Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

Coze代码测试成功,运行示例时报错

Answer

关于您提到的 Coze 代码测试成功但运行示例时报错的问题,以下是相关的信息和可能的解决办法:

  • 图片生成方面:理想生成图片只实现了一次,其他几次生成文字加链接,链接需点进去查看且图片需渲染或加载,无互动趣味性,增加等待时间。因为默认返回的是 markdown 格式,微信不支持 markdown 格式,可在 github 上搜索 nicecoze 插件,基于 cow,把 markdown 转换为图片消息。
  • 模型配置方面:Coze 里面模型配置用的 GPT-4o,程序运行调用的是 GPT-3.5 Turno。这是因为没有查询到 4o 的 token 计算方式,所以采用 3.5 的,但依然使用的是 GPT4o,只是 token 计算方式用的 3.5。
  • 插件功能方面:Coze 加入了插件 Data Analysia(数据分析)、Browser 和 GPT4v 互动过程无法实现功能。这需要在 coze 里进行鼓捣,和 cow 的 config 无关。
  • 外层 bot 方面:在外层 bot 进行运行时容易出现报错,暂时无法确定原因,猜测可能是外层 bot 的并发不够稳定,不如直接在工作流编辑面板中获取精度结果。如果自行实验时多次报错且无法定位问题原因,不要急着怪自己,相关 bug 已提交给 Coze 团队,希望能加紧优化。
Content generated by AI large model, please carefully verify (powered by aily)

References

机器人制作安装问题&解答汇总

使用教程张梦飞老师(前两个保姆级教程)机器人3群(晚安寿司),需要解决问题1、理想生成图片只实现了一次(微信聊天界面直接发送图片),其他几次生产文字加链接下,链接需要点进去查看而且图片需要渲染或加载。//无互动趣味性//增加等待时间(图一图二)2、Coze里面模型配置用的GPT-4o,程序运行调用的是GPT-3.5 Turno。(图三)3、Coze加入了插件Data Analysia(数据分析)、Browser和GPT4v互动过程无法实现功能。需要在config.json中加入代码才能实现吗?(图四config.json文件代码)[heading4](金永勋)回答:[content]1、因为默认返回的是markdown格式,微信不支持markdown格式,github上搜索nicecoze插件,基于cow,可以把markdown转换为图片消息。2、请使用翻译功能,它说的是没有查询到4o的token计算方式,所以采用3.5的,这句话没有任何影响。他依然使用的是GPT4o,只是token计算方式用的3.53、coze插件通过prompt的语义调用,或者workflow实现,是在coze内部的实现,而不是cow,所以和cow的config无关,要去coze里鼓捣。[heading2]3、yum安装报错[content]1、下载报错:安装的时候,总是下载不了“docker-ce-stable”这个文件2、我仔细又重新操作了一下,又出现下面的问题[heading3](回答)[content]没有留下是哪个教程,也没留下问题人名字。目测应该是cdp教程的问题。应该是你本来就有yum,又重新安装导致。1、确认下你用的是哪个家的的服务器,是不是腾讯云。阿里云是自带yum的2、如果是阿里云,就不需要执行这一步了,直接往下走即可

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

在点击「发布」,发布工作流后,我们就需要创建一个bot,进行最终的工作流封装。封装过程如下:1.创建Bot2.填写Bot介绍3.切换Bot模式为“单Agent(工作流模式)”:因为这个Agent,我们只需要每次输入英文文章的时候,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,直接调用工作流即可。4.把我们刚才配置好的工作流,添加到Bot中5.填写开场白,引导用户使用:附开场白文案⬇️6.关闭开场白预置问题:因为使用流程里用不到,所以直接关掉。[heading3]外层bot调试[content]完成封装后,即可在「预览与调试」区进行最终体验与调试:——如果一切正常,你就能获得这样的成功结果,yes~Btw:在笔者发布文章时,外层bot仍存在一定的未知bug,同一段USER_INPUT,在工作流编辑面板中试运行完全ok,但到了外层bot进行运行时,就容易出现报错。暂时无法确定原因,猜测可能是外层bot的并发做的不够稳定,不如直接在工作流编辑面板中获取精度结果。如果自行实验时,发现多次报错且无法定位问题原因,就不要急着怪自己啦🤣。笔者也已经把相关bug提交给了Coze团队,希望能加紧优化吧。

