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

coze插件说明

Answer

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。

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

References

大雨:coze工作流节点大全

在Coze的工作流中,节点是构成工作流的基本单元。每个节点代表一个特定的功能或操作。下面,我们来详细了解各类节点的功能和配置方法。[heading2]开始节点:[content]定义工作流的输入参数,是工作流的起点。[heading2]结束节点:[content]设置工作流的输出内容,是工作流的终点。节点命名建议,含义在前,类型不加也可以。比如一个大语言模型节点,目的是为了方便选择的是看的清,同类节点不会选错。[heading2]插件[content]通过插件扩展大语言模型本身的限制。用于调用外部插件,实现特定功能。例如,可以使用插件节点抓取网页内容。调用加入智能体以后,调用的次数,比如A插件被加入智能体B,我们使用了6次,就是6.引用就是被其他工作流或者智能体使用,比如A插件加入智能体,A插件的引用就是1.运行耗时平均耗时,如果很长,增加失败概率,也容易造成整个工作流运行超时成功率如果成功率不高,调用次数也不高,就有点尴尬了即使官方插件也会有不稳定的情况,需要自己去尝试,找到适合当前场景的插件。

大圣:胎教级教程:万字长文带你使用Coze打造企业级知识库

AI Agent=LLM+Planning+Memory+Tools插件系统则对应Tools,主要目的是扩展Bot的能力边界[heading3]插件介绍[content]Coze的插件系统对应的就是AI Agent的工具箱。Coze官方是这样解释插件系统的插件是一个工具集,一个插件内可以包含一个或多个工具(API)。目前,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。使用这些插件,可以帮助你拓展Bot能力边界。例如,在你的Bot内添加新闻搜索插件,那么你的Bot将拥有搜索新闻资讯的能力。如果Coze集成的插件不满足你的使用需求,你还可以创建自定义插件来集成需要使用的API

大圣:胎教级教程:万字长文带你使用Coze打造企业级知识库

Coze提供了丰富的插件,这些插件涵盖了从搜索引擎、文本分析以及图像识别等各种领域。这些插件的能力如果我们个人接入都是要收费的,但是在Coze平台则是免费使用的,例如:Coze国内版本:https://www.coze.cn/store/plugin必应搜索LinkReader:读取文档知乎热榜而且国内版本还提供了很多便民的服务,例如:新闻资讯头条新闻:持续更新,了解最新的头条新闻和新闻文章。天气预报墨迹天气:提供省、市、区县的未来40天的天气情况,包括温度、湿度、日夜风向等。出行必备飞常准:通过VariFlight覆盖的全球商业客运航班,您的终端用户可以轻松获得他们的航班状态、办理登机手续柜台、预计出发时间、登机口、登机状态、行李转盘等信息,并能在整个航程中随时掌握。猫途鹰:查询实时酒店搜索,航班价格,餐厅,吸引人的旅游地点等信息以创建一个旅行网站。生活便利快递查询助手、国内快递查询:查询快递单号,快递公司,快递进度等信息。食物大师:Food Master提供食物搜索功能。懂车帝:如果你想要查询汽车信息,包括二手车、新车、某些车型的信息时可以使用此插件进行查询。幸福里:提供二手房、新房、租房信息的插件,想要查询某个城市、区域、户型的房产信息时,可以使用此插件。猎聘:帮助用户根据工作经验、教育经历、地理位置、薪水、职位名称、工作性质等条件搜索猎聘上提供的招聘信息。

