coze web sdk 的具体测试的案例

以下是使用 Coze 搭建一个关于自然语言课程期末复习指南智能体的步骤： 1. 访问 Coze 官网（https://www.coze.cn），注册并登录。 2. 点击页面左上角的⊕，通过【标准创建】填入智能体的基本信息。 3. 了解 Bot 开发调试界面： 人设与回复逻辑（左侧区域）：设定智能体的对话风格、专业领域定位，配置回复的逻辑规则和限制条件，调整回复的语气和专业程度。 功能模块（中间区域）： 技能配置： 插件：扩展智能体的专业能力，如计算器、日历等工具。 工作流：设置固定的处理流程和业务逻辑。 图像流：处理和生成图像的相关功能。 触发器：设置自动化响应条件。 知识库管理： 文本：存储文字类知识材料。 表格：结构化数据的存储和调用。 照片：图像素材库。 记忆系统： 变量：存储对话过程中的临时信息。 数据库：管理持久化的结构化数据。 长期记忆：保存重要的历史对话信息。 文件盒子：管理各类文档资料。 交互优化（底部区域）： 开场白：设置初次对话的问候语。 用户问题建议：配置智能推荐的后续问题。 快捷指令：设置常用功能的快速访问。 背景图片：自定义对话界面的视觉效果。 预览与调试（右侧区域）：实时测试智能体的各项功能，调试响应效果，优化交互体验。 4. 设定智能体的人设与回复逻辑后，为智能体配置对应的技能，以保证其可以按照预期完成目标任务。例如，以获取 AI 新闻的智能体为例，需要为它添加一个搜索新闻的接口来获取相关新闻。具体操作如下： 在智能体编排页面的技能区域，单击插件功能对应的+图标。 在添加插件页面，选择相关功能，然后单击新增。 修改人设与回复逻辑，指示智能体使用相应插件来搜索所需内容。 （可选）为智能体添加开场白，让用户更好地了解智能体的功能。开场白功能目前支持豆包、微信公众号（服务号）。 5. 配置好智能体后，在预览与调试区域中测试智能体是否符合预期。可单击清除图标清除对话记录。 6. 完成测试后，将智能体发布到社交渠道中使用。具体操作如下： 在智能体的编排页面右上角，单击发布。 在发布页面输入发布记录，并勾选发布渠道。 单击发布。 更多内容，请访问 Coze 官方文档： 英文版：https://www.coze.com/docs/welcome.html 中文版：https://www.coze.cn/docs/guides/welcome

要加入 Coze 通往 AGI 之路团队，您可以按照以下步骤进行： 1. 5 月 7 号： 创建 https://www.coze.com 账号。 创建 https://www.coze.cn 账号。 加入共学的 team（看第三列备注）。 有精力的话，可以提前阅读：。 尝试创建自己的第一个 Bot，用来免费使用 GPT4（海外版本）。 Click the link to join my team WaytoAGI on the Coze Bot Platform 👉🏻https://www.coze.com/invite/8UrPdX0vuusXq5H6dF4P（海外版本）。 coze.cn 👉🏻https://www.coze.cn/invite/EpD2Ud0bdPcvutscWStY（国内版本）。 2. 5 月 10 号：罗文认领一个插件制作插件说明，可参考。 PS：上述两个作业在 5 月 8 号分享结束之后就可以上手进行了，5 月 9 号会针对工作流和多 Agent 模式进行进一步的讲解。大家制作的 Bot 都可以在飞书群中进行投稿，然后会有专门的同学记录到 Bot 收集板。 此外，共学已结束，您也可以自行查看教程学习，比如课程表。欢迎邀请您加入 Coze 扣子团队 AI Bot：通往 AGI 之路。可以看到大家历史捏的 bot：coze.cn 👉🏻https://www.coze.cn/invite/EpD2Ud0bdPcvutscWStY 。 第一期：COZE 的搭建，活动起源是之前在社区里搞了一期，大家反馈都不错，希望有更多一起学习的机会。最近对于 agent 搭建的呼声很大，刚好有几个对 coze 很熟悉的小伙伴出了一些教程，于是有了这一期的主题共学快闪。大家可以先进群，邀请您加入我的 Coze 扣子团 AI Bot：通往 AGI 之路。coze.com 👉🏻https://www.coze.com/invite/8UrPdX0vuusXq5H6dF4P ，coze.cn 👉🏻https://www.coze.cn/invite/EpD2Ud0bdPcvutscWStY 。活动的方式包括自学（这个活动希望通过文字资料+直播分享的方式带领大家了解 Coze 这款工具，但是主要还是要靠自学）、写作业（会留一些作业，帮助大家更好复盘看看有没有吸收知识点。看十遍不如实践一遍）、互助（在飞书群大家有问题可以互助）、交流（找一些 Coze 的玩家跟大家视频会议交流自己的入门和进阶心得）。

