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

coze工作流中数据库如何应用?主要是返回数据

Answer

在 Coze 工作流中,数据库的应用如下:

  • 工作流由多个节点构成,节点是基本单元。Coze 平台支持的节点类型包括数据库节点。
  • 数据库节点的输入:用户可以定义多个输入参数。
  • 数据库节点的输出:如果数据库是查询作用,则输出会包含查询出来的内容。通过 SQL 语句告诉数据库要执行的动作,这里的 SQL 语句可以让 AI 自动生成并进行适当改动。
  • 注意事项:Coze 平台的逻辑是数据库与 bot 绑定,使用数据库功能时,需要在 bot 中设置相同名称和数据结构的数据库进行绑定。
  • 测试工作流:编辑完成的工作流无法直接提交,需要进行测试。点击右上角的“test run”,设定测试参数,查看测试结果,完成后发布。

相关参考文档和示例:

  • 海外参考文档:https://www.coze.com/docs/zh_cn/use_workflow.html
  • 国内参考文档:https://www.coze.cn/docs/guides/use_workflow
  • 国内版本示例:
    • 搜索新闻:https://www.coze.cn/docs/guides/workflow_search_news
    • 使用 LLM 处理问题:https://www.coze.cn/docs/guides/workflow_use_llm
    • 生成随机数:https://www.coze.cn/docs/guides/workflow_use_code
    • 搜索并获取第一个链接的内容:https://www.coze.cn/docs/guides/workflow_get_content
    • 识别用户意图:https://www.coze.cn/docs/guides/workflow_user_intent

在【拔刀刘】自动总结公众号内容,定时推送到微信的案例中,循环体内部的数据库节点用来在数据库中查询是否已经推送过该篇文章,输入项为上一步中的 url 和开始节点的 key(重命名为 suid)。查询数据库需要文章 url 和用户的 suid 两个值来判断这名用户的这篇文章是否推送过。记得设置输出项“combined_output”。同时,Coze 平台中使用数据库功能需要在 bot 中设置相同名称和数据结构的数据库进行绑定,具体设置方法参见“相关资源”。

Content generated by AI large model, please carefully verify (powered by aily)

References

大圣:胎教级教程:万字长文带你使用Coze打造企业级知识库

工作流是由多个节点构成,节点是组成工作流的基本单元。节点的本质就是一个包含输入和输出的函数Coze平台支持的节点类型:LLM(大语言模型):使用输入参数和提示词生成处理结果。Code(代码):通过IDE编写代码处理输入参数,并返回输出值。Knowledage(知识库):根据输入参数从关联知识库中召回数据,并返回。Condition(条件判断):if-else逻辑节点,用于设计工作流内的分支流程,根据设置条件运行相应的分支Variable(获取变量):从Bot中获取变量作为参数在工作流中使用Database(数据库):在工作流中使用提前配置在Bot数据库中的数据[heading3]创建和使用工作流[content]这一块官方有现成的教程参考:海外参考文档:https://www.coze.com/docs/zh_cn/use_workflow.html国内参考文档:https://www.coze.cn/docs/guides/use_workflow国内版本还提供了一些示例,学习工作流强烈建议大家跟着实操一遍:搜索新闻:https://www.coze.cn/docs/guides/workflow_search_news使用LLM处理问题:https://www.coze.cn/docs/guides/workflow_use_llm生成随机数:https://www.coze.cn/docs/guides/workflow_use_code搜索并获取第一个链接的内容:https://www.coze.cn/docs/guides/workflow_get_content识别用户意图:https://www.coze.cn/docs/guides/workflow_user_intent

