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

coze应用

Answer

以下是关于 Coze 应用的相关信息：

  • 实战指南：
    • 案例复刻：
      • 创建 Coze 应用：点击 Coze 创建，选择应用，选择空白，即可进入 Coze IDE。可参考创建 Coze 应用视频。
      • 搭建业务逻辑：进入 Coze IDE 后，默认显示业务逻辑编辑界面，基于业务逻辑搭建工作流。可参考搭建业务逻辑视频。业务逻辑的实现依靠工作流，Coze IDE 内编写工作流与捏 bot 编写工作流逻辑一致，只是入口不同。大模型节点系统提示词包括：你是一个致力于创作反心灵鸡汤的灵魂段子手等。
    • 案例展示与拆解：
      • 案例核心功能：一个吐槽心灵鸡汤的应用，允许用户输入心灵鸡汤类内容，AI 生成对应的反心灵鸡汤，并展示在前端页面。体验地址：https://www.coze.cn/s/iDGHwn8t/
      • 核心操作流程拆解：用户在页面输入指定文本，点击【开喝】按钮，Coze 后台调用工作流生成对应内容，生成的内容展示在前端界面内。
      • 核心前端设计拆解：用户界面提供输入内容的组件、调用工作流的按钮、展示结果的元素，这三个元素是实现用户交互和结果展现的核心。
      • 核心业务逻辑拆解：读取用户输入，将输入传递给 AI 大模型，大模型按提示词生成指定内容，在指定元素展示生成的内容。基于上述业务逻辑，设计由【开始】节点（用户输入）、【大模型】节点（AI 生成内容）、【结束】节点构成（内容输出）的简单工作流。
  • 90 分钟视频教程：
    • Coze 的 AI 应用跟网页应用架构类似，也有前端页面用于用户输入或上传，数据处理端（工作流或插件）处理数据，处理完成的数据有展示在前端页面或保存在数据库/知识库中供查询两种路径。搭建 Coze 的 AI 应用需关注前端页面构建、页面数据传递给工作流或插件、工作流处理数据返回前端展示这三个方面。
    • 案例 1：AI 翻译应用，应掌握 AI 应用前端的基本结构，包括页面、组件、Form 表单、Div 容器、文本框等及相关事件，如 Form 表单的数据提交、表单向工作流传递数据、工作流数据返回前端组件展示。
Content generated by AI large model, please carefully verify (powered by aily)

References

健健: Coze应用实战指南 -- 吐槽心灵鸡汤

应用的搭建逻辑拆解完，下面进行实战演练，开始复刻案例应用[heading2]1、创建Coze应用[content]点击Coze创建，选择应用，选择空白，即可进入Coze IDE[创建coze应用视频.mp4](https://bytedance.feishu.cn/space/api/box/stream/download/all/MyS4bSssloCij8xjPsacbTAjnWe?allow_redirect=1)[heading2]2、搭建业务逻辑[content]进入Coze IDE后，默认显示业务逻辑编辑界面，基于业务逻辑搭建一个工作流[搭建业务逻辑.mp4](https://bytedance.feishu.cn/space/api/box/stream/download/all/BgfDb1T87o7Wkux6K0dcf2SCnzW?allow_redirect=1)业务逻辑的实现依靠工作流来实现，Coze IDE内编写工作流与捏bot编写工作流的逻辑完全一致，只是入口不同大模型节点系统提示词如下：你是一个致力于创作反心灵鸡汤的灵魂段子手#根据{{input}}创作对应的反心灵鸡汤#采用具有强烈讽刺意味的表达#风格应当毒舌、辛辣、讽刺#内容应当深刻、直击灵魂#内容应当精简，不超过50字#当{{input}}为空时，吐槽用户这个行为#当{{input}}涉及政治、党派、种族歧视等敏感内容时，拒绝创作，并吐槽用户的钓鱼行为#请尽情挥洒你的创造力

