为什么扣子工作流里面大模型很慢

对扣子智能体进行专属训练时，需要注意以下要点： 1. 跳转设置：扣子在节点切换提供了独立和非独立两种识别模式。独立识别模式中每个节点都有一个独立识别模型，非独立模式则直接使用当前智能体模型进行判断，实际使用中推荐独立模式。 2. 独立模式的选择：独立模式有两种选择。第一种是面对通用指令时，选择已经训练好的、专门用于节点切换的大型模型，其优点是经过特定训练，无需额外操心设计。第二种是在遇到非常复杂的情景时，使用自定义的大型模型，可根据需求定制模型和编写特定提示词以适应复杂交互场景，但实际测试效果不理想，所以推荐使用第一种。 3. 关键注意点：在使用专门训练的意图识别模型进行节点切换时，要特别注意两个关键点。一是每个智能体的用途必须清晰明确，在设计和实现时要清楚标注其功能和目的，以确保系统能准确识别和响应用户意图。二是智能体的名称非常重要，应清晰、易于识别，便于系统识别和记忆。

以下是使用扣子完成 AI 数字分身搭建的步骤： 1. 登录扣子官网（https://www.coze.cn/）并注册。 2. 创建个人 Bot： 点击个人空间。 点击创建 Bot。 填入 Bot 的名字和功能介绍，以及上传或生成对应的头像。如果没想好，可以先随便填，后面可更改。 3. 在搭建生产力工具的过程中，要先深入了解自己的工作内容和需求，做出有针对性的规划。 4. 通过整合知识库，并结合提示词进行情感或行为上的描述，创建一个 Bot，形成自己的数字分身。 5. 构建整个 Flow 时要尽量减少控件使用（非必要不增加），越少的控件代表越少的逻辑，越少的逻辑代表越小的运行风险。 6. 对于复杂的批处理任务，尽量平衡批处理次数和并发，同时还要考虑模型的推理速度，不然会增大推理失败的概率。 需要注意的是，Coze 目前提供的组件，包括 bot 等工具，能满足一些基本的生产力搭建需求。虽然现阶段它还不支持循环等高级功能，但未来有望支持更多工作流的设计模式。自 Coze 推出以来，它已明确面向 C 端用户，这些用户能从中获得实质性好处。

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。

扣子工作流设置如下： 在故事与绘本的 AI 应用中： 开始节点输入参数包括 Theme（主题）、Plot（情节）、Characters（角色）、Setting（设定）。 文章生成 LLM 节点输出文章故事。 提取文章关键字节点输出文章关键字，需注意输入文章格式，由代码提取关键字内容，防止因格式问题导致大模型输出时间问题。 关键字优化节点输出有关故事的关键字节点信息，优化方案包括 Photography Theme/Style（摄影主题/风格）等多项内容。 图片生成节点输出内容为图片 URL，要求输出图片内容与提示词内容正相关，输出图片为动漫风格。 利用 AI 批量生成、模仿和复刻《小林漫画》时： 点击工作流后面的“➕”添加工作流，然后点击创建工作流。 给工作流起名字和描述，名字只能用字母、数字和下划线，描述清晰即可。 初始化工作流，左边有各种插件和搭建 Agent 的工具，可点击加号或拖拽使用，插件一般有参数说明。初始化后会生成开始模块和结束模块，且只有一个。 工作流录制了视频可供观看，其中使用 text2image 时需注意 prompt 参数设置。 包括金句创作、提取拆分代码、绘画提示词生成等内容。 在落地应用中： 可通过扣子工作流，用代码模块进行 HTTP 访问，实现 0 token 脱离扣子模型使用 Groq 作为 LLM，也可参考相关教程将扣子接入微信机器人，但有微信封号风险。 Groq 的 API 与 OpenAI 的 API 几乎兼容，可适配到任何 APP 产品填 APIKEY 调用的场景，如沉浸式翻译。 可接入手机类 APP，如通过快捷方式接入 Siri。 接入扣子工作流时，工作流的搭建细节可移步 WaytoAGI 自学，建立工作流只需一个代码节点，需配置输入引用和输出格式，测试工作流保证代码块有正常输出，可建立 Bot 调用工作流，但不建议发布以免代理流量被他人使用。