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

在点击「发布」,发布工作流后,我们就需要创建一个bot,进行最终的工作流封装。封装过程如下:1.创建Bot2.填写Bot介绍3.切换Bot模式为“单Agent(工作流模式)”:因为这个Agent,我们只需要每次输入英文文章的时候,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,直接调用工作流即可。4.把我们刚才配置好的工作流,添加到Bot中5.填写开场白,引导用户使用:附开场白文案⬇️6.关闭开场白预置问题:因为使用流程里用不到,所以直接关掉。[heading3]外层bot调试[content]完成封装后,即可在「预览与调试」区进行最终体验与调试:——如果一切正常,你就能获得这样的成功结果,yes~Btw:在笔者发布文章时,外层bot仍存在一定的未知bug,同一段USER_INPUT,在工作流编辑面板中试运行完全ok,但到了外层bot进行运行时,就容易出现报错。暂时无法确定原因,猜测可能是外层bot的并发做的不够稳定,不如直接在工作流编辑面板中获取精度结果。如果自行实验时,发现多次报错且无法定位问题原因,就不要急着怪自己啦🤣。笔者也已经把相关bug提交给了Coze团队,希望能加紧优化吧。

Others are asking
猫叔的编剧提示词怎么使用,有没有示例
以下是关于猫叔编剧提示词的使用示例及相关说明: 在一个微短剧故事中,核心冲突是遗产争夺,人物关系为猫叔和侄子,场景在灵堂。情绪基调方面,猫叔初始隐忍,侄子咄咄逼人,其他人开始中立后来转变。 按照矛盾升级规则设计: 1. 第一层是表面争执,侄子挑衅,猫叔克制回应,旁观者看热闹。 2. 第二层矛盾加深,侄子攻击猫叔的过去,猫叔继续隐忍,有人开始劝架。 3. 第三层爆发转折,侄子得意时,猫叔拿出证据反击,形势逆转。 要注意以下几点: 1. 情绪递进,侄子的言语从暗讽到明嘲再到打压,猫叔从克制到压抑最后反击。 2. 反转要出其不意,比如猫叔突然播放录音,证明侄子的阴谋。 3. 结尾要让观众感到痛快,比如侄子被赶出去,猫叔赢得尊重。 场景描述:灵堂香火缭绕,遗照前供着三牲果品。暴雨拍打窗棂,二十余人挤在狭小厅堂里,目光聚焦在跪坐蒲团上的猫叔与叉腰站在供桌旁的侄子阿强。黑猫蹲在梁上发出低吼。 对话内容示例: 阿强:(踢翻纸钱盆)“老东西装什么孝子?当年老爷子住院你连面都不露!” 此外,在相关的分享中,徐雁斐分享了 Deepseek 使用体验及提示词技巧,包括让模型解数学题、设计教学步骤等有趣尝试,还提到关键在于提供足够信息以及不同场景的用法及技巧。魏申分享了编剧相关提示词,将编剧拆解为 9 个基础部分,并做了微短剧提示词,认为微短剧市场火爆,提示词需紧跟市场变化,人为主、提示词为辅,强调提示词要结合知识不断测试调整,才能满足需求。
2025-02-09
利用AI进行赚钱的示例
以下是一些利用 AI 进行赚钱的示例: 1. 在艺术创作领域,生成式 AI 使想象变为现实。例如通过 Lensa 等应用,生成肖像画等各种内容,创作者或个体创业者可借此实现盈利。 2. 对于 GPTs/GLMs ,虽然能赚钱,但大多数人难以做到。可以从最俗气的“钱”的角度,以 AI 产品经理的角色复盘 2023 年的所见所闻所感来探讨 AI 赚钱(应用落地)这件事。比如分析相关数据,了解其实际对话次数等情况。
2025-02-03
扣子应用搭建示例