Others are asking
coze插件说明器
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。
2025-01-11
coze插件有多少个
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 。
2025-01-11
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
怎么看sd的插件不兼容
SD 插件不兼容可能有多种情况和解决方法: 对于提示词服从度增强插件,当生成图与提示词不太相符时,可以通过多刷图来找到符合需求的绘图。若条件太多始终达不到效果,可提高 cfg 值并启用修复插件。但开启插件并提高 CFG 值后,画面可能会发黄,颜色偏差可利用 PS 做后续调整。安装方式可以在扩展列表中搜索插件名字,或放在特定路径文件夹下,安装完成后重启 webUI 即可启用。 对于无需 Lora 的一键换脸插件 Roop,安装时间较长,需耐心等待。安装过程包括在特定文件夹地址栏输入“cmd”回车,在打开的 dos 界面粘贴代码安装 insightface。若出现错误,可下载最新秋叶 4.2 整合包。安装完成后重新打开启动器,后台会继续下载模型,需全程科学上网。使用时要注意参数设置,人脸像素可能偏低,可发送到“图生图”并使用 controlnet 中的 tile 模型重绘。此插件谨慎使用,切勿触犯法律。获取插件可添加公众号【白马与少年】回复【SD】。
2025-01-02
智谱AI插件在哪儿调用
智谱 AI 插件的调用方式如下: 针对智谱,重复类似操作,调用的是 https://chatglm.cn/chatglm/backendapi/v1/conversation/recommendation/list 接口。这里只用到了 conversation_id 一个字段,用的是 GET 请求。通过此接口返回问题,参数用的是整轮对话窗口的唯一 Id:66c01d81667a2ddb444ff878 。 打开飞书多维表格,新增列时,您可以选择字段捷径,在字段捷径的 AI 中心,找到智谱 AI 的字段插件。智谱 AI 近期发布了 3 个飞书多维表格的字段插件:AI 内容生成、AI 视频生成和 AI 数据分析。 在微信超级 AI 知识助手教学(上)—智谱共学营智能纪要中,有智谱大语言模型的使用与功能介绍,包括角色扮演模型设置、变量插入方法、插件调用情况等。还提到了智浦轻颜的功能与应用,如文章总结功能、视频生成功能、画图功能等,以及多维表格相关内容。
2025-01-02
智谱AI插件在哪儿
智谱 AI 插件可在飞书多维表格中找到。具体操作如下: 1. 打开飞书多维表格,新增列时,选择字段捷径。 2. 在字段捷径的 AI 中心,就能找到智谱 AI 的字段插件,包括 AI 内容生成、AI 视频生成和 AI 数据分析插件。 智谱 AI 的 3 个字段插件均免费,您可以尝试将其运用在工作中。同时,若想基于 GLM4Flash 开发更多免费插件,可参考。
2025-01-02
coze智能体是什么
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。
2025-01-11
怎么在 coze搭建 agent
在 Coze 搭建 Agent 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、实施、完善。 2. 实施步骤中的搭建工作流框架,设定每个节点的逻辑关系: 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)、大模型(调用 LLM,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)。 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。
2025-01-11
我想自己在 coze 或者类似平台做一个 agent 帮助我们公司的销售提升话术技巧以及 Q&A,我需要在哪里学习怎么搭建
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。
2025-01-11
coze应用
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。
2025-01-10
举例说明,医疗人工智能应用的风险及其法理防范