要加入 Coze 团队，您可以按照以下步骤进行： 1. 5 月 7 号： 创建 https://www.coze.com 账号。 创建 https://www.coze.cn 账号。 加入共学的 team（看第三列备注）。 有精力的话，可以提前阅读：。 尝试创建自己的第一个 Bot，用来免费使用 GPT4（海外版本），Click the link to join my team WaytoAGI on the Coze Bot Platform 👉🏻https://www.coze.com/invite/8UrPdX0vuusXq5H6dF4P ；国内版本，coze.cn 👉🏻https://www.coze.cn/invite/EpD2Ud0bdPcvutscWStY 。 2. 5 月 10 号，罗文认领一个插件制作插件说明，可参考。 PS：上述两个作业在 5 月 8 号分享结束之后就可以上手进行了，5 月 9 号会针对工作流和多 Agent 模式进行进一步的讲解。大家制作的 Bot 都可以在飞书群中进行投稿，然后会有专门的同学记录到 Bot 收集板。 使用 Coze IDE 创建插件的操作步骤： 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. 在页面顶部进入插件页面，或者在某一 Bot 的编排页面，找到插件区域并单击+图标。 4. 单击创建插件。 5. 在新建插件对话框，根据以下信息完成配置并单击确认： 插件图标：（可选）单击默认图标后，您可以上传本地图片文件作为新的图标。 插件名称：自定义插件名称，用于标识当前插件。建议输入清晰易理解的名称，便于大语言模型搜索与使用插件。 插件描述：插件的描述信息，一般用于记录当前插件的用途。 插件工具创建方式：选择在 Coze IDE 中创建。 IDE 运行时：选择 Node.js 或者 Python3。 6. 在插件详情页，单击在 IDE 中创建工具。 7. 在弹出的创建工具对话框，设置工具名称和介绍，以明确工具的用途，并单击确定。工具名称和介绍越清晰，大语言模型就越能理解并使用它。创建后，您将跳转到 Coze IDE 页面进行编码。 8. （可选）在 IDE 左上角工具列表区域，单击+图标，向插件添加更多工具。您还可以通过单击列表内某一工具的设置图标，来编辑、删除或重置代码。 9. （可选）在 IDE 左下角依赖包区域，管理依赖包，所有工具共用该依赖列表。 【共学最全版本】微信机器人共学教程第二天教程内容： 1. 二、修改配置：主要更改的是标黄的四行，可以直接清空原文件配置，把以下配置粘贴进您的 config.json 文件中。 2. 三、获取 key 和 id： 进入官网：https://www.coze.cn/home 。 欢迎邀请您加入 Coze 扣子团队 AI Bot：通往 AGI 之路。可以看到大家历史捏的 bot，coze.cn:👉🏻https://www.coze.cn/invite/EpD2Ud0bdPcvutscWStY 。 获取 key：获取到的这个令牌，就是"coze_api_key"，像下方一样填入即可。"coze_api_key":"pat_diajdkasjdlksajdlksajdasdjlkasjdlas" 。 获取 bot id：把 bot_id 填入："coze_bot_id":"86787989080" 。 大家可以一起分享提示词： 。 提示词案例一、苏苏；案例二、老王 。 历史资料参考： 。 。

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，具有以下用途和特点： 1. 专为开发下一代 AI 聊天机器人而设计，旨在简化 AI 机器人的开发过程，使开发者和非技术用户都能快速搭建基于 AI 模型的各类问答 Bot，处理从简单问答到复杂逻辑对话的任务。 2. 多语言模型支持：使用了大型语言模型如 GPT48K 和 GPT4128K，并提供云雀语言模型等，支持不同场景下的对话和交互。 3. 插件系统：集成超过 60 款插件，涵盖资讯阅读、旅游出行、效率办公、图片理解等功能，同时支持用户创建自定义插件以扩展 Bot 能力。 4. 知识库功能：允许用户上传和管理数据，支持 Bot 与用户数据交互，可上传 TXT、PDF、DOCX、Excel、CSV 格式的文档，或基于 URL 获取在线内容和 API JSON 数据。 5. 数据库和记忆能力：提供数据库功能，允许 Bot 访问会话内存和上下文，持久记住用户对话中的重要参数或内容。 6. 工作流设计：用户可通过拖拉拽方式快速搭建工作流，处理逻辑复杂的任务流，提供大量灵活可组合的节点，如大型语言模型（LLM）、自定义代码、判断逻辑等。 7. 多代理模式：在一个机器人中可以运行多个任务，允许添加多个代理，每个代理都是一个能够独立执行特定任务的智能实体。 8. 免费使用：目前对用户完全免费，用户可利用其强大功能而无需支付费用。 9. 易于发布和分享：用户可以将搭建的 Bot 发布到各类社交平台和通讯软件上，让更多用户与之互动。 此外，Coze 记账管家是基于 Coze 平台的能力搭建的一个记账应用，用户可以直接和 Coze 说明收入或支出情况，Coze 会自动记账并计算账户余额，每一笔记账记录都不会丢失，下次仍记得历史记账记录。其 bot 基于提示词、数据库和工作流三部分构成，数据库用于长久存放用户自己生成的数据，在记账功能中定义了记账事项（字段类型为 string）、记账发生时间（字段类型为 string）、变得的金额（字段类型为 integer，单位是分）等字段。

