怎么在 coze搭建 agent

开发 Agent 可以从以下几个方面考虑： 1. 技术基础与经验： 对于 ComfyUI 新人来说，之前更多使用 Coze 做 Agent，涉及绘图功能会调用 Coze 的图像流。但图像流较弱时，会在 Glif 上做 Bot 并以插件调用 API 完成绘图功能。Glif 提供的云端 ComfyUI 带来更多图像玩法。 Coze 的工作流和 ComfyUI 的图像流代表了 Agent 内部两个子领域的领先水平，但大多数同学专注一个领域精进，好处是能做出落地的 Agent，短期短板是依赖平台或社区弥补。 例如，熟悉 Coze 的同学开发助理类 Bot 便捷，但出图自由度不高；熟悉 ComfyUI 的同学能完成高水平图像、视频流，但流程中 Agent 含量不高。 只要从擅长的阵地向另一块多迈出一步，就能更好把控 Agent 中各种节点的设计和运用。 2. 赚钱与应用方向： 赚钱方式多样，如 Key 商、写书、卖课、接项目、做镜像站等。 从做产品角度，选择的方向是 Agent。如 WebPilot 作者开发长文写作的 Agent 并对外提供接口。 熟悉业务结合 AI 能力打磨产品是护城河，是 AI 应用开发者应坚持的方向。 3. 市场机遇： AI Agent 开发正迎来重要市场机遇期，我们正经历人机交互范式的重大转变。 从精准交互到理解模糊意图，从信息孤岛到整合多源信息，从单一功能到全流程服务，每个领域都在寻找适合的 Agent 解决方案，带来前所未有的开发需求。 百宝箱的基因优势突出，依托支付宝庞大的线上线下商家网络和生活服务小程序生态，为开发者打开通向本地生活服务的大门。 本地生活服务是体现 Agent 价值的领域，复杂场景正是 Agent 擅长应对的。 技术浪潮不停，发现贴近生活、困扰用户的痛点是应用机遇，“让复杂的事情变简单”是开发者的使命。

以下是一些关于在 Coze 或类似平台搭建 Agent 以帮助公司销售提升话术技巧及 Q&A 的学习资源和相关信息： 常见的 Agent 构建平台： 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。 Mircosoft 的 Copilot Studio：主要功能包括外挂数据、定义流程、调用 API 和操作，以及部署到各种渠道。 文心智能体：百度推出的基于文心大模型的智能体平台，支持开发者打造产品能力。 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。 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于多种场景，提供多种成熟模板。 钉钉 AI 超级助理：依托钉钉优势，在处理高频工作场景如销售等方面表现出色。 Coze 相关的后续活动筹划：包括 COW 机器人搭建、Coze 搭 Agent 共学等。 Coze 平台的消息卡片系统： 通过高度模块化和图形化操作，支持官方模板、AI 自动生成或手动构建。 相关专业词汇解释：如 Bot 是自动化程序；消息卡片是展示信息的方式；AI 生成卡片是利用人工智能技术自动创建的卡片等。 您可以根据自身需求选择适合的平台进行进一步探索和应用。

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）。 在了解 AI Agent 之前，我们先考虑一个场景：我们要写一本 20 万字的关于人工智能最新技术的书。在没有大模型之前，写书一般会按照如下流程： 1. 先使用搜索引擎搜索一些相关书籍和信息进行阅读，为我们打开思路。 2. 形成本书的大纲，并且考虑清楚每一章节要编写的内容。 3. 针对每一个章节进行内容的编写，在编写过程中可能会调整文章的大纲。 4. 在编写后面章节的时候可能会忘记前面写的内容，需要去翻阅前面已经写的内容。 5. 文章初步完成之后，可能会找相关专业人士帮忙修改。 6. 经过几番调整之后，书籍最终成型。 在大模型出现之后，可能会直接请大模型帮忙生成，但会发现写出来的书根本无法阅读，这不仅仅是因为大模型的能力不行，还因为相比于第一种写书的方式，第二种方式明显缺少了几个环节： 1. 没有办法使用 Google 获取最新的外部信息（大模型的训练数据是有日期限制的）。 2. 没有对整个事情进行规划（比如先写大纲，再编写每个章节，然后和别人讨论，最后成文）。 3. 大模型没有记忆的能力，由于上下文（脑容量）的限制，无法一次性完成 20 万字的文章，会造成前言不搭后语的现象。 而 AI Agent 就是为了解决这个问题。AI Agent 是应用了大模型（LLM）能力的 Agent。以 GPT 为代表的大模型的出现，将 Agent 的能力提高到了前所未有的高度。OpenAI 的 Lilian Weng 将以 LLM 为驱动的 AI Agent，形式化为如下的公式：