大圣:胎教级教程:万字长文带你使用Coze打造企业级知识库

大模型节点的输入和输出输入:可以自己定义数量,本质就是给大模型的参数Prompt:大模型的提示词,用来设定大模型的角色和工作内容,其中可以使用{{}}来使用输入变量输出:大模型的回答提示词如下:[heading5]数据库节点[content]数据库节点的输入和输出输入:用户可以定义多个输入参数输出:如果数据库是查询作用,则输出会包含查询出来的内容SQL:通过SQL语句告诉数据库要执行的动作注意:这里的SQL语句我是让AI帮我自动生成的哦,具体请看第二张图但是我对SQL进行了一些改动:将question和llm_answer进行了变量替换,并且外围加上了""[heading5]End节点[content]End节点也是工作流中的默认节点,其作用是最终结果的输出其输出方式主要有两种直接返回变量,由Bot根据变量生成回答根据变量来使用特定的格式来直接生成回答我这里使用的是第二种,然后在Answer content中指定了回答的格式[heading5]测试工作流[content]编辑完成的工作流是无法直接提交的,需要进行测试。1.点击右上角的test run2.设定测试参数1.查看测试结果1.发布当工作流完成之后,就可以去调试Bot啦

【拔刀刘】自动总结公众号内容,定时推送到微信(附完整实操教程)

循环体内部——数据库节点数据库节点:用来在数据库中查询是否已经推送过该篇文章,输入项为上一步中的url和开始节点的key(也就是server酱的sendkey,这里我们重命名为suid了)因为这个Bot最开始设计的时候,就考虑到可能有多个用户会同时使用这个Bot设置公众号推送内容,每个用户设置的公众号内容可能不一样,每个用户的要推送的微信号肯定也不一样,所以这里使用server酱的sendkey作为了用户的唯一标识,重命名为了suid所以这里查询数据库需要两个值,文章url和用户的suid,来判断这名用户的这篇文章是否推送过SQL语句是AI写的,直接复制就成记得设置一下输出项「combined_output」这步是必须项:Coze平台的逻辑是数据库是与bot绑定的,所有如果要使用数据库功能,需要在bot中设置一个相同名称和数据结构的数据库进行绑定,具体设置方法参见「相关资源」循环体内容——选择器判断数据库查询的内容是否为空,如果是空,证明数据库中没有查到,这篇文章没有给这名用户推送过,使用「文本处理」节点,拼接这篇文章的完整信息,保证信息一致性string1:开始节点的key,也就是server酱的sendkey,用来识别用户string2:循环节点item值中的urlstring3:循环节点item值中的titlestring4:循环节点item值中的author拼接为如下格式,方便输出,并让后边节点使用右下方的「文本处理」节点没有实际作用,输入项随便写,主要是为了处理数据库查询到已经给这名用户推送过这篇文章情况下的占位项,否则工作流会报错设置循环节点输出项,选择循环体中「输出新文章内容」拼接后的字符串