Coze 的工作流具有以下特点和步骤： 特点： 是一种可视化的方式，允许用户组合各种功能模块，如插件、大语言模型、代码块等，实现复杂和稳定的业务流程编排。 由多个节点组成，包括 Start 节点和 End 节点，用户可在节点间添加各种功能模块构建业务流程。 支持丰富的功能模块，可根据需求灵活组合，如调用大语言模型进行文本生成、调用插件进行数据处理等。 工作流的创建和编辑通过可视化拖拽界面完成，无需编写代码，降低了搭建门槛。 创建好的工作流可直接集成到 Coze 的聊天机器人中使用，实现复杂业务逻辑。 为用户提供了可视化、低代码的方式，快速搭建满足业务需求的 AI 应用和服务，降低开发门槛，提升工作效率。 步骤： 梳理清楚工作流，例如对于复刻吴恩达开源的 AI 翻译项目，先新建工作流，逐步导入核心流程，工作流分为若干节点，每个节点完成特定任务，组合形成完整翻译流程。 查看导入后的整体工作流及测试效果，工作流分为初始翻译、反思优化、结果输出等主要部分，运行测试时可看到每个节点的执行过程和结果。 对每个节点的配置进行核心讲解，如开始节点需选择翻译的源语言和目标语言，还可设置其他参数；初步的翻译大模型节点需选择大模型进行初始翻译。

要将 Coze 的智能体自动存储在飞书智能表格里，可参考以下步骤： 1. 前期准备： 设计 AI 稍后读助手的方案思路，包括简化“收集”，实现跨平台收集功能，支持电脑（web 端）、安卓、iOS 多端操作，输入 URL 完成收集，借鉴微信文件传输助手通过聊天窗口输入；自动化“整理入库”，系统在入库时自动整理每条内容的关键信息，包括标题、摘要、作者、发布平台、发布日期、收集时间和阅读状态，且支持跨平台查看；智能“选择”推荐，根据收藏记录和用户阅读兴趣生成阅读计划。 发现同在字节生态中的 Coze、飞书、飞书多维表格可构建完整的 AI 工作流，通过飞书机器人与 Coze 搭建的智能体对话，在聊天窗口完成链接输入和阅读计划输出，由 Coze 调用大模型、插件完成内容整理、推荐，利用飞书多维表格存储和管理稍后读数据，理论上无需开发插件、APP 就能实现跨平台的稍后读收集与智能阅读计划推荐。 2. 逐步搭建 AI 智能体： 搭建整理入库工作流，设置大模型节点提取稍后读元数据，使用 MiniMax 6.5s 245k，设置最大回复长度至 50000 以解析长内容网页。 进行日期转时间戳，使用「日期转时间戳time_stamp_13」插件进行格式转化，因后续的飞书多维表格插件节点入库日期字段只支持 13 位时间戳。 把稍后读元数据转换为飞书多维表格插件可用的格式，飞书多维表格插件目前只支持带有转义符的 string，以 Array<Object>格式输入，需将元数据数组进行格式转换。 添加「飞书多维表格add_records」插件，设置{{app_token}}与{{records}}参数。 结束节点返回入库结果，「飞书多维表格add_records」插件返回入库结果，用于通知外层 bot 工作流的入库是否成功，别忘了对整个工作流进行测试。