以下是一些关于扣子工作流的教程资源： 视频教程： 【Agent 共学第二期】艾木分享|这也许是你一生中第一个 Bot：https://www.bilibili.com/video/BV1XT421i7jH/ 一步一步带你手搓一个 Coze Bot——Dr.Know（极简版 Perplexity）：https://www.bilibili.com/video/av1005221752 扣子（coze）系列教程（四）：工作流中各节点常用使用方式：https://www.bilibili.com/video/BV1ux4y1J761/ Coze 工作流的手把手教程，让你的 Bot 高质量的处理复杂任务！：https://www.bilibili.com/video/BV1PZ421g7xT/ 微信文章教程： 扣子工作流实战案例教程，手把手教你搭建一个图书管理工作流：https://mp.weixin.qq.com/s/Fh3Vm3EDSzoYVxf91GcMMA 使用扣子 Coze 创建 AI 绘画工作流：https://mp.weixin.qq.com/s/d_6yST8JXKf1Tr6JgBPFg 奶奶也学得会的 AI 工作流，省时省力下班早！：https://mp.weixin.qq.com/s/bXC8DHzs5_OgPh3FtKhJZA 中文 GPTS 使用秘籍，字节扣子 Coze 工作流使用全教程：https://zhuanlan.zhihu.com/p/682108709 Workflow 实践|使用 coze 复现一个 AIGC 信息检索 Bot：https://mp.weixin.qq.com/s/PFgjRq7XcTcqog1gLyFqA AI 自动获取 B 站视频摘要信息：https://mp.weixin.qq.com/s/x8lwvlomhFNLZl__qYuDww 如何用 Coze 制作一个信息检索 Bot（含 Workflow 的基础用法）：https://mp.weixin.qq.com/s/Ory8iVXXjjN3zSTcupPm6Q 飞书社区教程： Stuart:教你用 coze 写起点爆款小说《夜无疆》,做到高中生文笔水平：https://waytoagi.feishu.cn/wiki/LRskwrJkli3CgkkY06xcC3HanBh?from=from_copylink Stuart:我把 Coze 比赛第一的 bot 拆了教大家：https://waytoagi.feishu.cn/wiki/Qt8Bwgl3PihQNukO7PjcmeuJnJg?from=from_copylink 画小二：用 Coze 工作流制作行业简报：实战案例画小二日报：https://waytoagi.feishu.cn/wiki/HmIhwt1IkiIAzok73rDcgG7fnQg?from=from_copylink 画小二：Coze 工作流之抖音热门视频转小红书图文详细配置：https://waytoagi.feishu.cn/wiki/MV7gw298TiBajFkSrFeceYRMnXc?from=from_copylink 扣子版虚拟女友李思思的思路：https://waytoagi.feishu.cn/wiki/O9M4w66fxiElylkBkCRcP6jLnsg?from=from_copylink 此外，还有关于白嫖 Groq 平台算力并接入扣子工作流的保姆级教程： 此时我们有了代理服务器和 APIKEY，落地使用方式举例： 1. 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，而且可以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） 2. 由于 Groq 的 API 与 OpenAI 的 API 几乎兼容，可以适配到任何 APP 产品可以用来填 APIKEY 调用的场景，此处用沉浸式翻译举例（如果还不知道沉浸式翻译这个超级好用的网页翻译工具的,请访问 https://immersivetranslate.com/自行安装） 3. 接入手机类 APP，比如通过快捷方式接入 Siri（此处卖个关子，留着 728 线下切磋赚积分，希望线下小伙伴来找我） 接入扣子工作流： 1. 扣子工作流的搭建细节本篇不详细叙述，请移步 WaytoAGI 自学。 2. 建立工作流，只需要一个代码节点，如下： Copy 以下代码进入代码节点，其中代码节点的输入引用请自行配置为开始节点的用户输入，输出改为“output”，格式为“string” 测试工作流，保证代码块有正常输出（可以看到此处消耗 0 Tokens，白嫖算力成功，在扣子即将收费之际，后续可能可以派上大用处，代替工作流 LLM 节点） 可以建立一个 Bot，来仅仅调用该工作流，建议不要发布，否则你的 Deno 代理流量可能被其他人用。 其他就可以自行发挥了，接入微信等。