目前没有相关的培训文档内容可参考。但一般来说，要利用现有的培训文档制作一个能担任系统分析员工作的 AI agent 并从文档中找出系统问题的根本原因和解决方案，您可以考虑以下步骤： 1. 对培训文档进行详细的梳理和分类，提取关键信息，例如系统常见问题的特征、根本原因的类型以及可能的解决方案模式。 2. 利用自然语言处理技术，对提取的信息进行标注和训练，使 AI agent 能够理解和识别这些模式。 3. 设计有效的交互方式，让用户能够向 AI agent 清晰地描述系统问题，以便它能够准确地匹配和应用所学知识。 4. 不断测试和优化 AI agent 的性能，根据实际应用中的反馈，调整训练数据和算法，提高其准确性和实用性。

Agent（智能体）是一种能够在环境中自主感知、思考并采取行动以实现特定目标的实体。它可以是软件程序，也可以是硬件设备。 从产品角度来看，Agent 可以有特定的身份、性格和角色。例如，它可以是一个历史新闻探索向导，具有知识渊博、温暖亲切、富有同情心的性格，主导新闻解析和历史背景分析。为使角色更生动，可为其设计背景故事。写好角色个性需考虑角色背景和身份、性格和语气、角色互动方式以及角色技能等方面。 在结合大型语言模型（LLM）的情况下，LLM Agent 是指结合了 LLM 和自主智能体特性的系统。它能够利用 LLM 的自然语言处理能力，理解用户输入，并进行智能决策和行动。其组成部分包括规划（负责将复杂任务分解成可执行的子任务，并评估执行策略）、记忆（包括短期记忆用于存储对话上下文和长期记忆用于存储用户特征和业务数据）、工具（如 API 调用、插件扩展等辅助感知环境和执行决策）、行动（将规划和记忆转换为具体输出，包括与外部环境的互动或工具调用）。 在 LLM 支持的自主 Agent 系统中，LLM 充当 Agents 的大脑，还包括规划（子目标分解、反思完善）、记忆（短期记忆和长期记忆）、工具使用（调用外部 API 获取额外信息）等关键部分。