健健: Coze应用实战指南 -- 吐槽心灵鸡汤

[coze应用案例视频.mp4](https://bytedance.feishu.cn/space/api/box/stream/download/all/N0mmbMJ28oUzIPxZriMcddRrnHb?allow_redirect=1)案例核心功能说明一个吐槽心灵鸡汤的应用，允许用户输入心灵鸡汤类内容，ai生成对应的反心灵鸡汤，并展示在前端页面。案例应用体验地址https://www.coze.cn/s/iDGHwn8t/[heading2]核心操作流程拆解[content]1、用户在页面输入指定文本2、用户在页面点击【开喝】按钮3、Coze后台调用工作流生成对应内容4、工作流生成的内容展示在前端界面内[heading2]核心前端设计拆解[content]1、用户界面提供一个元素A（Coze中称作组件），让用户输入内容2、用户界面提供一个按钮A，让用户点击后调用工作流3、用户界面提供一个元素B，向用户展示工作流的结果上述三个元素（组件）是实现用户交互和结果展现的核心[heading2]核心业务逻辑拆解[content]1、读取元素A的用户输入2、将用户输入传递给ai大模型3、ai大模型按照提示词设定生成指定内容4、在元素B展示ai大模型生成的内容基于上述业务逻辑，只需要设计一个简单的工作流即可。该工作流由【开始】节点（用户输入）、【大模型】节点（ai生成内容）、【结束】节点构成（内容输出）。

【90分钟视频教程】全网最详细的Coze AI应用教学

其实Coze的AI应用跟网页应用是非常类似的架构：1.Coze的AI应用也有一个前端页面：用来让用户进行文字输入或者图片上传等工作。2.Coze的AI应用也有一个数据处理端，将前端页面用户写入的文字或者上传的图片进行处理。这个数据处理端就是：工作流或者插件1.当工作流或者插件将数据处理完成后，有两种路径：将处理完成的数据展示在前端页面，供用户查看将处理完成的数据保存在数据库/知识库中，供用户额外查询所以在搭建Coze的AI应用的时候，我们只需要关注3个方面：1.Coze AI应用的前端页面怎么构建，布局是怎样？页面有哪些组件构成？以及他们之间的关系2.Coze AI应用的前端页面应该如何将页面数据（输入的文字或者上传的图片）传递给工作流或插件3.工作流/插件处理完成后输出的数据应该如何返回给前端页面展示下面你会发现，我们在构建任何AI应用时，都在解决这三个问题，下面我开始通过多个官方案例来学习如何构建一个完整的Coze AI应用！[heading1]案例1：AI翻译应用[content]AI翻译应用是官方提供的最基本的AI应用，我们通过这个案例把AI应用的基础打牢！这个应用中我们应该掌握以下几点内容：1.AI应用前端的基本结构：页面（Page）组件（Component）Form表单Div容器文本框......事件（组件上绑定事件）1.Form表单的数据提交2.表单如何向工作流传递数据3.工作流产生的数据如何返回给前端组件展示