以下是关于扣子应用搭建的相关内容: 白嫖 Groq 平台算力的落地应用: 通过扣子工作流,用代码模块进行 HTTP 访问,实现 0 token 脱离扣子模型来使用 Groq 作为 LLM,可参考梦飞大佬教程将扣子接入微信机器人(有微信封号风险)。 由于 Groq 的 API 与 OpenAI 的 API 几乎兼容,可以适配到任何 APP 产品填 APIKEY 调用的场景,以沉浸式翻译为例。 接入手机类 APP,比如通过快捷方式接入 Siri。 接入扣子工作流:搭建细节可移步 WaytoAGI 自学。建立工作流只需一个代码节点,需配置代码节点的输入引用、输出等。可建立 Bot 调用工作流,但建议不发布,以免代理流量被他人使用。 在扣子调用已有的 API 制作插件: Body:用于传递请求主体部分,GET 方法中通常不用于传递参数。 Path:用于定义请求路径部分,GET 方法中可传递参数,常编码为 URL 一部分。 Query:用于定义请求查询部分,是 GET 方法中常用的参数传递方式。 Header:用于定义 HTTP 请求头信息部分,GET 方法中通常不用于传递参数。配置输出参数,填对后可点击自动解析,调试与校验工具是否能正常运行。 搭建邮票收藏馆应用: 业务背景与逻辑梳理:源于客户需求,功能包括生成邮票、收藏邮票、收藏列表、查看藏品详情,规划了生成和查看两个页面。 页面设计: 第一页:导航栏有应用名称、查看收藏入口、用户头像;陈列展示生成的图片;生成和收藏部分可输入关键字生成并收藏。 第二页:收藏列表会加载用户所有收藏,数量超 100 需优化加翻页;收藏详情可查看大图、关键字、收藏时间。
2025-01-21
flux提示词示例
以下是一些关于 flux 提示词的示例: 在不同主题方面,如文本概括(https://www.promptingguide.ai/zh/introduction/examples%E6%96%87%E6%9C%AC%E6%A6%82%E6%8B%AC)、信息提取(https://www.promptingguide.ai/zh/introduction/examples%E4%BF%A1%E6%81%AF%E6%8F%90%E5%8F%96)、问答(https://www.promptingguide.ai/zh/introduction/examples%E9%97%AE%E7%AD%94)、文本分类(https://www.promptingguide.ai/zh/introduction/examples%E6%96%87%E6%9C%AC%E5%88%86%E7%B1%BB)、对话(https://www.promptingguide.ai/zh/introduction/examples%E5%AF%B9%E8%AF%9D)、代码生成(https://www.promptingguide.ai/zh/introduction/examples%E4%BB%A3%E7%A0%81%E7%94%9F%E6%88%90)、推理(https://www.promptingguide.ai/zh/introduction/examples%E6%8E%A8%E7%90%86),通过示例介绍说明如何使用精细的提示词来执行不同类型的任务。 在 Claude2 中文精读中,构建提示词时可以添加示例(可选)。您可以通过在提示词中加入一些示例,让 Claude 更好地了解如何正确执行任务。提供示例的方式可以是以先前对话的形式,用不同的对话分隔符,例如用“我”代替“Human:”,用“你”代替“Assistant:”;也可以直接提供例子。决定哪种方法更有效取决于具体任务,建议尝试两种方法以确定更好的结果。 在市场营销类中,如赛博佛祖(Kyle)的示例,其角色设定为熟悉佛教经典、境界很高的佛学大师,能为对人生感到迷茫的人指引方向。具体设定包括引用相关佛教经典语录并解释含义,提供有效建议等,并给出了详细的约束条件和链接地址()。
2025-01-20
请你给我提供一段coze工作流节点中,代码示例
以下是 Coze 工作流节点中的一些代码示例: 把段落按换行符(/n)拆分成数组的代码示例。 在大模型节点通过提示词和示例,让大模型直接输出数组。 使用文本处理(文本分隔)。 在 Coze 工作流中搭建框架时,首先进入 Coze,点击「个人空间工作流创建工作流」打开弹窗,根据弹窗要求自定义工作流信息,点击确认完成新建。左侧「选择节点」模块中,根据子任务需要,实际用到的有插件(提供能力工具)、大模型(实现文本内容生成)、代码(支持编写简单脚本处理数据)。按照流程图在编辑面板中拖入对应的 LLM 大模型、插件、代码节点即可完成框架搭建。
2025-01-07