以下是关于 AI Agent 的相关信息： 当您经常使用各种 AI 聊天工具但觉得不够用时，希望大模型搭配更多工具和能力以提供更稳定服务和输出，就可以关注 AI Agent 板块。 百宝箱是来自阿里系的一款 AI Agent 相关产品。登录链接为：https://tbox.alipay.com/proabout 。如果您是不会写代码、对 AI Agent 毫无使用经验的小白，或者看到宣传想尝试百宝箱的使用方法和能力，这篇分享可能对您有帮助。 测试百宝箱的原因是作者所在的小队伍“来都来了”参加比赛，发现其大力搞比赛所以一试究竟。 百宝箱当前大模型随便用，如通义千问·Max、月之暗面、智谱、百灵等，且统统免费。 在文旅和传媒方面，支付宝为百宝箱提供了天然渠道。作者刚好考虑在这方面探索，试用时看到相关标签栏露出，期待其带来渠道和流量。由于刚推广，力度较大。 此外，为您提供一些生成式人工智能的相关链接： Ask a Techspert:What is generative AI? https://blog.google/insidegoogle/googlers/askatechspert/whatisgenerativeai/ Build new generative AI powered search&conversational experiences with Gen App Builder: https://cloud.google.com/blog/products/aimachinelearning/creategenerativeappsinminuteswithgenappbuilder What is generative AI? https://www.mckinsey.com/featuredinsights/mckinseyexplainers/whatisgenerativeai Google Research,2022&beyond:Generative models: https://ai.googleblog.com/2023/01/googleresearch2022beyondlanguage.htmlGenerativeModels Building the most open and innovative AI ecosystem: https://cloud.google.com/blog/products/aimachinelearning/buildinganopengenerativeaipartnerecosystem Generative AI is here.Who Should Control It? https://www.nytimes.com/2022/10/21/podcasts/hardforkgenerativeartificialintelligence.html Stanford U&Google’s Generative Agents Produce Believable Proxies of Human Behaviors: https://syncedreview.com/2023/04/12/stanfordugooglesgenerativeagentsproducebelievableproxiesofhumanbehaviours/ Generative AI:Perspectives from Stanford HAI: https://hai.stanford.edu/sites/default/files/202303/Generative_AI_HAI_Perspectives.pdf Generative AI at Work: https://www.nber.org/system/files/working_papers/w31161/w31161.pdf

智能体（Agent）是随着 ChatGPT 与 AI 概念爆火而出现的新名词，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，因此很多公司关注 AI 应用层的产品机会。 在做 Agent 创业的公司有不少，比如 C 端有社交方向，用户注册后先捏一个自己的 Agent，然后让其与他人的 Agent 聊天，两个 Agent 聊到一起后真人再介入；还有借 Onlyfans 入局打造个性化聊天的创业公司。B 端如果字节扣子和腾讯元器是面向普通人的低代码平台，类似 APP 时代的个人开发者，还有机会帮助 B 端商家搭建 Agent，类似 APP 时代专业做 APP 的。 扣子 Coze 是字节推出的 AI 聊天机器人构建平台的国内版，于 2 月 1 日正式上线，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 等。 以下是一些 Agent 构建平台： 1. Coze：新一代的一站式 AI Bot 开发平台，适用于构建基于 AI 模型的各类问答 Bot，集成丰富插件工具，可拓展 Bot 能力边界。 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，支持开发者根据自身需求打造产品能力。 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、销售等多种场景，提供多种成熟模板，功能强大且开箱即用。 6. 钉钉 AI 超级助理：依托钉钉强大的场景和数据优势，提供更深入的环境感知和记忆功能，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。 以上信息由 AI 大模型生成，请仔细甄别。

Coze 插件相关说明如下： Coze 工作流节点： 节点是构成工作流的基本单元，每个节点代表特定功能或操作。 开始节点定义工作流输入参数，是起点；结束节点设置工作流输出内容，是终点。 节点命名建议含义在前，类型不加也可，要清晰以便选择。 插件可扩展大语言模型本身限制，用于调用外部插件实现特定功能，如抓取网页内容。 调用指加入智能体后的使用次数。 引用指被其他工作流或智能体使用的情况。 运行耗时包括平均耗时，过长会增加失败概率和导致工作流超时。 成功率不高且调用次数低会比较尴尬，即使官方插件也可能不稳定，需自行尝试找到适合场景的插件。 使用 Coze IDE 创建插件： 登录。 在左侧导航栏工作区区域选择进入指定团队。 在页面顶部进入插件页面或在某一 Bot 的编排页面找到插件区域并单击“+”图标。 单击创建插件。 在新建插件对话框，配置插件图标（可选）、名称、描述、工具创建方式、IDE 运行时等信息并单击确认。 在插件详情页单击在 IDE 中创建工具，在弹出对话框设置工具名称和介绍后确定，跳转到 Coze IDE 页面进行编码。 （可选）在 IDE 左上角工具列表区域单击“+”图标添加更多工具，还可通过单击工具的设置图标编辑、删除或重置代码。 （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。 插件系统与 AI Agent 的关系： AI Agent = LLM + Planning + Memory + Tools，插件系统对应 Tools，主要目的是扩展 Bot 的能力边界。 插件是工具集，一个插件内可包含一个或多个工具（API）。 Coze 集成了超过 60 种类型的插件，包括资讯阅读、旅游出行、效率办公、图片理解等 API 及多模态模型。 若 Coze 集成的插件不满足需求，可创建自定义插件集成所需 API。

