太多可能导致新生成的元素混合或替换原始图像的部分。 提示应集中于您希望在所选区域中发生的事情，较短且聚焦的提示通常更有效，不应是对话式的。 分步进行，如果要更改图像的多个部分，一次只处理一个部分。 技术细节：使用 Vary+Remix 模式生成的作业遵循 chaos、fast、iw、no、stylize、relax、style、version、video、weird 等参数。 3. 提示的类型： 基本提示：可以是简单的单词、短语或表情符号。中途机器人最适合用简单、简短的句子来描述您想看到的内容，避免长长的请求列表。 高级提示：可以包括一个或多个图像 URL、多个文本短语以及一个或多个参数。图像 URL 始终出现在提示的前面，精心编写的提示有助于生成令人惊叹的图像。

以下是一份关于 DeepSeek R1 大模型的 prompt 提示词模板： 一、核心原理认知 1. 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，换算成汉字是 8000 字左右） 任务适应性：可切换创意生成/逻辑推理/数据分析模式 2. 系统响应机制 采用意图识别+内容生成双通道 自动检测 prompt 中的：任务类型/输出格式/知识范围 反馈敏感度：对位置权重（开头/结尾）、符号强调敏感 二、基础指令框架 1. 四要素模板 2. 格式控制语法 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 三、进阶控制技巧 1. 思维链引导 分步标记法：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：在得出最终结论前，请先列举三个可能存在的认知偏差 2. 知识库调用 领域限定指令：基于 2023 版中国药典，说明头孢类药物的配伍禁忌 文献引用模式：以 Nature 2022 年发表的论文为参考，解释 CRISPRCas9 最新突破 3. 多模态输出 此外，还有关于创建 DeepSeek 联网版工作流的相关内容： 1. 创建工作流 创建一个对话流，命名为 r1_with_net 开始节点，直接使用默认的 大模型分析关键词设置 模型：豆包通用模型lite 输入：直接使用开始节点的 USER_INPUT 作为大模型的输入 系统提示词：你是关键词提炼专家 用户提示词：根据用户输入`{{input}}`提炼出用户问题的关键词用于相关内容的搜索 bingWebSearch搜索 插件：BingWebSearch 参数：使用上一个节点，大模型分析输出的关键词作为 query 的参数 结果：data 下的 webPages 是网页搜索结果，将在下一个节点使用 大模型R1 参考搜索结果回答 这里需要在输入区域开启“对话历史” 模型：韦恩 AI 专用 DeepSeek 输入：搜索结果，选择搜索节点 data 下的 webPages；选择开始节点的 USER_INPUT；开启对话历史，设置 10 轮，默认不开启对话历史，开启后默认是 3 轮 系统提示词：这里不需要输入 用户提示词： 结束节点设置 输出变量选择大模型R1 参考搜索结果回答的输出 回答内容里直接输出:{{output}} 测试并发布工作流 输入你的测试问题，测试完成后，直接发布工作流 关于 HiDeepSeek 的相关内容： 1. 效果对比 用 Coze 做了个小测试，大家可以对比看看 2. 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 3. 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（对我来说有难度）和 Markdown（运行下来似乎不是很稳定） 4. 完整提示词 v 1.3 5. 特别鸣谢 李继刚：【思考的七把武器】在前期为我提供了很多思考方向 Thinking Claude：这个项目是我现在最喜欢使用的 Claude 提示词，也是我设计 HiDeepSeek 的灵感来源 Claude 3.5 Sonnet：最得力的助手

要把 Coze 的 agent 发布到微信公众号上，您可以按照以下步骤进行操作： 1. 组装和测试“AI 前线”Bot 机器人： 返回个人空间，在 Bots 栏下找到刚刚创建的“AI 前线”，点击进入。 将写好的 prompt 粘贴到【编排】模块，prompt 可随时调整。 在【技能】模块添加需要的技能，如工作流、知识库。 在【预览与调试】模块，直接输入问题，即可与机器人对话。 2. 发布“AI 前线”Bot 机器人： 测试 OK 后，点击右上角“发布”按钮，即可将“AI 前线”发布到微信、飞书等渠道。 3. 发布到微信公众号上： 选择微信公众号渠道，点击右侧“配置”按钮。 根据相关截图，去微信公众号平台找到自己的 App ID，填入确定即可，不用解绑。 4. 体验： 最后去自己的微信公众号消息页面，就可以使用啦。 另外，还有一种方法是在 Coze 发布页面的发布平台的微信客服这里，显示“已配置”后，进行勾选并点击发布。发布成功后，可以点击微信客服旁边的立即对话、复制 Bot 链接，会弹出该微信客服的二维码，扫码即可立即体验。