以下是关于对比相关内容的介绍： Midjourney v6.0 与 v6.1 版本对比： 在 Discord 上输入/settings 打开，或者描述词后面输入v 6.1 即可；网页端默认选择 v6.1 版本，直接使用即可。 对比的前提包括文字的摆放是否更完整，实物物体能否从 v6.0 版本复杂化到简单化，人物面部细节处理，肢体和图画比例是否协调，以及插画类在这次版本中的表现。 文字测试结果：v6.0 版本文字方面已不错，但 v6.1 版本表现更好。 实物测试结果：左侧细节过于复杂，右侧简洁合理，此次版本更新情况较诡异。 不同大型语言模型的性能对比： 需考虑多个维度，如理解能力（对语法、语义、上下文和隐含意义的理解）、生成质量（文本的流畅性、相关性和准确性）、知识广度和深度（对广泛主题的知识掌握程度及特定领域的理解深度）、泛化能力（处理未见过的任务或数据的表现）、鲁棒性（对错误输入等的应对能力）、偏见和伦理（生成文本是否存在偏见及是否遵循伦理标准）、交互性和适应性（在交互环境中的表现）、计算效率和资源消耗（模型大小、训练和运行所需的计算资源）、易用性和集成性（是否易于集成到不同应用和服务中及提供的 API 和工具的易用性）。 为进行有效比较，可采用标准基准测试（如使用 GLUE、SuperGLUE、SQuAD 等）、自定义任务（根据特定需求设计）、人类评估（结合主观评价）、A/B 测试（在实际应用场景中比较）、性能指标（如准确率、召回率、F1 分数、BLEU 分数等）。

目前在 AI 领域中，专门用于辅助测试 Web 网页的工具相对较少。但一些通用的 AI 工具和技术可能会对软件测试有所帮助，例如利用自然语言处理技术来分析测试需求和报告，或者使用机器学习算法来预测可能出现的错误类型。不过，这些应用可能需要一定的定制和整合才能更好地适应 Web 网页测试的特定需求。

以下是使用 WebUI 为图像添加噪音的详细步骤： 1. 首先，了解 Stable Diffusion 的加噪原理。从数据集中选择一张干净样本，然后用 random 函数生成 0 3 共 4 种强度的噪声，在每次迭代中随机选择一种强度的噪声添加到干净图片上，完成图片的加噪流程。 2. 在训练过程中，对干净样本进行加噪处理，采用多次逐步增加噪声的方式，直至干净样本转变成为纯噪声。 3. 加噪过程中，每次增加的噪声量级可以不同，假设存在 5 种噪声量级，每次都可以选取一种量级的噪声，以增加噪声的多样性。 4. 与图片生成图片的过程相比，在预处理阶段，先把噪声添加到隐空间特征中。通过设置去噪强度（Denoising strength）控制加入噪音的量。如果去噪强度为 0 ，则不添加噪音；如果为 1 ，则添加最大数量的噪声，使潜像成为一个完整的随机张量。若将去噪强度设置为 1 ，就完全相当于文本转图像，因为初始潜像完全是随机的噪声。

开发 Stable Diffusion 在线 Web UI 可以按照以下步骤进行： 1. 安装必要的软件环境： 安装 Git 用于克隆源代码。 安装 Python 3.10.6 版本，确保勾选“Add Python 3.10 to PATH”选项。 安装 Miniconda 或 Anaconda 创建 Python 虚拟环境。 2. 克隆 Stable Diffusion Web UI 源代码： 打开命令行工具，输入命令 git clone https://github.com/AUTOMATIC1111/stablediffusionwebui.git ，将源代码克隆到本地目录。 3. 运行安装脚本： 进入 stablediffusionwebui 目录，运行 webuiuser.bat 或 webui.sh 脚本，它会自动安装依赖项并配置环境。等待安装完成，命令行会显示 Web UI 的访问地址。 4. 访问 Web UI 界面： 复制命令行显示的本地 Web 地址，在浏览器中打开，即可进入 Stable Diffusion Web UI 的图形化界面。 5. 学习 Web UI 的基本操作： 了解 Web UI 的各种设置选项，如模型、采样器、采样步数等。尝试生成图像，观察不同参数对结果的影响。学习使用提示词（prompt）来控制生成效果。 6. 探索 Web UI 的扩展功能： 了解 Web UI 支持的各种插件和扩展，如 Lora、Hypernetwork 等。学习如何导入自定义模型、VAE、embedding 等文件。掌握图像管理、任务管理等技巧，提高工作效率。 在完成了依赖库和 repositories 插件的安装后，还需要进行以下配置： 将 Stable Diffusion 模型放到/stablediffusionwebui/models/Stablediffusion/路径下。然后到/stablediffusionwebui/路径下，运行 launch.py 即可。运行完成后，将命令行中出现的输入到本地网页中，即可打开 Stable Diffusion WebUI 可视化界面。进入界面后，在红色框中选择 SD 模型，在黄色框中输入 Prompt 和负向提示词，在绿色框中设置生成的图像分辨率（推荐设置成 768x768），然后点击 Generate 按钮进行 AI 绘画。生成的图像会展示在界面右下角，并保存到/stablediffusionwebui/outputs/txt2imgimages/路径下。 如果选用 Stable Diffusion 作为 AIGC 后台，需要注意： DallE 缺乏室内设计能力，MidJourney 出图效果好但无法基于现实环境重绘，Stable Diffusion 出图成功率较低，但可调用 controlnet 的 MLSD 插件捕捉现实环境线条特征做二次设计。安装 Stable Diffusion WEB UI 后，修改 webuiuser.bat 文件加上 listen 和 API 参数，让 Stable Diffusion 处于网络服务状态。代码如下： @echo off set PYTHON= set GIT= set VENV_DIR= set COMMANDLINE_ARGS=xformers nohalfvae listen api git pull call webui.bat 让 Stable Diffusion 具有 AI 室内设计能力的步骤： 1. 下载室内设计模型（checkpoint 类型），放到 stable diffusion 目录/models/stablediffusion 下面。 2. 安装 controlnet 插件，使用 MLSD 插件，实现空间学习。 通过 API 方式让前端连接到 Stable Diffusion 后台的具体代码在前端开发详细展开，API 参考文档可选读。