以下是大致可以采用的步骤来实现这样一个能自动在大语言模型网站生成不同场景机器人图片的程序(以下以Python语言示例,不过不同平台具体实现会有差异且需遵循对应网站的使用规则和接口规范): ### 1. 选择合适的大语言模型网站及确认其API(应用程序编程接口)情况 不同大语言模型网站对于图片生成通常会提供相应的API来允许外部程序与之交互,比如部分知名的AI绘画相关平台。你需要先确定要使用哪些网站,然后去注册开发者账号等,获取对应的API Key以及详细的API文档,了解如何通过代码向其发起图
以下是为您整合的相关内容: Ollama 框架: 1. 支持多种大型语言模型,如通义千问、Llama 2、Mistral 和 Gemma 等,适用于不同应用场景。 2. 易于使用,适用于 macOS、Windows 和 Linux 系统,支持 cpu 和 gpu,用户能轻松在本地环境启动和运行大模型。 3. 提供模型库,用户可从中下载不同模型,这些模型有不同参数和大小以满足不同需求和硬件条件,可通过 https://ollama.com/library 查找。 4. 支持用户自定义模型,例如修改模型的温度参数来调整创造性和连贯性,或者设置特定的系统消息。 5. 提供 REST API 用于运行和管理模型,以及与其他应用程序的集成选项。 6. 社区贡献丰富,包括多种集成插件和界面,如 Web 和桌面应用、Telegram 机器人、Obsidian 插件等。 7. 安装:访问 https://ollama.com/download/ 进行下载安装。安装完后,确保 ollama 后台服务已启动(在 mac 上启动 ollama 应用程序,在 linux 上通过 ollama serve 启动),可通过 ollama list 确认。 基于 COW 框架的 ChatBot 实现步骤: 1. 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。 2. 基于张梦飞同学的教程: 。 3. 实现内容: 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)。 常用开源插件的安装应用。 4. 正式开始前需知: ChatBot 相较于在各大模型网页端使用区别: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: 微信端因非常规使用,有封号危险,不建议主力微信号接入。 只探讨操作步骤,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要求。 禁止用于任何非法目的。 处理敏感或个人隐私数据时注意脱敏,以防滥用或泄露。 5. 多平台接入:微信、企业微信、公众号、飞书、钉钉等。 6. 多模型选择:GPT3.5/GPT4.0/Claude/文心一言/讯飞星火/通义千问/Gemini/GLM4/LinkAI 等。 7. 多消息类型支持:能处理文本、语音和图片,以及基于自有知识库进行定制的企业智能客服功能。 8. 多部署方法:本地运行、服务器运行、Docker 的方式。
2024-12-29
我是不懂编码的文科生,我学习扣子Coze的应用,难度大吗?大概需要多长时间?
对于不懂编码的文科生来说,学习扣子 Coze 的应用是具有一定挑战性的,但并非不可逾越。 根据相关资料,扣子 Coze 应用于 11 月底推出,其低代码或零代码的工作流等场景做得较好。在学习过程中,您需要熟悉操作界面、业务逻辑和用户界面,包括布局、搭建工作流、用户界面及调试发布,重点熟悉桌面网页版的用户界面。 课程安排方面,第一天会熟悉扣子应用、认识界面、搭建证件照简单应用,解决表单使用等卡点。 不过,社区中很多不懂代码的设计师和产品经理在搭建时也感到吃力。对于学习所需的时间,难以给出确切的时长,这取决于您的学习能力和投入程度。但如果您能认真参与课程学习,逐步掌握相关知识和技能,相信会在一段时间内取得一定的成果。
2025-02-18
兼职督学岗位,通过飞书平台为高中生服务,包括:1)解答学习方法等疑问;2)发送测试卷;3)提交测试卷后通知后端制作学习计划;4)发送学习计划链接;5)定期推送知识点和打卡提醒;6)查看打卡并反馈。所有文档通过飞书云文档链接发送。现在我想通过利用coze将deepseek等ai接入飞书的形式,制作出产品赋能督学在这一岗位的工作效率,并希望在这一过程中,锻炼我的ai能力,再想办法让上司或者老板为我这个产品支付报酬,请问我可以从哪些角度开发产品?