Others are asking
在coze工作流中,怎样利用下一个代码节点合并前两个代码节点的输出,并以正确的格式输入传入飞书多维表格插件节点
在 Coze 工作流中利用下一个代码节点合并前两个代码节点的输出并以正确格式传入飞书多维表格插件节点的步骤如下: 1. 搭建整理入库工作流: 3.4 大模型节点:提取稍后读元数据。根据对稍后读阅读清单的元数据期望设置大模型节点,使用 MiniMax 6.5s 245k,设置最大回复长度至 50000 以完整解析长内容网页,用户提示词需相应设置。 3.5 日期转时间戳。后续的飞书多维表格插件节点在入库日期字段时只支持 13 位时间戳,需使用「日期转时间戳time_stamp_13」插件进行格式转化,具体设置明确。 3.6 大模型节点: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(2024 年 08 月)只支持带有转义符的 string,以 Array<Object>格式输入,所以要将之前得到的元数据数组进行格式转换,大模型节点配置及用户提示词需相应设置。 3.7 插件节点:将元数据写入飞书表格。添加「飞书多维表格add_records」插件,设置{{app_token}}与{{records}}参数。 3.8 结束节点:返回入库结果。「飞书多维表格add_records」插件会返回入库结果,直接引用该信息用于通知外层 bot 工作流的入库是否成功。 2. 搭建选择内容推荐流: 4.1 开始节点:输入想阅读的内容主题。收到用户输入的“想看 xxx 内容”这类指令开始流程,无需额外配置。 4.2 变量节点:引入 bot 变量中保存的飞书多维表格地址,添加变量节点并设置。 4.3 插件节点:从飞书多维表格查询收藏记录。添加「飞书多维表格search_records」插件,设置{{app_token}}参数,并在{{app_token}}引用变量节点的{{app_token}},输出结果的{{items}}里会返回需要的查询结果,也可在这一步定向检索未读状态的收藏记录。 4.4 大模型节点:匹配相关内容。为处理稳定采用批处理,对检索出来的收藏记录逐个进行相关性匹配,用户提示词可优化以提升匹配精准度。 搭到这里,别忘了对整个工作流进行测试。
2025-01-09
在 COMFY UI 中,关于 Tile 平铺预处理器怎么工作流中怎么使用
在 ComfyUI 中,关于 Tile 平铺预处理器的使用方法如下: 1. 平铺和切片都是用于处理大尺寸视频的技术,可以帮助在有限的 GPU 内存下处理高分辨率视频。 tile_sample_min_height:96,最小平铺高度。 tile_sample_min_width:96,最小平铺宽度。这两个参数定义了在使用平铺时的最小尺寸。 tile_overlap_factor_height:0.083,高度方向的重叠因子。 tile_overlap_factor_width:0.083,宽度方向的重叠因子。这些因子决定了平铺时各个块之间的重叠程度。 enable_vae_tiling:设置为 false,表示不启用 VAE(变分自编码器)的图像平铺。 enable_vae_slicing:设置为 false,表示不启用 VAE 切片。如果启用了平铺(tiling),它会将大图像分割成小块进行处理,然后再组合起来,这有助于处理大分辨率的视频。VAE 切片(如果启用)可以通过分割输入张量来分步计算解码,这有助于节省内存。 2. 将您的 ComfyUI 更新到最新。 3. 将 clip_l 和 t5xxl_fp16 模型下载到 models/clip 文件夹。确保您的 ComfyUI/models/clip/目录中,有 t5xxl_fp16.safetensors 和 clip_l.safetensors,您可以改用 t5xxl_fp8_e4m3fn.safetensors 来降低内存使用量,但如果您的 RAM 超过 32GB,建议使用 fp16。跑过 flux 就有这些模型,没有的话翻之前文章有下载。 4. 在您的 ComfyUI/models/vae/文件夹中,有 ae.safetensors。 5. 将最开始下载的 flux1filldev.safetensors 放于 ComfyUI/models/unet/文件夹中。 6. 使用 flux_inpainting_example 或者 flux_outpainting_example 工作流。