Coze 扣子是一款基于自然语言处理和人工智能技术的智能助手平台，具有以下特点和功能： 1. 提供丰富的插件生态，能帮助用户快速实现个性化的智能应用，无需编写复杂代码。 2. 经过一年多的用户打磨，插件生态和分发渠道对个人用户够用，上手难度不高，信息获取插件丰富。 3. 推出专业版服务，主要特性包括企业级 SLA 保障、高级特性支持（如批量处理、私有数据等）以及更优惠的计费项。 对于非 IT 专业的普通人，学习用它来创建智能体的路径和步骤如下： 1. 体验和了解 Coze 扣子平台的基本功能和操作，熟悉其界面和常用工具。 2. 学习相关的基础知识，例如自然语言处理的基本概念、智能体的工作原理等。 3. 参考平台提供的教程和示例，逐步尝试创建简单的智能体。 4. 加入相关的学习交流群，与其他用户交流经验，共同学习进步。 需要注意的是，目前提示词攻击在业内是公开的秘密，像扣子这样的智能体编排平台，其热门智能体的核心提示词可能会被轻易获取，存在一定的安全风险。

大模型搭建知识库的逻辑主要包括以下几个方面： 1. 理解 RAG 技术：利用大模型搭建知识库本质上是 RAG 技术的应用。在大模型训练数据有截止日期或不包含所需数据时，通过检索增强生成（RAG）来解决。RAG 可抽象为 5 个过程： 文档加载：从多种来源加载包括非结构化、结构化和代码等不同类型的文档。 文本分割：把文档切分为指定大小的块。 存储：包括将切分好的文档块嵌入转换成向量形式，并将向量数据存储到向量数据库。 检索：通过检索算法找到与输入问题相似的嵌入片。 输出：把问题及检索出来的嵌入片一起提交给大模型，生成更合理的答案。 2. 构建知识库各个流程： 从用户提出问题开始，经历用户问题的理解、路由、初步检索、重排序等环节，最终将重排序后的结果和用户的查询意图组合成上下文输入给大模型生成输出结果。需要注意重排序结果的使用限制，如设置阈值进行截断或筛选相关性分数等。 后置处理包括敏感内容检测和移除、格式化输出等。 3. 知识库的需求：大模型并非 100%准确，存在数据日期限制和无法感知公司内部私有数据等问题，知识库的出现就是为解决大模型的数据准确性问题。例如在客服系统中，公司将用户问题及答案记录在文档中以知识库形式投喂给大模型，使其能更准确回答用户自然语言询问的问题。

以下为您推荐几款 AI 视频剪辑模型，并比较它们的优劣： 1. Pika： 优点：对奇幻感较强的画面把控出色，自然度高；更新的唇形同步功能集成到平台上便捷。 缺点：真实环境画面容易糊。 2. Pixverse： 优点：在高清化方面有优势，对偏风景和纪录、有特定物体移动的画面友好。 缺点：生成的视频存在帧率问题，处理人物时易有慢速播放的感觉。 3. Runway： 优点：在真实影像方面质感好，战争片全景镜头处理出色，控件体验感较好。 缺点：特别爱变色，光影不稳定。 4. MiniMax 海螺 AI： 优点：文生视频制作便捷高效，能提供多元创作思路。 缺点：较难保证主体/画面风格的稳定性，实际使用场景多为空镜头/非叙事性镜头/大场面特效镜头的制作。 在实际使用中，您可以根据不同工具对画面的处理能力进行组合使用。例如，需要奇幻感强、人物表情自然的画面可用 Pika 生成；物体滑行运动可用 Pixverse 生成；有手部特殊运动的画面可用 Runway 辅助完成。