以下是一些您可以从以下角度开发产品来赋能兼职督学岗位的工作效率,并锻炼您的 AI 能力,以争取上司或老板为产品支付报酬: 1. 利用 Coze 的多语言模型支持,为解答高中生学习方法等疑问提供更准确和全面的回答。 2. 借助插件系统,集成与学习相关的插件,如学习资料查询、学习工具推荐等,丰富服务内容。 3. 运用知识库功能,上传各类学科知识点、优秀学习案例等,方便在服务中快速调用和推送。 4. 利用数据库和记忆能力,记住每个高中生的学习情况和需求,提供个性化服务。 5. 设计工作流,例如自动发送测试卷、自动通知后端制作学习计划、自动推送学习计划链接等流程,提高工作效率。 6. 采用多代理模式,针对不同学科或学习阶段设置专门的代理,提供更精准的服务。 7. 利用 Coze 易于发布和分享的特点,将服务产品推广给更多需要的高中生和督学人员。
2025-02-18
兼职督学岗位,通过飞书平台为高中生服务,包括:1)解答学习方法等疑问;2)发送测试卷;3)提交测试卷后通知后端制作学习计划;4)发送学习计划链接;5)定期推送知识点和打卡提醒;6)查看打卡并反馈。所有文档通过飞书云文档链接发送。现在我想通过利用coze将deepseek等ai接入飞书的形式,制作出产品赋能督学在这一岗位的工作效率,并希望在这一过程中,锻炼我的ai能力,再想办法让上司或者老板为我这个产品支付报酬,请问我可以从哪些角度开发产品?又该如何将它推销给上司?
以下是关于您利用 Coze 和 DeepSeek 等 AI 接入飞书来赋能兼职督学岗位工作效率的一些建议: 开发产品的角度: 1. 智能答疑系统:利用 AI 技术,对高中生常见的学习方法疑问进行自动分析和回答,提高答疑效率和准确性。 2. 个性化测试卷生成:根据学生的学习情况和需求,通过 AI 生成个性化的测试卷。 3. 学习计划优化:基于学生提交的测试卷结果,利用 AI 更精准地制定学习计划。 4. 知识点精准推送:运用 AI 分析学生的学习进度和薄弱环节,定期推送更具针对性的知识点。 5. 打卡提醒优化:通过 AI 实现更灵活、个性化的打卡提醒方式。 推销给上司的方法: 1. 展示效率提升:详细说明产品如何大幅提高兼职督学的工作效率,节省人力和时间成本。 2. 个性化服务优势:强调产品能够为高中生提供更个性化、精准的服务,提升学习效果。 3. 数据支持:提供相关的数据和案例,证明 AI 赋能后的积极效果。 4. 成本效益分析:说明开发和使用该产品的成本相对较低,而带来的收益显著。 5. 未来发展潜力:阐述产品在不断优化和拓展功能方面的潜力,适应更多的教育需求。 另外,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,专为开发下一代 AI 聊天机器人而设计。它具有多语言模型支持、插件系统、知识库功能、数据库和记忆能力、工作流设计、多代理模式、免费使用、易于发布和分享等特点。这些特点可以为您的产品开发提供有力支持。
2025-02-18
使用COZE搭建智能体的步骤
使用 COZE 搭建智能体的步骤如下: 1. 梳理手捏 AI Agent 的思路: 在上篇文章中提到过 Prompt 工程的必备能力,即通过逻辑思考,从知识经验中抽象表达出关键方法与要求,这一理念同样适用于在 Coze 中创建 AI Agent。 搭建工作流驱动的 Agent 简单情况可分为 3 个步骤: 规划:制定任务的关键方法,包括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。 实施:分步构建和测试 Agent 功能。 完善:全面评估并优化 Agent 效果。 2. 分步构建和测试 Agent 功能: 首先进入 Coze,点击「个人空间 工作流 创建工作流」,打开创建工作流的弹窗。 根据弹窗要求,自定义工作流信息。 点击确认后完成工作流的新建,可以看到整个编辑视图与功能。 其中,左侧「选择节点」模块中,根据子任务需要,实际用上的有: 插件:提供一系列能力工具,拓展 Agent 的能力边界。本案例涉及的思维导图、英文音频,因为无法通过 LLM 生成,就需要依赖插件来实现。 大模型:调用 LLM,实现各项文本内容的生成。本案例的中文翻译、英文大纲、单词注释等都依赖大模型节点。 代码:支持编写简单的 Python、JS 脚本,对数据进行处理。 而编辑面板中的开始节点、结束节点,则分别对应分解子任务流程图中的原文输入和结果输出环节。 接下来,按照流程图,在编辑面板中拖入对应的 LLM 大模型、插件、代码节点,即可完成工作流框架的搭建。 3. 全面评估并优化 Agent 效果: 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。