2024-12-26
coze工作流中提示词优化节点有吗?
在 Coze 工作流中存在提示词优化节点。这个节点比较容易理解,如果觉得提示词需要优化,可加入该节点进行处理。其参数很简单,只有一个要优化的提示词。例如,用一开始就在用的文生图提示词“1 girl in real world”进行试用。优化后添加了很多具体信息,如在带着好奇心看书,环境中有阳光,色彩搭配的特点等。但修改后的提示词在控制图片生成真实照片的感觉方面,“in real world”控制真实图片生成的效果比“realistic”好。
2024-11-16
AI如何在平面设计工作流中提高效率,具体的步骤有哪些
以下是 AI 在平面设计工作流中提高效率的具体步骤和相关信息: 1. 工具选择 主要工具:Midjourney 和 Stabel Diffusion。 辅助工具:RUNWAY 和 PS beta 等。 2. 工作流效果 创意多样:设计解决方案更为多样和创新,项目中不同创意概念的提出数量增加了 150%。 执行加速:AI 生成的设计灵感和概念显著缩短了创意阶段所需时间,设计师在创意生成阶段的时间缩短了平均 60%。 整体提效:在整体项目的设计时间减少了 18%。 3. 提升能力的方法 建立针对性的 AI 工作流:使用 lora 模型训练的方式,生成特定的形象及 KV 风格,建立包含品牌形象、风格视觉 DNA 的模型,并根据实用场景进行分类。 实用的模型训练:在营销活动期间,根据市场环境和消费者偏好的变化迅速调整 lora 模型。 AI 设计资产储备:建立和管理 AI 设计资产,沉淀相关知识、技能、工具,促进团队内部的知识积累和提升。 此外,对于建筑设计师审核规划平面图,以下是一些可用的 AI 工具: HDAidMaster:云端工具,在建筑、室内和景观设计领域表现出色,搭载自主训练的建筑大模型 ArchiMaster。 Maket.ai:面向住宅行业,在户型和室内软装设计方面有探索,能根据输入需求自动生成户型图。 ARCHITEChTURES:AI 驱动的三维建筑设计软件,在住宅设计早期可引入标准和规范约束设计结果。 Fast AI 人工智能审图平台:形成全自动智能审图流程,实现数据的汇总与管理。 但每个工具都有其特定应用场景和功能,建议根据具体需求选择合适的工具。
2024-11-12
coze工作流中的编辑代码如何使用
在 Coze 工作流中,代码的使用方法如下: 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。 在编辑视图中,左侧「选择节点」模块中,代码节点支持编写简单的 Python、JS 脚本,对数据进行处理。 按照流程图,在编辑面板中拖入对应的代码节点。 例如在艾木的介绍中,利用“Code”组块插入一段 Python 代码,将 Google 搜索返回结果格式化成两个字符串,一个是由搜索结果相关信息拼接而成,另一个是由搜索出来的网页链接拼接而成。这段代码起到了粘合剂的作用,逻辑不复杂,理论上也可以让 AI 帮助生成。
2024-09-30
扣子工作流中能不用代码实现简单的数据处理吗
在扣子工作流中,是可以不用代码实现简单的数据处理的。例如,通过一些插件和大模型节点可以完成部分数据处理任务。 在生成有趣的《图文短句》的工作流中,包括多个步骤,如通过大模型生成标题、简介、文案等,并进行归纳总结和传递给图像流等。 在一泽 Eze 的教程中,提到在 Coze 上搭建工作流框架时,左侧“选择节点”模块中实际用到的有插件、大模型和代码。插件可提供一系列能力工具,大模型用于实现各项文本内容的生成,代码支持编写简单的 Python、JS 脚本对数据进行处理。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。但对于一些简单的数据处理,不使用代码,依靠插件和大模型也有实现的可能。
2024-09-30
coze合并代码节点