WebUI 可以使用 FLUX 模型。以下是相关的下载和使用信息： ae.safetensors 和 flux1dev.safetensors 下载地址：https://huggingface.co/blackforestlabs/FLUX.1dev/tree/main 。 flux 相关模型（体积较大）的夸克网盘链接：https://pan.quark.cn/s/b5e01255608b 。 flux 相关模型（体积较大）的百度网盘链接：https://pan.baidu.com/s/1mCucHrsfRo5SttW03ei0g?pwd=ub9h 提取码：ub9h 。 如果 GPU 性能不足、显存不够，底模可以使用 fp8 的量化版模型，下载地址：https://huggingface.co/Kijai/fluxfp8/tree/main 。 下载 dev 的工作流： 或者官方原版的图片链接 https://comfyanonymous.github.io/ComfyUI_examples/flux/flux_dev_example.png ，打开 ComfyUI，把工作流或图片拖拽到 ComfyUI 里。 郑敏轩的 Flux 的 controlnet 系列中 TheMisto.ai 的 MistoLine 版： 注意：该 ControlNet 与 Flux1.dev 的 fp16/fp8 以及使用 Flux1.dev 量化的其他模型兼容。 需要节点（可以 git clone 方式下载或通过以下网盘）： 夸克网盘：链接：https://pan.quark.cn/s/ad43dd5152a6 。 百度网盘：链接：https://pan.baidu.com/s/1NcOdG4AV68xTup8FvphsYA?pwd=lpvc 提取码：lpvc 。 模型： 夸克网盘：链接：https://pan.quark.cn/s/5551e813db21 。 百度网盘：链接：https://pan.baidu.com/s/1Ntf4MbTCGJ5TYDv6mgvqNQ?pwd=zhfq 提取码：zhfq 。 处理：将模型放到 ComfyUI\\models\\TheMisto_model 文件夹中。 导入官方工作流 。所需要的两个模型：

WebUI 可以使用 FLUX 模型。以下是相关的下载和使用信息： ae.safetensors 和 flux1dev.safetensors 的下载地址：https://huggingface.co/blackforestlabs/FLUX.1dev/tree/main 。 夸克网盘链接：https://pan.quark.cn/s/b5e01255608b 百度网盘链接：https://pan.baidu.com/s/1mCucHrsfRo5SttW03ei0g?pwd=ub9h 提取码：ub9h 如果 GPU 性能不足、显存不够，底模可以使用 fp8 的量化版模型，下载地址：https://huggingface.co/Kijai/fluxfp8/tree/main 。 dev 的工作流： 官方原版的图片链接：https://comfyanonymous.github.io/ComfyUI_examples/flux/flux_dev_example.png ，打开 ComfyUI ，把工作流或图片拖拽到 ComfyUI 里。 郑敏轩的 Flux 的 controlnet 系列： TheMisto.ai 的 MistoLine 版，该 ControlNet 与 Flux1.dev 的 fp16/fp8 以及使用 Flux1.dev 量化的其他模型兼容。 节点： 可以 git clone 方式下载或通过压缩包。 夸克网盘：链接：https://pan.quark.cn/s/ad43dd5152a6 百度网盘：链接：https://pan.baidu.com/s/1NcOdG4AV68xTup8FvphsYA?pwd=lpvc 提取码：lpvc 模型： 夸克网盘：链接：https://pan.quark.cn/s/5551e813db21 百度网盘：链接：https://pan.baidu.com/s/1Ntf4MbTCGJ5TYDv6mgvqNQ?pwd=zhfq 提取码：zhfq 处理：将模型放到 ComfyUI\\models\\TheMisto_model 文件夹中。 导入官方工作流： ，所需要的两个模型。