2025-02-17
通过飞书机器人与 Coze 搭建的智能体进行对话
通过飞书机器人与 Coze 搭建智能体进行对话,实现跨平台的稍后读收集与智能阅读计划推荐,具体步骤如下: 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”(自动整理每条内容的关键信息,支持跨平台查看)、智能“选择”推荐(根据收藏记录和阅读兴趣生成阅读计划)。 2. 逐步搭建 AI 智能体: 经过配置得到两个可用工作流(整理入库、选择内容),将其编排为完整智能体。 配置过程包括创建 Bot、填写 Bot 介绍、切换模型为“通义千问”、把工作流添加到 Bot 中、新增变量{{app_token}}、添加外层 bot 提示词,完成后可在「预览与调试」窗口与智能体对话并使用全部功能。
2025-02-16
使用飞书机器人(如Coze智能体)自动抓取外部链接(如网页、公众号文章),通过多维表格存储为“稍后读”清单,并自动提取关键信息(标题、摘要、标签)
以下是使用飞书机器人(如 Coze 智能体)自动抓取外部链接(如网页、公众号文章),通过多维表格存储为“稍后读”清单,并自动提取关键信息(标题、摘要、标签)的相关内容: 前期准备: 1. 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。 输入一个 URL 即可完成收集,借鉴微信文件传输助手的方式,通过聊天窗口输入更符合用户习惯。 2. 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。 阅读清单支持跨平台查看。 3. 智能“选择”推荐: 根据当前收藏记录和用户阅读兴趣进行相关性匹配,生成阅读计划。 使用步骤: 1. 设置稍后读存储地址: 首次使用,访问。 点击「更多创建副本」,然后复制新表格的分享链接。 将新链接发送到智能体对话中。 还可以发送“查询存储位置”、“修改存储位置”来更换飞书多维表格链接,调整稍后读存储位置。 2. 收藏待阅读的页面链接: 在对话中输入需要收藏的页面链接,第一次使用会要求授权共享数据,授权通过后再次输入即可完成收藏。 目前部分页面链接可能小概率保存失败。 3. 智能推荐想看的内容: 在对话中发送“我想看 xx”、“xx 内容”,即可按个人兴趣推荐阅读计划。 通过飞书机器人与 Coze 搭建的智能体进行对话,在聊天窗口中完成链接输入和阅读计划输出,由 Coze 调用大模型、插件完成内容的整理、推荐,利用飞书多维表格存储和管理稍后读数据,理论上无需开发任何插件、APP,就能实现跨平台的稍后读收集与智能阅读计划的推荐。部署完成后,您可以在电脑、手机端通过飞书机器人与稍后读助手进行对话,也可以直接在 Coze 商店中与 bot 进行对话,如果部署到微信服务号、订阅号,还可以通过这些渠道调用 bot。
2025-02-16
训练loro时报错什么原因吗:f"NaN detected in latents: {info.absolute_path}"
在 Comfy UI 中训练 LoRA 模型时,出现“f"NaN detected in latents: {info.absolute_path}"的报错,可能有以下原因: 1. 数据方面:图像必须放在以“”命名的文件夹中,数字应较小,如 5,且必须有下划线。对于 data_path,需写入包含数据库文件夹的文件夹路径。 2. 参数方面:在第一行可从 checkpoint 文件夹中选择任何模型,但据说进行 LoRA 训练最好选择一个基本模型。可选择一个名称为 LoRA 的模型,若默认值不合适可更改,epochs 数应接近 40。 3. 环境方面:按 Enter 键安装所有所需依赖项使其与 ComfyUI 兼容。若为 Comfy 使用了虚拟环境,必须首先激活它。Python 中需要斜杠,但节点会自动将反斜杠转换为斜杠,文件夹名称中的空格不是问题。 您可以根据上述情况检查和调整您的训练设置,以解决报错问题。
2024-10-15
有哪些在企业内部落地应用AI大模型工具的实践案例?不要营销文案生成、代码开发助手、智能客服问答机器人这种太常见的