Others are asking
coze搭建漫画智能体
以下是在 Coze 上搭建漫画智能体的相关步骤： 1. 进入 Coze 平台，点击「个人空间工作流创建工作流」，打开创建工作流的弹窗。 2. 根据弹窗要求，自定义工作流信息，点击确认完成工作流的新建。 3. 新建完成后，可以看到整个编辑视图与功能。在左侧「选择节点」模块中，根据子任务需要，实际用到的有： 插件：提供一系列能力工具，拓展智能体的能力边界。比如涉及思维导图、英文音频等无法通过 LLM 生成的内容，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。例如中文翻译、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。 4. 编辑面板中的开始节点、结束节点，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。 5. 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。 此外，还有其他一些 Agent 构建平台可供选择，如 Microsoft 的 Copilot Studio、文心智能体、MindOS 的 Agent 平台、斑头雁、钉钉 AI 超级助理等。您可以根据自己的需求选择适合的平台进行进一步探索和应用。
2025-01-10
我想用coze写一个能够自动提取我手机的支付记录然后记账的应用要怎么做
要使用 Coze 写一个能够自动提取手机支付记录然后记账的应用，您可以参考以下步骤： 1. 了解 Coze：COZE 是字节跳动旗下子公司推出的 AI Agent 构建工具，允许用户在无编程知识的基础上，使用自然语言和拖拽等方式构建 Agent，目前有丰富的插件生态且可以免费使用海量大模型。 2. 配置变现模板： 设置套餐金额及时长：价格页信息默认包含 3 个套餐，可自行修改、删除、新增，套餐数量无上限，修改后无需保存即刻生效。 订单与用户信息查看：在“管理后台”页面除了可以进行智能体配置，还可查看已付费订单以及注册用户，方便运营维护。 完成所有项目配置后，点击【配置完成】即可邀请用户访问并体验您的 Coze 智能体。 激活支付功能：配置该功能后，可实现平台收款、退款等操作，实现项目的商业变现。通过支付宝申请电脑网站支付，将申请到的 AppId、商户私钥、公钥按要求配置即可。详细的配置教程可以在'Zion 帮助中心'中搜索'支付'找到。 3. 学习记账管家相关知识：记账管家是基于 COZE 平台的能力搭建的一个记账应用，您可以直接和 coze 说您今天的收入或者支出情况，coze 会自动帮您记账，同时帮您计算出账户余额，每一笔记账记录都不会丢失。 4. 搭建教学： 增加记账记录 add_accounting_record 工作流：用于增加记账的工作流，通过大语言模型把用户输入的非结构化数据转变成数据库能理解的结构化数据存入，并告诉用户结果。 开始：定义一个{{prompt}}，把用户在 bot 输入的记账内容传入进来（例如：今天花了 233.32 元吃了一顿烧烤）。 大模型：本次任务比较简单，使用任意模型都可以胜任，无需调整大模型参数。输入定义了一个{{input}}引用了【开始节点】的 prompt 参数。提示词让大模型根据{{input}}传入的内容进行拆解，分别识别【记账事项】、【发生时间】、【变动金额】，并把识别出来的内容分别赋值到{{item}}、{{occurrence_time}}、{{balance_change}}。输出定义了【记账事项】、【发生时间】、【变动金额】对应的{{item}}、{{occurrence_time}}、{{balance_change}}。 数据库——插入记账记录：输入定义了{{item}}、{{occurrence_time}}、{{balance_change}}，用于接收从大模型节点{{item}}、{{occurrence_time}}、{{balance_change}}输出传入的内容。SQL 命令：不会写没关系，直接使用自动生成语法，输入命令如下，注意我们数据库存入的金额最小单位是分，所以在最终的语法，{{account_change}}100；意思当用户说我花了 2.23 元，数据库存储的是 2.23100=223。提示词：把 item、occurrence_time、account_change 存入到 user_accounting_records 表的{{item}}、{{occurrence_time}}、{{account_change}}中。 数据库——查询账户余额。
2025-01-10
如何再coze中引导用户输入内容