理论上，在应用完全相同参数（如 Step、CFG、Seed、prompts）的情况下，SD ComfyUI 出图和 SD WebUI 出图应当能保持图片效果一模一样。但在实际操作中可能会存在一些差异，比如： 提示词的多个条件下，SD 生成的图像可能无法全部满足，这与提示词引导系数有关，该系数关系到出图与文字的相关程度。 不同的模型和配置也可能影响出图效果，例如 SDXL 的大模型分为 base、refiner 以及配套的 VAE 模型，用于调节图片的画面效果和色彩。 需要注意的是，相同参数下要达到完全一致的出图效果并非绝对，还会受到多种因素的综合影响。

以下为您提供两个智能体搭建案例： 案例一： 智能体名称：市场分析报告 智能体简介：品牌营销公司在用的生成智能体，输入行业/类目关键词自动检索关联信息并生成报告。数据化呈现更具真实性，附带信息来源网址便于源信息校正。可帮助品牌主/营销人员减少信息收集时间，聚焦决策判断。 应用场景： 目标人群：企业管理层（做发展策略评估）、投资者（评估投资机会）、创业者（评估项目可行性）、营销人员（做营销计划依据）。 当前痛点：信息收集需要长时间；报告的真实性是否可验证；现有大模型做的市场报告太过概念化，不能做有效参考。 应用价值：减少信息收集时间、真实可验证、聚焦决策判断。 智能体主要功能：根据用户的要求或指定的行业、产品，搜索网络信息，生成一份完整的市场调研报告，用数据支撑，并附引用链接。 案例二： 智能体开发平台：字节扣子和腾讯元器。 概念定义：智能体（Agent）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。AI 大模型是技术，面向用户提供服务的是产品，很多公司开始关注 AI 应用层的产品机会。 C 端案例：社交方向，用户注册后先捏一个自己的 Agent，然后让自己的 Agent 和其他人的 Agent 聊天，两个 Agent 聊到一起后再真人介入；还有借 Onlyfans 入局打造个性化聊天的创业公司。 B 端案例：帮助 B 端商家搭建 Agent。 智能体开发平台介绍：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。国内还有很多智能体开发平台，如 Dify.AI，但个人比较常用的还是扣子。