以下是关于 Coze 合并代码节点的相关内容: 在 Coze 上搭建工作流框架时,设定每个节点的逻辑关系很重要。对于「分段」、「拼合」代码节点设计,实际测试表明由于 LLM 的上下文长度有限,通常一次性输入输出的文本越长,生成时间越长,结果稳定性越低,特别是对生成结果格式要求较高时问题更突出。考虑到对照精读环节本身是逐段生成的,适合批处理形式,所以需要用「分段输入正文」,分割正文后用 LLM 节点批处理每一段的对照精读,最终「拼合精读结果」以输出完整文本。如果觉得编写代码脚本繁琐且仅进行文本处理,也可使用 LLM 节点配合适当 prompt 临时验证整个工作流。 在插件中心确定需要的插件时,先用关键词尝试性搜索,根据插件名称、介绍页、描述、参数、示例判断是否可能满足需求。有多个插件可选时,一般优选官方/高收藏/高成功率的插件以提升使用效果。若实际试用效果不行,则换用其他插件或自己编写上架插件。例如 TTS 文字转语音插件可通过搜索“语音”“文字转语音”“TTS”等相关关键词找到“英文文本转语音”插件;思维导图插件可通过搜索“脑图”“树图”“导图”“mindmap”等关键词找到“TreeMind 树图”插件。 Coze 工作流节点还包括大模型节点、代码节点和选择器节点。大模型节点可利用大语言模型生成文本内容,能选择所用大语言模型、设置生成内容随机度并编写提示词,提示词中支持使用{{variable}}引用输入参数。代码节点通过 IDE 编写 Python 或 JavaScript 脚本处理输入参数并返回输出值,支持 JavaScript 和 Python 运行时,尽量使用 JavaScript,尽量让 AI 去写,不熟悉时易增加麻烦。选择器节点是一个 ifelse 节点,用于设计工作流内的分支流程,每增加一个条件右边会多出一个点,点中拖到对应的下一级节点,输入参数时节点会判断是否符合“如果”区域条件,符合则执行对应分支,否则执行“否则”分支。
2025-01-09
coze工作流
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选择大模型进行初始翻译;选择器节点判断用户填写要求中有无特殊语言翻译特色或口音。
2025-01-09
我想学习COZE平台创建智能体的详细教程。
以下是在 COZE 平台创建智能体的详细教程: 1. 基础智能体创建: 进入 coze 官网(www.coze.cn),注册并登录。 点击页面左上角的⊕。 通过【标准创建】填入 bot 的基本信息。 2. Bot 开发调试界面: 人设与回复逻辑(左侧区域):设定 Bot 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:插件可扩展 Bot 的专业能力,如计算器、日历等工具;工作流可设置固定的处理流程和业务逻辑;图像流可处理和生成图像相关功能;触发器可设置自动化响应条件。 知识库管理:文本可存储文字类知识材料;表格可用于结构化数据的存储和调用;照片可作为图像素材库。 记忆系统:变量可存储对话过程中的临时信息;数据库可管理持久化的结构化数据;长期记忆可保存重要的历史对话信息;文件盒子可管理各类文档资料。 交互优化(底部区域):可设置开场白、用户问题建议、快捷指令、背景图片等。 预览与调试(右侧区域):实时测试 Bot 的各项功能,调试响应效果,优化交互体验。 3. 图像流相关: 打开 Coze 官网(https://www.coze.cn/home)。 创建图像工作流,图像流分为智能生成、智能编辑、基础编辑三类。 空间风格化插件有相关参数,如 image_url 是毛坯房的图片地址;Strength 是提示词强度,影响效果图;Style 是生成效果的风格,如新中式、日式、美式、欧式、法式等;user_prompt 是用户输入的 Promot 提示词。 按照构架配置工作流,调试工作流效果,可使用毛坯房测试用例(https://tgi1.jia.com/129/589/29589741.jpg)。 开始节点对应配置三项内容,进行提示词优化。 人设和回复逻辑:技能 1 中 3 项中的编译数字来源,然后点击右上角发布。
2025-01-08
怎么学习COZE平台的操作?要全面详细
以下是全面学习 COZE 平台操作的方法: 1. 前置条件:起码已经使用过 Coze,并亲自搭建过一些简单的工作流。 2. 重点学习资源: 官方案例非常值得学习,不要错过优质资源。 观看 90 分钟的视频教程,文档教程为辅。例如“【90 分钟视频教程】全网最详细的 Coze AI 应用教学”中的案例演示,如 Coze 的创意写真馆应用:https://www.coze.cn/template/project/7442139374751629323? 以及 。 3. 操作步骤: 对于不了解 Coze 操作的情况,可以按照以下步骤完成 Agent 最后的测试与封装: 试运行整个工作流,验证整体运行效果,包括响应速度、生成质量。点击「试运行」,把待精读文章输入「开始节点」的{{BOT_USER_INPUT}},观察流程在 1 分钟内是否运行完成,最终输出的“回答内容”是否符合预期。 迭代优化工作流,提升性能。此步骤可自行按照配置思路进行细致优化。 在外层 bot 中封装工作流。 进行外层 bot 调试。 完成以上步骤后,即可发布 bot 。