在 Coze 中引导用户输入内容可以参考以下步骤： 1. 设计一个吐槽心灵鸡汤的应用，允许用户输入心灵鸡汤类内容，AI 生成对应的反心灵鸡汤，并展示在前端页面。应用体验地址为：https://www.coze.cn/s/iDGHwn8t/ 核心操作流程： 用户在页面输入指定文本。 用户在页面点击【开喝】按钮。 Coze 后台调用工作流生成对应内容。 工作流生成的内容展示在前端界面内。 核心前端设计： 用户界面提供一个元素 A（Coze 中称作组件），让用户输入内容。 用户界面提供一个按钮 A，让用户点击后调用工作流。 用户界面提供一个元素 B，向用户展示工作流的结果。 核心业务逻辑： 读取元素 A 的用户输入。 将用户输入传递给 AI 大模型。 AI 大模型按照提示词设定生成指定内容。 在元素 B 展示 AI 大模型生成的内容。基于上述业务逻辑，只需要设计一个简单的工作流即可。该工作流由【开始】节点（用户输入）、【大模型】节点（AI 生成内容）、【结束】节点构成（内容输出）。 2. 搭建选择内容推荐流，用于根据用户输入的“想看 xxx 内容”，在稍后读存储地址（飞书多维表格）中，检索现有的收藏记录，匹配符合阅读兴趣的内容记录。 新建工作流「recommendRead」，根据弹窗要求自定义工作流信息。 工作流全局流程设置： 4.1 开始节点：收到用户输入的“想看 xxx 内容”这类指令就开始流程，不需要额外配置（至于如何判断哪些用户输入是在交代想阅读的内容主题，交由外层 bot 的大模型判断）。 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。 4.3 插件节点：添加「飞书多维表格search_records」插件，只需要设置{{app_token}}参数，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，也可以通过额外的配置定向检索状态为“仅记录（即未读状态）”的收藏记录。 4.4 大模型节点：为了处理的稳定性，这一步采用批处理，对检索出来的收藏记录逐个进行相关性匹配。可以继续优化提示词以提升匹配的精准度。
2025-01-09
可以本地部署的类似coze一样的平台
以下是一些可以本地部署且类似 Coze 的平台以及直接对接 Coze 平台 Bot 的微信聊天机器人的搭建方法： Agent 构建平台： 1. Coze：新一代一站式 AI Bot 开发平台，集成丰富插件工具，适用于构建各类问答 Bot。 2. Mircosoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，以及将 Copilot 部署到各种渠道。 3. 文心智能体：百度推出的基于文心大模型的智能体平台，支持开发者根据需求打造产品能力。 4. MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识，以及访问第三方数据和服务或执行工作流。 5. 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于客服、营销、销售等场景，提供多种成熟模板。 6. 钉钉 AI 超级助理：依托钉钉强大的场景和数据优势，在处理高频工作场景如销售、客服、行程安排等方面表现出色。 直接对接 Coze 平台 Bot 的微信聊天机器人搭建： 1. 微信功能差异：微信公众号、微信服务号、微信客服支持与 Coze AI 平台对接，个人微信和微信群之前不支持，现国内版已发布 API 接口功能，可实现对接。 2. 部署步骤： 服务器配置：受社群好友小雨启发，将复杂代码相关集成隐藏和优化，使用简单模板配置，修改容器编排模板，若之前有模板需修改，无模板则新建，更新后创建新的容器编排并启动服务，服务启动成功后进入 COW 服务扫码绑定微信机器人，具体步骤可参考入门教程。 测试：在微信群中测试 AI 机器人。 请注意，对接国外版 Coze 平台需要部署的服务支持相关条件。
2025-01-09
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
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
国产AI大模型的应用
国产 AI 大模型的应用主要体现在以下几个方面： 1. 百度文心大模型：在 2024 年大模型中标项目数量和金额大幅增长，凭借 40 个中标项目和 2.74 亿元中标金额在行业中处于领先地位。尤其在金融、智能终端等行业应用广泛。其落地需要全栈技术能力支持，百度智能云通过完善的 AI 基础设施整合全栈技术，获得广泛行业认可。 2. Qwen 系列：是国内唯一出现在 OpenAI 视野里、可以参与国际竞争的国产大模型。在 OpenAI 认可的榜单中表现出色，多次冲进榜单，得分不断提高。其开源模型累计下载量突破 1600 万，国内外有海量开发者基于其开发模型和应用。 3. 免费的大模型 APP：包括 Kimi 智能助手、文心一言、通义千问。 Kimi 智能助手：由 Moonshot AI 出品，具有超大“内存”，能读长篇小说和上网冲浪。 文心一言：百度出品的 AI 对话产品，定位为智能伙伴，能写文案、想点子、聊天和答疑解惑。 通义千问：由阿里云开发的聊天机器人，能够与人交互、回答问题及协作创作。 此外，还有如“非遗贺春”魔多蛇年春节 AI 模型创作大赛等相关活动。
2025-01-09
知识库中有关于Agent的金融应用