以下是一些 AI 视频镜头的提示词及案例： 一、视频镜头 1. 浅焦镜头（Shallow focus shot） 提示词：一个老奶奶手拿照片面对观众，镜头从照片聚焦到老奶奶脸上，营造出温馨和怀旧的氛围。 2. 窥视镜头（Spy shot） 提示词：镜头在一个隐蔽的位置拍摄。一位头发发白的老奶奶坐在窗前双手捧着一张老照片，面带思念地看着照片，场景温馨。 3. 摇晃镜头（Handheld shot） 提示词：镜头摇晃地跟随一个在战斗中的士兵，画面展示战场上的混乱、飞扬的尘土和四处奔跑的战友，增加紧张和真实感。 4. 穿梭镜头（Hyperlapse shot） 提示词：镜头穿过一条隧道，通过隧道外面是美丽的雪山。 5. 跟随镜头（Tracking shot） 提示词：镜头紧跟一辆在赛道上高速行驶和漂移的跑车。 6. 车载镜头（Carmounted shot） 提示词：镜头从驾驶员或汽车前部的视角出发，展示前方的道路和沿途的建筑物。 7. 动作镜头 提示词：镜头快速捕捉一个男人在激烈的打斗中差点摔倒，增强紧张感和动态性。 8. 无人机视角（Drone perspective shot） 提示词：无人机视角展示一个人站在高山顶峰，俯瞰壮丽景色，远处是连绵的山脉和云海，营造广阔和宏伟的氛围。 9. 低视角镜头 提示词：镜头从楼梯低处仰视一个天空和建筑，增强仰视感和宏伟感 提示词：相机在地上拍摄一个清晨正在跑步的人，背景远处虚焦。 10. 仰拍镜头（Lowangle shot） 提示词：镜头从树底向上拍摄，展示高大的树干和繁茂的树冠。 11. 推镜头（Dolly in） 提示词：镜头从远处向前推进，打开城堡的大门。 12. 旋转变焦镜头 提示词：镜头在变焦的同时快速旋转，展示一个人在旋转木马上。 13. 时间流逝镜头（Timelapse shot） 提示词：镜头固定不动，长时间拍摄并加速播放，展示城市从白天到夜晚的变化。 14. 背光镜头 提示词：镜头逆光拍摄，一个男人站在夕阳下，背光照亮他的轮廓，面部隐在阴影中。 15. 失焦镜头 提示词：镜头失焦拍摄城市的霓虹灯，灯光模糊，呈现出梦幻的效果。 16. 平行镜头（Side dolly shot） 提示词：镜头与骑自行车的少年平行移动，跟随他的骑行路径，保持在相同的水平线上。 17. 镜头推拉变焦 提示词：镜头同时进行推拉和变焦，展示一个人在惊讶地看着远方。 18. 虚实结合镜头 提示词：镜头将真实场景和虚拟场景结合，以 X 光效果拍摄骨骼，以真实场景展示一个手拿着一把钥匙，钥匙的轮廓清晰，背景虚化。 19. 反射镜面镜头（Reflection shot） 提示词：反射镜头，通过浴室镜子反射展示一个人在洗脸的画面 20. 黑白镜头 提示词：黑白镜头，展示一个老街区的复古场景，增强怀旧感。 21. 特写镜头（Closeup shot） 提示词：特写镜头展示一双男性眼睛。 二、全新 AI 整活计划第一期：平行宇宙通勤指南 1. 一致性多镜头提示词 Prompt：女孩后退，拿着斧头的骷髅朝镜头走近。镜头切换，近景正面拍摄女孩的上半身，她满脸惊恐发出尖叫。 基础参数：镜头固定，16:9，10s 视频链接： 2. 一致性多镜头提示词 Prompt：远景拍摄，一个男人转身朝画面左侧走去。镜头切换，近景拍摄男人的上半身，他一脸忧愁。 基础参数：镜头固定，16:9，10s 视频链接： 3. 一致性多镜头提示词 Prompt：穿黄色外套的长发白人女人和卷发黑色外套的男人对视微笑。镜头切换，近景拍摄黄色外套的长发女人微笑的脸。镜头切换，近景拍摄卷发黑外套男人微笑的脸。 基础参数：镜头固定，16:9，10s 视频链接：

以下是一些智能客服的实践案例： 在销售方面，有“销售：话术总结优缺点”，涉及产品特点、服务优势、目标客户需求和痛点等方面。 详情： 入库时间：2023/10/30 在销售方面，还有“销售：定制销售解决方案”，涵盖企业产品和服务内容、客户需求和参数等内容。 详情： 入库时间：2023/10/30 在客服方面，有“客服：定制客服话术”，包含产品知识、使用方法等 13 个关键词库。 详情： 入库时间：2023/10/30 腾讯运营在智能客服方面的应用： ChatGPT 承担客服功能，通过告知其具体客服身份，要求其解答用户问题并进行私域流量转化。 ChatGPT 能够理解社区用户的评论和问题，并生成合适的回复，管理社区互动，模拟运营人的语言风格，与用户进行更自然的互动。 ChatGPT 可以监测舆情和热点，从多个来源抓取互联网上的热门话题、新闻和社交媒体动态，并对抓取到的文本数据进行深度分析。 其他相关案例：