医疗人工智能应用存在以下风险: 1. 可能对受欧盟法律保护的公共利益和基本权利造成损害,包括身体、心理、社会或经济方面的损害。 2. 在决定是否给予、拒绝、减少、取消或收回医疗保健服务等福利时,可能对人们的生计产生重大影响,并侵犯基本权利,如社会保护权、不受歧视权、人的尊严权或有效补救权。 3. 用于评估自然人信用分数或信用度的人工智能系统可能导致对个人或群体的歧视,并延续历史上的歧视模式或造成新形式的歧视性影响。 法理防范措施包括: 1. 为所有高风险人工智能系统制定统一的规则,这些规则应与《宪章》保持一致,是非歧视性的,并符合欧盟的国际贸易承诺,同时考虑相关的伦理准则。 2. 明确价值链上相关经营者的作用和具体义务,促进对法规的遵从,确保法律的确定性。 3. 在特定条件下,明确高风险人工智能系统提供者的责任和义务。 需要注意的是,欧盟法律规定的用于检测提供金融服务过程中的欺诈行为以及用于计算信贷机构和保险企业资本要求的尽职审慎目的的人工智能系统,以及用于自然人健康和人寿保险风险评估和定价的人工智能系统,在符合一定条件时不视为高风险系统。
2025-01-02
欧盟《人工智能法案》在中国适用过程中的积极影响与不利影响,请举例说明
欧盟《人工智能法案》在中国适用过程中的积极影响与不利影响举例如下: 积极影响: 1. 对中小企业的兼顾激励与监管:欧盟的法案顾及到了中小企业在人工智能领域的弱势地位,适当地将对中小企业的合规义务豁免规定以及合规支持规定纳入未来的人工智能立法中,有利于形成健康有序的公平竞争秩序,激发中小企业的科技创新活力,同时防止过度监管。例如,2023 年《AI 法案》折衷草案通过制约单方面强加给中小企业和初创企业的不公平合同条款、促进监管沙盒广泛而平等的参与、降低评估费用等措施降低中小企业的合规成本。 2. 纳入道德伦理和人权考量:《人工智能法案》将人工智能系统对伦理道德和基本人权的影响有机纳入规制框架和评估框架中,我国《科技伦理审查办法》也是将伦理纳入包括人工智能开发在内的科技活动的积极探索。 不利影响: 1. 以风险为基准的管理框架存在不确定性:伦理道德和人权具有高度概括性、抽象性和不确定性,如何将其融入人工智能治理考验立法技术。《人工智能法案》对“不可接受的风险”和“高风险”的人工智能系统的界定和解释存在相当大的不确定性和模糊性,可能难以统一进行风险分类,成效有待进一步观望和研讨。 2. 可能无法完全适应中国国情:中国和欧盟在人工智能发展的阶段、市场环境、企业结构等方面存在差异,欧盟的法案在具体适用时可能需要进行较大的调整和适配,否则可能无法有效发挥作用。
2024-12-29
欧盟《人工智能法案》在我国适用过程中的影响,请举例说明(注意,简洁凝练)
欧盟《人工智能法案》在我国适用过程中的影响主要体现在以下方面: 1. 立法参考:我国与欧盟在人工智能立法工作上“齐头并进”,且立法理念有共通之处,如风险分级管理、高风险项目的“备案”“评估”“透明”等原则。该法案对我国人工智能立法工作具有重要参考意义。 2. 市场拓展:若我国的 AI 项目有意拓展欧洲市场,可能因针对不同市场重新训练特有模型效率不高,而不得不根据欧盟法案对产品进行调整。 同时,我国是第一个开始制定生成式人工智能监管框架的国家,从 2022 年开始陆续出台全面指南,如今审查机构已介入。我国持续生产 SOTA 模型,由国家互联网信息办公室监督。政府希望模型避免给政治问题提供“错误”答案,发布模型前须提交测试以校准拒绝率。虽然禁止 Hugging Face 等国外网站访问,但官方批准的“主流价值观语料库”可作为训练数据源。此外,伦理道德和人权向来是人工智能技术发展绕不开的终极话题,我国《科技伦理审查办法》也是将伦理纳入包括人工智能开发在内的科技活动的积极探索。但由于该《办法》适用于所有科技活动,人工智能的特殊性可能无从得到体现,且如何界定和解释“不可接受的风险”和“高风险”的人工智能系统也面临相当大的不确定性和模糊性。
2024-12-29
说明jetson orin nano可以使用什么模型?Grok-1模型可以吗?
目前没有关于 Jetson Orin Nano 是否可以使用 Grok1 模型的明确信息。但一般来说,Jetson Orin Nano 可以支持多种常见的深度学习模型,如基于 TensorFlow、PyTorch 框架开发的模型等。具体能够使用哪些模型,还需要考虑模型的计算需求、内存占用以及 Jetson Orin Nano 的硬件配置和性能限制等因素。
2024-12-20
怎么用已经公布的源代码,自己拥有一个私人ai。详细步骤,并且列出硬件设施,说明jetson orin nano可以使用什么模型?
目前已公布的源代码种类繁多,要利用其拥有一个私人 AI 并非简单直接的过程,且需要一定的技术知识和经验。 一般来说,以下是大致的步骤: 1. 选择合适的源代码:根据您的需求和技术能力,从众多已公布的源代码中选择适合的项目。 2. 环境搭建:安装所需的开发工具、编程语言和相关依赖库。 3. 数据准备:收集和整理适合训练和优化模型的数据。 4. 代码理解与修改:深入理解所选源代码的结构和逻辑,根据您的需求进行必要的修改和优化。 5. 训练模型:使用准备好的数据对模型进行训练。 6. 评估与优化:对训练好的模型进行评估,根据评估结果进行进一步的优化。 关于硬件设施,Jetson Orin Nano 是一款性能不错的嵌入式计算设备。它可以支持多种模型,例如常见的深度学习模型如卷积神经网络(CNN)、循环神经网络(RNN)等。但具体能使用哪些模型,还取决于模型的规模、计算需求以及您对性能和资源的要求。
2024-12-20