在人工智能领域中，AI Agent 的训练具有以下特点： 传统强化学习中，Agent 训练往往需大量样本和时间，且泛化能力不足。 为突破瓶颈，引入了迁移学习：通过促进不同任务间知识和经验迁移，减轻新任务学习负担，提升学习效率和性能，增强泛化能力，但当源任务与目标任务差异大时，可能无法发挥效果甚至出现负面迁移。 探索了元学习：核心是让 Agent 学会从少量样本中迅速掌握新任务最优策略，能利用已有知识和策略调整学习路径适应新任务，减少对大规模样本集依赖，但需要大量预训练和样本构建学习能力，使开发通用高效学习策略复杂艰巨。 时间：21 世纪初至今 特点：迁移学习是将一个任务学到的知识迁移到其他任务；元学习是学习如何学习，快速适应新任务。 技术：迁移学习如领域自适应；元学习如 MAML、MetaLearner LSTM。 优点：提高学习效率，适应新任务。 缺点：对源任务和目标任务的相似性有一定要求。 此外，智谱 AI 开源的语言模型中与 Agent 相关的有： AgentLM7B：提出了 AgentTuning 方法，开源了包含 1866 个高质量交互、6 个多样化真实场景任务的 Agent 数据集 AgentInstruct，基于上述利用 Llama2 微调而成，上下文 token 数为 4K。 AgentLM13B：上下文 token 数为 4K。 AgentLM70B：上下文 token 数为 8K。

Copilot 和 Agent 主要有以下区别： 1. 核心功能： Copilot 更像是辅助驾驶员，依赖人类指导和提示完成任务，功能局限于给定框架内。 Agent 像初级主驾驶，具有更高自主性和决策能力，能根据目标自主规划处理流程并自我迭代调整。 2. 流程决策： Copilot 处理流程依赖人类确定，是静态的，参与更多在局部环节。 Agent 解决问题流程由 AI 自主确定，是动态的，能自行规划任务步骤并根据反馈调整流程。 3. 应用范围： Copilot 主要用于处理简单、特定任务，作为工具或助手存在，需要人类引导监督。 Agent 能够处理复杂、大型任务，并在 LLM 薄弱阶段使用工具或 API 增强。 4. 开发重点： Copilot 主要依赖 LLM 性能，开发重点在于 Prompt Engineering。 Agent 同样依赖 LLM 性能，开发重点在于 Flow Engineering，把外围流程和框架系统化。 此外，Agent 具备“决策权”，可自主处理问题，无需确认；Copilot 需要人类确认才能执行任务。业界普遍认为，Copilot 更适合各行业现有软件大厂，而 AI Agent 为创业公司提供了探索空间。