以下是 AI 应用在测试领域的一些案例： 基于模型的测试生成： 状态模型： GraphWalker：基于状态模型生成测试用例，适用于复杂系统的行为测试。 Spec Explorer：微软开发的模型驱动测试工具，通过探索状态模型生成测试用例。 场景模拟： Modelbased Testing：基于系统模型自动生成测试用例，覆盖各种可能的操作场景和状态转换。 Tosca Testsuite：基于模型的测试工具，自动生成和执行测试用例，适用于复杂应用的端到端测试。 实践中的应用示例： Web 应用测试：使用 Testim 分析用户行为和日志数据，自动生成高覆盖率的测试用例，检测不同浏览器和设备上的兼容性问题。 移动应用测试：利用 Test.ai 从需求文档中提取测试用例，确保覆盖关键功能和用户路径，提高测试效率和质量。 复杂系统测试：采用 GraphWalker 基于系统状态模型生成测试用例，确保覆盖所有可能的状态和操作场景，检测系统的边界情况和异常处理能力。 工具和平台： Testim：AI 驱动的自动化测试平台，生成和管理测试用例。 Test.ai：基于 NLP 技术的测试用例生成工具，适用于移动应用和 Web 应用。 DeepTest：利用深度学习生成自动驾驶系统测试用例。 GraphWalker：基于状态模型生成测试用例，适用于复杂系统的行为测试。 Pex：微软开发的智能测试生成工具，自动生成高覆盖率的单元测试。 基于规则的测试生成： 测试用例生成工具： Randoop：基于代码路径和规则生成测试用例，适用于 Java 应用程序。 Pex：微软开发的智能测试生成工具，自动生成高覆盖率的单元测试，适用于.NET 应用。 模式识别： Clang Static Analyzer：利用静态分析技术识别代码模式和潜在缺陷，生成相应的测试用例。 Infer：Facebook 开发的静态分析工具，自动生成测试用例，帮助发现和修复潜在错误。 基于机器学习的测试生成： 深度学习模型： DeepTest：利用深度学习模型生成自动驾驶系统的测试用例，模拟不同驾驶场景，评估系统性能。 DiffTest：基于对抗生成网络（GAN）生成测试用例，检测系统的脆弱性。 强化学习： RLTest：利用强化学习生成测试用例，通过与环境交互学习最优测试策略，提高测试效率和覆盖率。 A3C：基于强化学习的测试生成工具，通过策略梯度方法生成高质量测试用例。 基于自然语言处理（NLP）的测试生成： 文档驱动测试生成： Testim：AI 驱动的测试平台，通过分析文档和用户故事自动生成测试用例，减少人工编写时间。 Test.ai：利用 NLP 技术从需求文档中提取测试用例，确保测试覆盖业务需求。 自动化测试脚本生成： Selenium IDE + NLP：结合 NLP 技术扩展 Selenium IDE，从自然语言描述中生成自动化测试脚本。 Cucumber：使用 Gherkin 语言编写的行为驱动开发（BDD）框架，通过解析自然语言描述生成测试用例。 总结：AI 在生成测试用例方面具有显著的优势，可以自动化和智能化生成高覆盖率的测试用例，减少人工编写测试用例的时间和成本。通过合理应用 AI 工具，前端开发工程师可以提高测试效率、增强测试覆盖率和发现潜在问题，从而提升软件质量和用户体验。但请注意，内容由 AI 大模型生成，请仔细甄别。

以下是为您提供的关于 RAG 案例的相关内容： 在商业化问答场景中，存在大模型根据知识库回复不准确的情况，如回答牛头不对马嘴、未依据正确内容回答等错误场景，这凸显了优化大模型根据知识库回答准确性的重要性，而在 AI 领域中，此优化过程称为 RAG。 RAG（RetrievalAugmented Generation）即检索增强生成，由检索器和生成器两部分组成。检索器从外部知识中快速找到与问题相关的信息，生成器利用这些信息制作精确连贯的答案，适合处理需要广泛知识的任务，如问答系统。 在案例研究中： 案例 B 中，用户查询特定研究论文中的“表格 8”及所列因变量，ChatDOC 能有效检索整个表格，包括标题和内容，准确响应查询，而 Baseline 模型未检索到真正的“表格 8”。 OpenAI 在提升 RAG 准确率方面，从 45%开始，尝试多种方法，如假设性文档嵌入和精调嵌入等效果不理想，通过调整信息块大小、嵌入不同内容部分、Reranking、对不同类别问题特别处理、提示工程、查询扩展等方法，最终达到 98%的准确率，强调了模型精调和 RAG 结合使用的潜力。

要引入 AI 对包括 PDF、PPT、WORD 等文件的案例进行解析，以方便用户智能搜索和对文本内容进行全文提问，可以参考以下方法： 1. 对于法律文本阅读场景： 操作动作：选择某一份或者若干份文档上传，AI 完成解析，然后根据需要了解的内容进行提问。 Prompt 指令词示例：“图纸是谁设计的？”“谁负责承担本项目的设计、建设？”“贷款期限是多少？”“谁承担律师费？”“请概括原告的诉讼请求和事实理由？”“根据民事答辩状，被告张三一方还有更好的答辩建议吗？” 拼接模板：根据以下材料内容回答我的问题【每个材料内容都以数字序号+文件名开头】。你需要尽可能的参考材料内容：【文档 1 内容】+【文档 2 内容】+...+【文档 n 内容】+ 我的问题是：参考上述 Prompt 指令词。 2. 对于 AI 产品案例和投稿中的自媒体场景： 例如“创作：社群的每日资讯”“创作：写科普内容”“分发：内容分发”“沟通：小团队与甲方沟通”等案例，涵盖了品牌推广、科普创作、内容分发、团队沟通等方面。 3. 对于 AI 产品案例和投稿中的工作场景： 包括企业运营、教育、游戏/媒体、零售/电商、金融/保险等七大行业的商业化应用，如企业日常办公文档撰写、教育资源平等获取、游戏剧情生成、电商舆情监测、金融理财顾问等方面。