2025-01-08
如何学习Coze?有哪些参考资料
以下是关于学习 Coze 的一些参考资料和方法: 推荐方法:可以通过 Claude + Coze 来学习。Claude 是目前最强的 AI 大模型,而 Coze 是一款 AI Agent 的衍生产品。其最大价值在于跟进当前 AI Agent 工具的发展情况、发现商业化机会以及做产品 Demo。 公开分享: 共学资料: 地址: Coze 国内版地址:https://www.coze.cn/home Coze 海外版地址:https://www.coze.com/home 在学习 RAG 的过程中,可以先通过 Claude 帮助了解细节概念,然后通过 Coze 搭建 Demo 来实践学习。此外,还创建了一些相关的 Bot,如产品资料问答机器人等。如果对数据库概念有困惑,可参考。
2025-01-08
AI智能数据库查询助手
以下是关于您提出的“AI 智能数据库查询助手”的相关信息: 能联网检索的 AI: 存在能联网检索的 AI,它们通过连接互联网实时搜索、筛选并整合所需数据,为用户提供更精准和个性化的信息。例如: ChatGPT Plus 用户现在可以开启 web browsing 功能,实现联网功能。 Perplexity 结合了 ChatGPT 式的问答和普通搜索引擎的功能,允许用户指定希望聊天机器人在制定响应时搜索的源类型。 Bing Copilot 作为 AI 助手,旨在简化您的在线查询和浏览活动。 还有如 You.com 和 Neeva AI 等搜索引擎,提供基于人工智能的定制搜索体验,并保持用户数据的私密性。 AI 新产品|网站精选推荐: AIHelperBot 自动生成 SQL Queries,支持数据库一键链接或导入。当前收费$5 每月,可免费试用 7 天。链接:https://skybox.blockadelabs.com/ ChartGPT by CadLabs 由 CadLabs 开发工具,基于 GPT3.5,可以根据数据生成图表并回答问题。链接:https://chartgpt.cadlabs.org/ Embedding Store 功能如其名,是一站式 Embedding Marketplace,支持公开、私有及第三方数据,用于发现、评估和访问相关的嵌入(embeddings),产品还未上线。链接:https://www.embedding.store/ AI 在医疗药品零售领域的应用: AI 在医疗药品零售领域有着多方面的应用前景: 药品推荐系统:利用机器学习算法分析用户购买记录、症状描述等数据,为用户推荐合适的非处方药品和保健品,提升销售转化率。 药品库存管理:通过分析历史销售数据、天气、疫情等因素,AI 系统可以预测未来某段时间内的药品需求量,优化药店的库存管理策略,降低成本。 药品识别与查询:借助计算机视觉技术,用户可以用手机拍摄药品图像,AI 系统自动识别药名并提供说明、用法、禁忌等信息查询服务。 客户服务智能助手:基于自然语言处理技术,AI 虚拟助手可以回答顾客关于购药、用药、保健等常见问题,减轻人工客服的工作压力。 药店运营分析:AI 可以分析药店的销售、顾客流量、库存等大数据,发现潜在的运营问题和优化空间,为决策提供参考。 药品质量监控:通过机器视觉、图像识别等技术,AI 能够自动检测药品的包装、标签、颜色等是否合格,及时发现问题。 药品防伪追溯:利用区块链等技术,AI 可以实现全流程的药品溯源,确保药品供应链的安全性和真实可信度。 总之,AI 技术在药品零售领域可以提升购药体验、优化库存管理、降低运营成本、保障药品质量安全,是一个值得重视的发展方向。 请注意,以上内容由 AI 大模型生成,请仔细甄别。
2025-01-07
如何部署本地的智能数据库