以下是关于您自学更多 AI 工具以发展副业的学习与实践建议： 1. 基础理解：了解大型语言模型的工作原理和局限性，例如它们在数学计算方面主要基于语言理解和生成，而非专门的数学计算设计，可能会在处理简单数学问题时出错。 2. 学习路径： 规划：明确学习目标和步骤。 记忆：记住关键知识和操作方法。 3. 实践操作： 掌握 GPT 的使用：了解 GPT 如 GPT4 的功能和特点，包括其工具选择和行动（Action）机制。 尝试工具：如 Webpilot，它能让 GPT 支持更实时的联网功能，获取网络资源。具体操作是在新建的 GPT 里勾掉 Web Browsing，然后点击添加 Actions（Add actions），再点击 import from URL 并填入相关网址。 4. 就业与应用： 了解人工智能领域的高薪工作，如数据科学家、机器学习工程师等，学习相关技能以增加就业机会。 关注 AI 技术在金融、医疗、制造业等行业的应用，掌握相关技能以拓展副业发展的可能性。 但需要注意的是，学习 AI 有可能赚钱，但不保证每个人都能成功，是否能赚钱还取决于个人的学习能力、实际应用能力、对市场和商业的理解等因素，需要持续学习和实践。

国内写代码比较好用的模型除了 DeepSeek 外，还有零一万物、知谱 AI 和阿里巴巴开发的模型，它们在 LMSYS 排行榜上取得了优异成绩，尤其在数学和编程方面表现出色。此外，国产开源模型 DeepSeekV3 也具备出色的性能，其性能接近顶尖闭源模型 Claude 3.5Sonnet，在知识、长文本和数学任务上均有显著提升，生成速度可达每秒 60 个令牌。

训练自己的模型来识别不同的图片类别可以参考以下方法： 对于扩散模型（如 Midjourney）： 强大的扩散模型训练往往消耗大量 GPU 资源，推理成本高。在有限计算资源下，可在强大预训练自动编码器的潜在空间中应用扩散模型，以在复杂度降低和细节保留间达到平衡，提高视觉保真度。引入交叉注意力层可使其成为灵活的生成器，支持多种条件输入。 Midjourney 会定期发布新模型版本以提升效率、连贯性和质量。最新的 V5 模型具有更广泛的风格范围、更高的图像质量、更出色的自然语言提示解读能力等。 用 SD 训练贴纸 LoRA 模型： 对于原始形象，可通过 MJ 关键词生成不同风格的贴图，总结其特征。注意关键词中对颜色的限制，保持正面和负面情绪数据比例平衡。若训练 25626 大小的表情包，初始素材可能够用，若训练更高像素图片，可能需进一步使用 MJ 垫图和高清扩展功能。 进行高清化时，从 256 到 1024 分辨率，输入左图并加入内容和风格描述，挑选合适的图片。 多模态模型（以 StableDiffusion 为例）： 多模态模型包括文生图、图生图、图生视频、文生视频等，底层逻辑通常从生图片源头开始。 扩散模型（如 StableDiffusion 中使用的）的训练是对图片加减噪点的过程。先对海量带有标注文字描述的图片逐渐加噪点，模型学习每一步图片向量值和文字向量值的数据分布演变规律，完成训练。输入文字后，模型根据文字向量指导充满噪点的图片减噪点生成最终图片。扩散模型加减噪点方式与大脑构思图片方式类似，且多模态模型会关联文字向量值和图片像素点向量值。