AI Agent 是基于大型语言模型（LLM）和其他技术实现的智能实体，其核心功能在于自主理解、规划决策、执行复杂任务。 AI Agent 包括以下几个概念： 1. Chain：通常一个 AI Agent 可能由多个 Chain 组成。一个 Chain 视作是一个步骤，可以接受一些输入变量，产生一些输出变量。大部分的 Chain 是大语言模型完成的 LLM Chain。 2. Router：我们可以使用一些判定（甚至可以用 LLM 来判定），然后让 Agent 走向不同的 Chain。例如：如果这是一个图片，则 a；否则 b。 3. Tool：Agent 上可以进行的一次工具调用。例如，对互联网的一次搜索，对数据库的一次检索。 总结下来我们需要三个 Agent： 1. Responser Agent：主 agent，用于回复用户（伪多模态） 2. Background Agent：背景 agent，用于推进角色当前状态（例如进入下一个剧本，抽检生成增长的记忆体） 3. Daily Agent：每日 agent，用于生成剧本，配套的图片，以及每日朋友圈 这三个 Agent 每隔一段时间运行一次（默认 3 分钟），运行时会分析期间的历史对话，变更人物关系（亲密度，了解度等），变更反感度，如果超标则拉黑用户，抽简对话内容，提取人物和用户的信息成为“增长的记忆体”，按照时间推进人物剧本，有概率主动聊天（与亲密度正相关，跳过夜间时间）。 此外，心灵社会理论认为，智能是由许多简单的 Agent（分等级、分功能的计算单元）共同工作和相互作用的结果。这些 Agent 在不同层次上执行不同的功能，通过协作实现复杂的智能行为。心灵社会将智能划分为多个层次，从低层次的感知和反应到高层次的规划和决策，每个层次由多个 Agent 负责。每个 Agent 类似于功能模块，专门处理特定类型的信息或执行特定任务，如视觉处理、语言理解、运动控制等。智能不是集中在单一的核心处理单元，而是通过多个相互关联的 Agent 共同实现。这种分布式智能能够提高系统的灵活性和鲁棒性，应对复杂和多变的环境。同时，在《心灵社会》中，还存在专家 Agent（拥有特定领域知识和技能，负责处理复杂的任务和解决特定问题）、管理 Agent（协调和控制其他 Agent 的活动，确保整体系统协调一致地运行）、学习 Agent（通过经验和交互，不断调整和优化自身行为，提高系统在不断变化环境中的适应能力）。 从达特茅斯会议开始讨论人工智能（Artificial Intelligence），到马文·明斯基引入“Agent”概念，往后，我们都将其称之为 AI Agent。

AI Agent 是当前 AI 领域中较为热门的概念，被认为是大模型未来的主要发展方向之一。 从原理上看，中间的“智能体”通常是 LLM（语言模型）或大模型。为其增加的四个能力分别是工具、记忆、行动和规划。目前行业中主要使用 langchain 框架，将 LLM 与 LLM 之间以及 LLM 与工具之间通过代码或 prompt 的形式进行串接。例如，给大模型提供长期记忆，相当于给予一个数据库工具让其记录重要信息；规划和行动则是在大模型的 prompt 层进行逻辑设计，如将目标拆解并输出不同的固定格式 action 指令给工具。 从产品角度，Agent 可以有不同的设定。比如是一个历史新闻探索向导，身份为历史新闻探索向导，性格知识渊博、温暖亲切、富有同情心，角色是主导新闻解析和历史背景分析，还可以为其设计背景故事使其更加生动。 在人工智能领域，Agent 智能代理是一种能够感知环境并根据感知信息做出决策以实现特定目标的系统，能够自动执行任务，如搜索信息、监控系统状态或与用户交互。

AI Agent 被认为是大模型未来的主要发展方向之一，其发展具有以下特点和阶段： 从原理上看，中间的“智能体”通常是 LLM 或大模型，为其增加了工具、记忆、行动、规划四个能力。目前行业里主要用到的是 langchain 框架，它通过代码或 prompt 的形式将 LLM 与 LLM 之间以及 LLM 与工具之间进行串接。 在人工智能的发展历程中，AI Agent 并非一蹴而就，其发展可分为几个阶段，并受到符号主义、连接主义、行为主义的影响。在人工智能的黎明时期，符号人工智能作为主导范式，以对符号逻辑的依赖著称，代表之作是基于知识的专家系统。其特点是基于逻辑和规则系统，使用符号来表示知识，通过符号操作进行推理。优点是推理过程明确、可解释性强，缺点是知识获取困难、缺乏常识、难以处理模糊性。时间为 20 世纪 50 70 年代。 近期出现的各类 AI 搜索引擎不断颠覆传统搜索引擎，如 perplexity.ai、metaso、360 搜索、ThinkAny 等。AI Agent 在辅助高效处理信息和简便信息表达方面表现出色，例如智能摘要能辅助快速筛选信息，自然语言描述可生成美观可用的图片。在工作流方面，每个人应根据自身情况找到适合的工具，如产品经理可使用 AI 进行用户画像、竞品调研、设计产品测试用例、绘制产品功能流程图等。关于 AI Agent 的未来，曾被认为异想天开的想法都可能成为现实，技术迭代会不断向前。

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。