以下是关于如何部署本地智能数据库的详细步骤: 1. 引言: 作者是致力于使用 AI 工具将自己打造为超级个体的程序员,目前沉浸于 AI Agent 研究。 本文将分享如何部署本地大模型以及搭建个人知识库,让您了解相关流程和技术。 2. 本地知识库进阶: 若要更灵活掌控知识库,可使用额外软件 AnythingLLM,它包含所有 Open WebUI 的能力,并额外支持选择文本嵌入模型和向量数据库。 安装地址:https://useanything.com/download 。 安装完成后进入配置页面,主要分为三步: 第一步:选择大模型。 第二步:选择文本嵌入模型。 第三步:选择向量数据库。 AnythingLLM 中有 Workspace 的概念,可创建独有 Workspace 与其他项目数据隔离。 构建本地知识库的步骤: 首先创建一个工作空间。 上传文档并在工作空间中进行文本嵌入。 选择对话模式,包括 Chat 模式(大模型根据训练数据和上传文档综合给出答案)和 Query 模式(大模型仅依靠文档中的数据给出答案)。 完成配置后即可进行测试对话。 3. 写在最后: 作者推崇“看十遍不如实操一遍,实操十遍不如分享一遍”。 若对 AI Agent 技术感兴趣,可联系作者或加入其免费知识星球(备注 AGI 知识库)。
2024-12-02
我想知道如果我上传给Coze数据库,我的数据安全有保障吗
关于您上传数据到 Coze 数据库的数据安全保障问题,以下是相关信息: 合规说明方面: 不存在产出违法违规内容,包括色情暴力、政治敏感和违法犯罪等。 不存在爬取行为,遵循 robot.txt 爬虫协议,未使用匿名代理。 不存在版权争议问题,未爬取强版权资源、付费内容等。 不存在跨境数据传输,未使用海外 API 和海外模型。 有安全合规声明,作者声明作品没有侵权,作品安全可用且公开可接受。 Coze 数据库的功能特点: 知识库功能不仅支持上传和存储外部知识内容,还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的不足,显著提升回复准确性。支持从多种数据源上传文本和表格数据,自动将知识内容切分成多个片段进行存储,并允许用户自定义内容分片规则,提供多种检索方式,适应各种使用场景。 数据库具备记忆能力,可以存储和检索用户的交互历史,以提供更加个性化的服务。支持实时更新,确保信息最新。能存储用户的交互历史,包括提问、回答和反馈,用于理解用户需求和优化对话流程,可进行个性化服务和错误纠正与学习。 综上所述,从目前的信息来看,您上传给 Coze 数据库的数据在一定程度上是有安全保障的。但具体情况还需参考 Coze 数据库的最新政策和规定。
2024-11-14
大模型如何接入企业数据库
大模型接入企业数据库的相关内容如下: 原理介绍: 从文档处理角度来看,实现流程包括配置要求。 配置要求: ChatGLM6B 模型硬件需求: 模型文件下载至本地需要 15GB 存储空间。 量化等级不同,最低 GPU 显存(推理)和最低 GPU 显存(高效参数微调)要求不同: FP16(无量化):分别为 13GB 和 14GB。 INT8:分别为 8GB 和 9GB。 INT4:分别为 6GB 和 7GB。 MOSS 模型硬件需求: 模型文件下载至本地需要 70GB 存储空间。 量化等级不同,最低 GPU 显存(推理)和最低 GPU 显存(高效参数微调)要求不同: FP16(无量化):分别为 68GB 和 。 INT8:分别为 20GB 和 。 Embedding 模型硬件需求:默认选用的 Embedding 模型约占用显存 3GB,也可修改为在 CPU 中运行。 项目启动: Web 启动:运行 web.py,若显存不足则调整 configs/model_config.py 文件中 LLM_MODEL 参数更换模型,若连接无法连接修改 web.py 文件末尾 lauch 中 0.0.0.0 为 127.0.0.1,点击 URL 进入 UI 界面。 API 模式启动。 命令行模式启动。 上传知识库: 左侧知识库问答中选择新建知识库,可传输 txt、pdf 等。可以调整 prompt,匹配不同的知识库,让 LLM 扮演不同的角色。例如上传公司财报,充当财务分析师;上传客服聊天记录,充当智能客服;上传经典 Case,充当律师助手;上传医院百科全书,充当在线问诊医生等等,MOSS 同理。 使用数据表: 通过在工作流中添加数据库节点对数据表进行操作。在工作流中可通过 NL2SQL 方式和代码方式进行调用,支持完整读写模式。参考以下操作,在工作流中添加并配置工作流节点。在工作流中配置数据库节点前,确保已经搭建了一个 Bot,并在这个 Bot 中创建好了数据表。 1. 