以下是一些在企业内部落地应用 AI 大模型工具的实践案例: 1. 阿里云百炼: 智能体应用:能够弥补大模型的不足,如回答私有领域问题、获取实时信息、回答专业问题等。适用于有企业官网、钉钉、微信等渠道,期望为客户提供产品咨询服务,以及缺少技术人员开发大模型问答应用的场景。典型场景包括私有领域知识问答、个性化聊天机器人、智能助手等。 内部业务助手:通过企业内部规章制度、部门结构、产品介绍等文档构建知识库,并借助 RAG 智能体实现内部知识问答功能。系统支持多源异构数据,并通过复杂文档解析和视觉增强技术,提升文档理解的准确性与深度。目前该功能已灰度上线,需提供 UID 并通过白名单进行开启。 2. 达摩院: AI 模特(虚拟换装):支持虚拟换装、姿态编辑。 3. 电商零售: 推广文案写作:通过内置的多样化营销场景的文体模板,基于用户输入的创作主题以及参考素材,大模型即可为您生成对应的营销文案,为营销活动和宣传文案提供灵感和文案写作支持。 4. 泛企业: VOC 挖掘:是一个面向各类企业的 VOC 标签挖掘的工具。不论是用户的长短评论、帖子、还是用户和客服/销售的聊天记录、通话记录,都可以使用。通过选中或自定义标签,即可让大模型针对海量非结构化的 VOC 数据快速打标。相比于人工打标或规则打标准确率更高;对于业务标签变动频繁的情况,也能更敏捷、快速地影响。 5. 通义晓蜜:基于深度调优的对话大模型,为营销服类产品提供智能化升级所需的生成式摘要总结、质检、分析等能力应用。
2025-02-18
哪个ai工具可以根据现有的网站或截图生成源代码
以下是一些可以根据现有的网站或截图生成源代码的 AI 工具: :借助 GPT4 Vision 的能力,能直接将屏幕截图转换为 HTML/Tailwind CSS,并利用 DALLE 3 的图像生成能力生成相似图像。 此外,还有一些与网站制作相关的 AI 工具: Wix ADI 。基于用户提供的信息自动生成定制化网站,提供多个设计选项和布局,集成了 SEO 工具和分析功能。 Bookmark:网址为 。通过询问用户几个简单问题快速生成网站,提供直观的拖放编辑器,包括多种行业模板和自动化营销工具。 Firedrop:网址为 。其 AI 设计助手 Sacha 可根据用户指示创建和修改网站设计,提供实时编辑和预览功能,包含多种现代设计风格和自定义选项。 The Grid:网址为 。其 AI 设计助手 Molly 可以自动调整网站的设计和布局,基于内容和用户互动进行优化,支持多种内容类型。 在 AI 代码生成和开发工具方面: :由 Wingware 开发的专为 Python 编程设计的开发环境,集成了多种功能,年度许可证起价 179 美元/月。 :开源的 AI 开发助手,能根据产品需求生成完整的代码库,遵循 MIT 许可证。 :Sourcegraph 的 AI 工具,作为全面的编程助手能理解整个代码库,个人使用免费。
2025-02-18
写微信小程序,用哪个 ai 代码助手最好
以下是一些适用于写微信小程序的 AI 代码助手推荐: 1. DIN: 搭建 OneAPI 以汇聚整合多种大模型接口。 搭建 FastGpt 作为知识库问答系统。 搭建 chatgptonwechat 接入微信,并配置 FastGpt 把知识库问答系统接入到微信。 2. Cursor: 可通过任意 AI 工具获得代码,专业代码模型表现更优。 网址:https://www.cursor.com/ 3. Deepseek(新手推荐): 网址:https://www.deepseek.com/zh 方便获取游戏代码,国内能访问,网页登录方便,目前完全免费。 4. 通义灵码: 在 Pytharm 中,“文件”“设置”“插件”红色框位置搜索“通义灵码”进行安装(目前免费)。 5. JetBrains 自身的助手插件: 在 Pytharm 中,“文件”“设置”“插件”红色框位置搜索“Jetbrains AI assistant”进行安装(收费,目前有 7 天免费试用)。 6. Marscode 及 Tencent cloud AI code Assistant 等。 7. 无影的晓颖 AI 助手: 内置在云电脑里,使用流畅,但需要在无影的云电脑中。 需要注意的是,不同的 AI 代码助手在生成特定代码时可能有不同的表现,您可以根据自己的需求和实际使用体验进行选择。
2025-02-17
我怎样用低代码工具去构建我的AI智能体?LLM应用?