Coze 插件种类丰富，涵盖了从基础的文本处理到高级的机器学习功能，以及众多便民服务领域。包括文本分析、情感分析、自然语言处理（NLP）、图像识别、语音识别、数据分析等插件，还有新闻资讯（如头条新闻）、天气预报（如墨迹天气）、出行必备（如飞常准、猫途鹰）、生活便利（如快递查询助手、食物大师、懂车帝、幸福里、猎聘）等插件。其数量和种类不断增加，以适应技术趋势和市场需求。具体可参考 Coze 国内版本：https://www.coze.cn/store/plugin 。

在 Coze 的工作流中，节点是构成工作流的基本单元，每个节点代表特定功能或操作。 开始节点定义工作流的输入参数，是起点；结束节点设置工作流的输出内容，是终点。节点命名建议含义在前，类型不加也可，以便清晰选择。 插件用于扩展大语言模型本身的限制，调用外部插件可实现特定功能，如抓取网页内容。加入智能体后有调用次数和引用的概念。运行耗时和成功率也需关注，平均耗时长会增加失败概率和工作流超时风险，成功率不高且调用次数低则不理想。即使官方插件也可能不稳定，需自行尝试找到适合场景的插件。 AI Agent = LLM + Planning + Memory + Tools，插件系统对应 Tools，主要目的是扩展 Bot 的能力边界。插件是一个工具集，一个插件内可包含一个或多个工具（API）。 Coze 集成了超过 60 种类型的插件，涵盖搜索引擎、文本分析、图像识别等领域，包括必应搜索、LinkReader、知乎热榜等，国内版本还提供便民服务，如新闻资讯、天气预报、出行必备、生活便利等方面的插件。若集成的插件不满足需求，还可创建自定义插件来集成所需的 API。

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。

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。

以下是一些支持处理流程搭建的 AI 工具，类似 Dify 那样： 1. Dify： 是一个开源的大模型应用开发平台。 结合后端即服务和 LLMOps 理念，提供直观界面快速构建和部署生产级别的生成式 AI 应用。 具备强大工作流构建工具，支持广泛模型集成，有功能丰富的提示词 IDE 和全面的 RAG Pipeline 用于文档处理和检索。 允许定义 Agent 智能体，通过 LLMOps 功能对应用程序性能持续监控和优化。 提供云服务和本地部署选项，满足不同用户需求。 开源特性确保对数据完全控制和快速产品迭代。 设计理念注重简单性、克制和快速迭代，为创业团队构建 MVP、企业集成 LLM 增强现有应用能力、技术爱好者探索 LLM 潜力提供支持和工具。 官方手册：https://docs.dify.ai/v/zhhans 。个人研究推荐单独使用，企业级落地项目推荐多种框架结合。 2. FastGPT：是成熟的高质量 AI 编排框架，有大量开源工作者维护，集成各种主流的模型供应商、工具及算法实现等。 3. Coze：服务端可用于在线编辑 Agent 应用，然后通过 API 方式集成。