单击页面顶部的工作流页签,然后单击创建工作流。 2. 输入工作流名称和工作流的使用描述,然后单击确认。工作流名称和描述可以帮助大语言模型理解什么场景下需要调用该工作流。 1. 在基础节点页签下,将数据库节点拖入到工作流配置画布区域。 2. 根据以下信息配置数据库节点。 输入:添加 SQL 执行中需要的参数,可以是一个变量,也可以是一个固定值。 SQL:输入要执行的 SQL 语句,可以直接使用输入参数中的变量。可单击自动生成使用大模型生成 SQL。在弹出的页面中,选择这个数据库工作流生效的 Bot 和数据表,然后使用自然语言描述要执行的操作,单击自动生成生成 SQL 语句,最后单击使用。 注意:不支持 Select语法,不支持多表 Join 操作,最多返回 100 行数据。
2024-10-11
向量数据库
向量数据库是大语言模型从工具走向生产力实践中热门的 RAG 方式所必备的基础设施。 RAG 能够从海量文本数据中检索相关信息并生成高质量文本输出,而向量数据库在其中发挥着重要作用。 目前市面上的向量数据库众多,操作方式无统一标准。本文将基于 LangChain 提供的 VectorStore 类中的统一操作方法,以 chroma 向量数据库作为示例,从最为基础的 CRUD 入手介绍其使用方法。 向量数据库的工作原理如下: 如果是文本,会通过模型转换成向量对象,对象存入数据库中再去使用。传统数据库以表格形式存储简单数据,向量数据库处理的是复杂的向量数据,并使用独特方法进行搜索。常规数据库搜索精确匹配数据,向量数据库则使用特定相似性度量寻找最接近匹配,使用特殊的近似近邻(ANN)搜索技术,包括散列搜索和基于图的搜索等方法。 要理解向量数据库的工作原理及其与传统关系数据库(如 SQL)的不同,必须先理解嵌入的概念。非结构化数据(如文本、图像和音频)缺乏预定义格式,给传统数据库带来挑战。为在人工智能和机器学习应用中利用这些数据,需使用嵌入技术将其转换为数字表示,嵌入就像给每个项目赋予独特代码,以捕捉其含义或本质。
2024-09-02
如何在coze的prompt中调用数据库
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。
2024-09-02
ai在执行的过程中将提示词也返回了如何解决?
如果在 AI 执行过程中提示词被返回,可以按照以下步骤解决: 1. 登录成功后,找另一个人私聊或者在群中@您,就可以看到机器人的正常回复。 2. 若想为 AI 赋予新的提示词,可返回“目录 4 里的第 17 步”,其中的中文部分,便是设置 AI 提示词的地方,您可以进行更改。 3. 此后,进行任何更改,都需要“返回首页 右上角 点击重启,重启一下服务器”。 4. 然后,重新在“文件”的【终端】里,直接输入“nohup python3 app.py&tail f nohup.out”重新扫码登录即可。 在设置提示词时,还需遵循最简化原则: 1. 不需要包含作者信息,像是作者、版本这类不相关信息,无需告知大模型。 2. 注意分类正确,避免将输出错误分类到目标中,例如“提供改进建议,以及改进原因”和“对用户的 Prompt 进行评分 1 至 10 分,10 分为满分”这类相似但不同的目标,容易造成困惑。更佳做法是放到达成目标后的输出模块。 3. 注意拼写正确,例如“Constraints”,确保限制条件清晰且可被大模型执行。 另外,在动手做一个 AIAgent Flow 中,第四步对分类器进行内容编排,将指令分为扩写、缩写、总结等四类,设定最终分类条件。为分类器设置好内容后,为每个指令编写具体内容,引入变量,处理各分支结果并进行最终输出。整个测试流程需先准备文本素材,再逐一进行各项测试,包括扩写、缩写、总结和错误处理测试。
2024-12-18
ai落地场景:输入敏感词管控,脱敏怎么返回处理
很抱歉,目前知识库中没有关于输入敏感词管控及脱敏返回处理的相关内容。但一般来说,对于输入敏感词的管控和脱敏处理,常见的方法包括: 1. 建立敏感词库:事先整理出常见的敏感词列表。 2. 文本检测:在输入时对文本进行实时检测,判断是否包含敏感词。 3. 脱敏处理方式:可以采用替换、隐藏部分字符、加密等方法对敏感词进行处理。 4. 设置规则和策略:例如根据不同的场景和用户级别,确定不同的处理方式。 由于缺乏具体的详细信息和场景,以上只是一些常见的思路和方法,您可以根据实际情况进一步深入研究和设计具体的解决方案。
2024-09-10