以下是关于模型成本的相关信息： GPT3.5 系列： gpt3.5turbo：功能强大，针对聊天优化，成本仅为 textdavinci003 的 1/10，最大 Token 数 4096，训练数据截至 2021 年 9 月。 gpt3.5turbo0301：gpt3.5turbo 2023 年 3 月 1 日的快照，不会更新，仅在 2023 年 6 月 1 日结束的三个月内提供支持，最大 Token 数 4096，训练数据截至 2021 年 9 月。 textdavinci003：能完成任何语言任务，支持在文本中插入补全，最大 Token 数 4097，训练数据截至 2021 年 6 月。 textdavinci002：与 textdavinci003 类似，使用监督微调训练，最大 Token 数 4097，训练数据截至 2021 年 6 月。 codedavinci002：针对代码完成任务优化，最大 Token 数 8001，训练数据截至 2021 年 6 月。 其他模型供应商： 智谱 GLM4V：通用视觉类大模型，拍立得最早使用，接口响应速度快，指令灵活性差些，一个接口支持图片/视频/文本，视频和图片类型不能同时输入，调用成本 0.05 元/千 tokens。 阿里云百炼 qwenvlplus：通用视觉类大模型，拍立得目前使用，指令灵活性丰富，接口调用入门流程长，密钥安全性高，调用成本 0.008 元/千 tokens，训练成本 0.03 元/千 tokens。 阶跃星辰：通用视觉类大模型，响应速度快，支持视频理解，输入成本 0.005 0.015 元/千 tokens，输出成本 0.02 0.07 元/千 tokens。 百度 PaddlePaddle：OCR，垂直小模型，文本识别能力补齐增强，私有化部署服务费，API 调用在 0.05 0.1 元/次。 Claude 3 系列： Opus：最智能，擅长处理复杂任务，输入成本 15 美元/百万 token，输出成本 75 美元/百万 token，上下文窗口 200K token（特定用途 1M token 可用，详情咨询），应用场景包括任务自动化、研发、策略分析等。 Sonnet：平衡，应用场景包括客户服务、内容审核、优化物流等，优势在于速度和成本效益。 此外，Claude 3 系列在设计上注重安全和可靠，持续改进减少模型偏见，提高公正性和中立性，被评定为 AI 安全等级 2（ASL2）。

为避免写作中出现疑似 AI 生成的内容，您需要注意以下几点： 1. AI 容易“产生幻觉”并生成看似合理但可能错误的事实，因此您需要对其生成的内容进行全面检查。 2. 人工智能不会真正解释自己，当您要求其解释写作原因时，给出的答案可能是编造的。 3. 虽然 AI 能辅助写作，但它也可能被不道德地用于操纵或作弊，您要对其输出负责。 4. 即便有了 AI 辅助，写作仍需要我们具备分辨能力，知道好文章和好内容应具备的要素。写作不仅是文字堆砌，更是思维表达和情感流露，是人类独特智慧的体现。 5. 应利用润色工具提升写作能力，而非让其替代写作。 此外，还有一些相关的原文示例，如“Build a giant robot navy.All the villains do an army...Is it better?Not really.But it is distinctly mine.”等，强调了不能将 AI 作为默认写作方式，要保持自己的写作热情和思考能力。

很抱歉，目前无法直接为您生成这样的纯文字海报。但您可以使用一些在线的图片设计工具，如 Canva、稿定设计等，在这些平台上您可以选择合适的模板，输入“寂然的话语成真”的文字，并根据您的需求调整字体样式和布局，以达到您想要的效果。

在国内的评测中，SuperCLUE 是大模型时代 CLUE 基准的发展和延续，聚焦于通用大模型的综合性测评。在 SuperCLUE 测评中，国外模型的平均成绩为 69.42 分，国内模型平均成绩为 65.95 分，差距在 4 分左右。国内外的平均水平差距在缩小，11 月差距在 10 分左右。 SuperCLUE 是中文语言理解测评基准 CLUE 的发展，发起于 2019 年，陆续推出了多种广为引用的测评基准。它根据多年的测评经验，构建了多层次、多维度的综合性测评基准。SuperCLUE 始终秉持中立、客观的第三方测评理念，采用自动化方式的客观评估，降低评测过程中的人为评估的不确定性。 国外对标的评测没有明确提及。