智能体是建立在大模型之上，具有强大学习能力、灵活性和泛化能力，能够通过精确的提示词设计来控制和利用大型模型以达到设定目标的系统。 以下是一些从 0 起步搭建智能体的课程和步骤： 1. 智谱 BigModel 共学营第二期： 注册智谱 Tokens 智谱 AI 开放平台：https://bigmodel.cn/ 参与课程至少需要有 token 体验资源包，获取资源包的方式有： 新注册用户，注册即送 2000 万 Tokens 充值/购买多种模型的低价福利资源包，如直接充值现金，所有模型可适用：https://open.bigmodel.cn/finance/pay ；语言资源包：免费 GLM4Flash 语言模型/ ；所有资源包购买地址：https://bigmodel.cn/finance/resourcepack ；共学营报名赠送资源包 先去【财务台】左侧的【资源包管理】看看自己的资源包，本次项目会使用到的有 GLM4、GLM4VPlus、CogVideoX、CogView3Plus 模型。 进入智能体中心我的智能体，开始创建智能体。 2. 提示词培训课——Part2： 了解智能体的概念和特点。 基于一些公开的大模型应用产品（如 Chat GLM、Chat GPT、Kimi 等）尝试开发属于自己的智能体： Step.1 点击“浏览 GPTs”按钮 Step.2 点击“Create”按钮创建自己的智能体 Step.3 使用自然语言对话进行具体设置或手工设置 Step.4 开始调试你的智能体并发布

RAG（检索增强生成）工作流搭建主要包括以下步骤： 1. 文档加载：从多种不同来源加载文档，如非结构化的 PDF 数据、结构化的 SQL 数据、代码等，LangChain 提供了 100 多种不同的文档加载器。 2. 文本分割：文本分割器把文档切分为指定大小的块，称为“文档块”或者“文档片”。 3. 存储： 将切分好的文档块进行嵌入转换成向量的形式。 将 Embedding 后的向量数据存储到向量数据库。 4. 检索：通过某种检索算法从向量数据库中找到与输入问题相似的嵌入片。 5. 输出：把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示一起来生成更加合理的答案。 RAG 是一种结合了检索和生成的技术，其基本流程为：首先，给定用户输入，如问题或话题，从数据源中检索出相关文本片段作为上下文。然后，将用户输入和检索到的上下文拼接成完整输入传递给大模型，并包含提示指导模型生成期望输出。最后，从大模型输出中提取或格式化所需信息返回给用户。 此外，您还可以通过以下方式学习 RAG： 1. 观看视频演示，如： 2. 利用相关 Bot 进行学习，如： Query 改写效果对比 Bot：https://www.coze.cn/store/bot/7400553639514800182?panel=1&bid=6dkplh1r43g15 RAG 全流程学习 Bot：结合大模型，模拟 RAG 的离线存储和在线检索全流程。 您还可以参考如何使用 LangChain 开发一个简单的 RAG 问答应用。

搭建知识库的流程通常包括以下几种情况： 本地部署大模型及搭建个人知识库： 1. 了解 RAG 技术：RAG 是利用大模型能力搭建知识库的应用，在需要依靠不在大模型训练集中的数据时，通过检索增强生成。其过程包括文档加载（从多种来源加载文档，如 PDF 等非结构化数据、SQL 等结构化数据及代码）、文本分割（把文档切分为指定大小的块）、存储（将切分好的文档块嵌入转换为向量形式并存储到向量数据库）、检索（通过检索算法找到与输入问题相似的嵌入片）、输出（把问题及检索出的嵌入片提交给 LLM 生成答案）。 2. 文本加载器：将用户提供的文本加载到内存中以便后续处理。 利用 Coze 搭建知识库： 1. 收集知识：确认知识库支持的数据类型，收集知识通常有三种方式，包括企业或个人沉淀的 Word、PDF 等文档，企业或个人沉淀的云文档（通过链接访问），互联网公开的一些内容（可安装 Coze 提供的插件采集）。 2. 创建知识库。 3. 创建数据库用以存储每次的问答。 4. 创建工作流。 5. 编写 Bot 的提示词。 6. 预览调试与发布。 信息管理与知识体系构建： 1. 信息源的选择：明确需求和兴趣点，选择相关信息源，保证信息质量和相关性。 2. 信息通路的建立：通过工具和方法，如浏览器插件、笔记应用等，建立稳定的信息获取和存储机制。 3. 知识结构化：使用笔记方法和工具，对收集的信息分类、标签化和链接，形成结构化知识体系，便于检索和应用。 4. 知识内化与应用：定期复习、思考和实践，将外部信息转化为个人知识，并在实际中应用解决问题。