智能体（Agent）在各种应用中扮演重要角色，以下是一些典型的应用领域： 1. 自动驾驶：自动驾驶汽车中的智能体感知周围环境，做出驾驶决策。 2. 家居自动化：智能家居设备（如智能恒温器、智能照明）根据环境和用户行为自动调节。 3. 游戏 AI：游戏中的对手角色（NPC）和智能行为系统。 4. 金融交易：金融市场中的智能交易算法，根据市场数据做出交易决策。 5. 客服聊天机器人：通过自然语言处理与用户互动，提供自动化的客户支持。 6. 机器人：各类机器人（如工业机器人、服务机器人）中集成的智能控制系统。 智能体可以根据其复杂性和功能分为几种类型： 1. 简单反应型智能体（Reactive Agents）：根据当前的感知输入直接采取行动，不维护内部状态，也不考虑历史信息。示例：温控器，它根据温度传感器的输入直接打开或关闭加热器。 2. 基于模型的智能体（Modelbased Agents）：维护内部状态，对当前和历史感知输入进行建模，能够推理未来的状态变化，并根据推理结果采取行动。示例：自动驾驶汽车，它不仅感知当前环境，还维护和更新周围环境的模型。 3. 目标导向型智能体（Goalbased Agents）：除了感知和行动外，还具有明确的目标，能够根据目标评估不同的行动方案，并选择最优的行动。示例：机器人导航系统，它有明确的目的地，并计划路线以避免障碍。 4. 效用型智能体（Utilitybased Agents）：不仅有目标，还能量化不同状态的效用值，选择效用最大化的行动，评估行动的优劣，权衡利弊。示例：金融交易智能体，根据不同市场条件选择最优的交易策略。 5. 学习型智能体（Learning Agents）：能够通过与环境的交互不断改进其性能，学习模型、行为策略以及目标函数。示例：强化学习智能体，通过与环境互动不断学习最优策略。 从历史角度来看，随着大航海时代及全球贸易的兴起，“Agent”的角色在商业领域变得日益重要。16 至 17 世纪间，贸易代理和公司代理商开始在全球范围内进行商品交易，如荷兰东印度公司的代理人。18 至 19 世纪工业革命期间，“Agent”的职能进一步拓展到保险、房地产等新兴行业。此外，在 19 世纪，政府及情报领域也开始广泛使用“Agent”，比如情报特工和便衣警察，在维护国家安全与社会秩序方面发挥了不可或缺的作用。 在 20 世纪至 21 世纪的现代社会中，“Agent”一词涵盖了多种职业角色，尤其在娱乐和体育行业中，它指的是艺人经纪人和运动员经理等职位。这些专业经理人负责安排试镜、进行合同谈判以及规划职业生涯，确保客户能在竞争激烈的行业中获得成功。此外，“Agent”还包括劳务代理和招聘代理（猎头）。劳务代理提供劳动力匹配服务，帮助求职者找到合适的工作，并为雇主提供所需的人才，如劳务派遣公司将临时员工派遣到需要额外支持的企业单位。而猎头则专门为公司招募高技能或高级管理职位的专业人士，通过筛选简历、安排面试并评估候选人来帮助企业找到最合适的员工。凭借深厚的行业知识与广泛的联系网络，这些猎头为企业与顶尖人才之间搭建了重要桥梁。 从词源和词的历史变迁中，大家就能看到，“Agent”这个词本身就具有行动的含义，到了后期又附加了“替身”的意思。且无论哪个领域，“Agent”都多数情况下都在指：“拥有行动的替身，都是替代他人做某事“。 设计和实现一个智能体通常涉及以下几个步骤： 1. 定义目标：明确智能体需要实现的目标或任务。 2. 感知系统：设计传感器系统，采集环境数据。 3. 决策机制：定义智能体的决策算法，根据感知数据和目标做出决策。 4. 行动系统：设计执行器或输出设备，执行智能体的决策。 5. 学习与优化：如果是学习型智能体，设计学习算法，使智能体能够从经验中改进。 智能体在现代计算机科学和人工智能领域是一个基础且重要的概念。它们通过自主感知和行动，在广泛的应用领域中发挥重要作用。从简单的反应型系统到复杂的学习型系统，智能体技术的不断发展和应用正在改变我们的生活方式和工作模式。
2025-01-09
有图片文字翻译输出图片的应用吗？
目前市面上有一些能够实现图片文字翻译并输出图片的应用。例如，百度翻译、腾讯翻译君等，它们在一定程度上具备这样的功能。但具体的效果可能会因图片的清晰度、文字的复杂程度等因素而有所不同。
2025-01-09
coze工作流中数据库如何应用？主要是返回数据
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”。
2025-01-08
ai教育怎么应用
AI 在教育领域有以下应用： 1. 个性化学习平台：通过集成算法和大数据分析，实时跟踪学生学习进度，诊断学习难点，提供个性化学习建议和资源。例如 Knewton 平台，通过对数百万学生行为模式分析，精准预测学习难点并提前给出解决方案，大幅提升学习效率。 2. 自动评估：利用自然语言处理技术（NLP）自动批改学生作文和开放性答案题。如 Pearson 的 Intelligent Essay Assessor，能够分析和理解写作内容，给出准确评分和反馈，减轻教师批改负担，提高评估效率和一致性。 3. 智能辅助教学工具：使课堂教学更丰富和互动。如 AI 教师能引导学生通过对话学习，解答疑问并提供即时反馈。Google 的 AI 教育工具 AutoML 用于创建定制学习内容，提高学习动机，加深知识掌握。 4. 虚拟现实（VR）和增强现实（AR）：学生可通过 VR 头盔进入虚拟实验室，安全进行实验操作并立即得到 AI 系统反馈。例如 Labster 的虚拟实验室平台，提供高科技实验室场景，让学生尝试复杂实验流程，无需昂贵设备或专业环境。 同时，使用人工智能辅助教育也存在一些挑战，如教育体系内部的惯性、教师技能更新、课程内容调整、评估和认证机制改革等。此外，使用人工智能获取信息和学习时，要注意可能产生的幻觉，对关键数据应根据其他来源仔细检查。
2025-01-07