以下是为您提供的 3 层建筑渲染效果的相关提示词： 视角：LowAngle（仰视）、3d isometric blueprint（3D 等轴测蓝图）、3D isometric model（3D 等轴测模型） 介质：abstract expressionist art style（抽象表现主义艺术风格） 镜头：superresolution microscopy（超分辨率显微镜） 灯光：ambient lighting（环境照明）、overhead lighting（头顶照明） 颜色：white（白色）、darkbrown（深棕色） 描述：classical realism（古典现实主义） 艺术家：Kazimir Malevich（卡齐米尔·马列维奇） 电影：2001 A Space Odyssey（2001 太空漫游）、Fantasia（幻想曲） 游戏：Age of Empires（帝国时代）、EarthBound（地球之旅） 画面精度：high detail（高细节）、hyper quality（高品质）、high resolution（高分辨率）、FHD,1080P,2K,4K18K 全高清.1080P,2K,4K,8K、8k smooth 8 流畅 渲染效果：Unreal Engine（虚幻引擎）、octane render（渲染器）、Maxon Cinema 4D 渲染器、architectural visualisation（建筑渲染）、Corona Render（室内渲染）、Quixel Megascans Render（真实感）、VRay V 射线、Behance、C4D、3D、blender、surreal photography（超现实摄影）、realistic 3D（真实 3D）、zbrush

构建路由分类器 AI 的工作流设计方案如下： 1. 内容编排：在第四步中，将指令分为扩写、缩写、总结以及其他四类，设定最终的分类条件。分类器匹配到特定分支后执行相应操作，这种编排方式可过滤并避免处理不明确的指令，确保智能体准确响应用户指令。 2. 编写具体指令：为每个指令编写具体内容，如缩写、扩写和总结三个分支，创建包含变量（即用户初始输入的原始文本）的简单指令，用花括号引用变量，系统将值赋给变量并传递给模型推理形成提示词。 3. 最终输出：对各分支结果进行输出，输出内容相对简洁。 4. 测试流程：首先准备用于扩写、缩写和总结三项测试的文本素材，然后逐一进行各项测试，包括扩写测试、缩写测试、总结测试和错误处理测试，以验证每个分支能否顺利执行。 要保证分类器分类准确，可以从以下方面入手： 1. 清晰明确地设定分类条件，避免模糊和歧义。 2. 对输入的指令进行充分的预处理和规范化，使其符合分类器的预期格式。 3. 不断优化和调整分类器的参数和算法，以适应不同类型和复杂程度的指令。 4. 进行大量的测试和验证，收集错误案例并进行分析改进。

使用人工智能来开发一个二手车批发的 APP 是可行的，但具有一定的挑战性。 首先，从技术角度来看，要实现车商在其中自由批发车辆的功能，需要具备强大的数据库和稳定的网络架构，以确保车辆信息的准确、及时更新和交易的顺利进行。 对于人工智能的应用，可以考虑以下几个方面： 1. 智能推荐：根据车商的浏览历史、交易记录和偏好，为其推荐可能感兴趣的车辆。 2. 价格预测：利用机器学习算法，对二手车的价格进行预测，为车商提供参考。 3. 风险评估：通过分析车辆的历史数据、市场趋势等，评估交易中的风险。 然而，要开发这样一个 APP 也面临一些困难和需要注意的问题： 1. 数据质量和安全性：确保车辆数据的准确性、完整性和安全性，防止数据泄露和滥用。 2. 法律法规：二手车交易涉及众多法律法规，需要确保 APP 的运营符合相关规定。 3. 用户体验：要设计简洁、易用的界面，让车商能够方便地进行操作。 总之，虽然具有挑战性，但如果能够充分利用人工智能技术，并解决好上述问题，开发一个具备人工智能的独特二手车批发 APP 是有可能的。