以下是关于如何用低代码工具构建 AI 智能体和 LLM 应用的一些建议: 在构建基于 LLM 的应用时,Anthropic 建议先寻找最简单的解决方案,只在必要时增加复杂度。智能系统通常会以延迟和成本为代价来换取更好的任务表现,开发者需要考虑这种权衡是否合理。当需要更复杂的解决方案时,工作流适合需要可预测性和一致性的明确任务,而智能体则更适合需要灵活性和模型驱动决策的大规模场景。不过,对于许多应用来说,优化单个 LLM 调用(配合检索和上下文示例)通常就足够了。 目前有许多框架可以简化智能系统的实现,例如: 1. LangChain 的 LangGraph。 2. 亚马逊 Bedrock 的 AI Agent 框架。 3. Rivet(一个拖放式 GUI 的 LLM 工作流构建器)。 4. Vellum(另一个用于构建和测试复杂工作流的 GUI 工具)。 这些框架通过简化标准的底层任务(如调用 LLM、定义和解析工具、链接调用等)使入门变得容易,但它们往往会创建额外的抽象层,可能会使底层提示词和响应变得难以调试,也可能诱使开发者在简单设置就足够的情况下增加不必要的复杂性。建议开发者先直接使用 LLM API,许多模式只需要几行代码就能实现。如果确实要使用框架,请确保理解底层代码。 此外,还有以下相关工具和应用: 1. VectorShift:能在几分钟内构建和部署生成式人工智能应用程序,利用大型语言模型(例如 ChatGPT)构建聊天机器人、文档搜索引擎和文档创建工作流程,无需编码。 2. Unriddle:帮助更快阅读、写作和学习的工具,能简化复杂的主题,找到信息,提问并立即获得答案。 工具使用或函数调用通常被视为从 RAG 到主动行为的第一个半步,为现代人工智能栈增加了一个新的层。一些流行的原语如网页浏览(Browserbase、Tiny Fish)、代码解释(E2B)和授权+认证(Anon)已经出现,它们使 LLM 能够导航网络、与外部软件(如 CRM、ERP)交互并运行自定义代码。Omni 的计算 AI 功能体现了这种方法,它利用 LLM 直接输出适当的 Excel 函数到电子表格中,然后执行计算并自动生成复杂查询供用户使用。 详细示例请参考:https://github.com/anthropics/anthropiccookbook/tree/main/patterns/agents
2025-02-17
我需要以无代码的形式搭建一个数据大屏,有哪些工具可以满足我的需求
目前市面上有一些无代码工具可以帮助您搭建数据大屏,例如: 1. 阿里云 DataV:提供丰富的可视化组件和模板,操作相对简单。 2. 腾讯云图:支持多种数据源接入,具备强大的可视化编辑能力。 3. 帆软 FineReport:功能较为全面,能满足多样化的大屏搭建需求。 您可以根据自己的具体需求和使用习惯选择适合的工具。
2025-02-17
AI 在生成单元测试代码方面有什么新的进展与方向?
AI 在生成单元测试代码方面有以下新的进展与方向: 1. 基于规则的测试生成: 测试用例生成工具:如 Randoop 可基于代码路径和规则为 Java 应用程序生成测试用例,Pex 是微软开发的能为.NET 应用自动生成高覆盖率单元测试的工具。 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来生成测试用例,Infer 是 Facebook 开发的能自动生成测试用例以帮助发现和修复潜在错误的工具。 2. 基于机器学习的测试生成: 深度学习模型:DeepTest 利用深度学习模型为自动驾驶系统生成测试用例以模拟不同驾驶场景并评估系统性能,DiffTest 基于对抗生成网络(GAN)生成测试用例来检测系统的脆弱性。 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以提高测试效率和覆盖率,A3C 是基于强化学习通过策略梯度方法生成高质量测试用例的工具。 3. 基于自然语言处理(NLP)的测试生成: 文档驱动测试生成:Testim 是 AI 驱动的测试平台,能通过分析文档和用户故事自动生成测试用例以减少人工编写时间,Test.ai 利用 NLP 技术从需求文档中提取测试用例以确保测试覆盖业务需求。 自动化测试脚本生成:Selenium IDE 结合 NLP 技术可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)框架能通过解析自然语言描述生成测试用例。 此外,峰瑞资本投资的 AI Coding 创业公司 Babel 专注于 AI Agent 的研发,其核心产品 Test Gru 已在美国上线,能为客户自动生成单元测试,客户侧 PR 接受率约为 70%。还有如 Cursor 等工具,可借助其生成测试代码提升代码可靠性,但使用时也需注意方法,如使用 Git 管理代码版本、对 AI 代码进行 Review 等。
2025-02-14