我想知道如何用dify搭建rag工作流

使用 Dify 构建知识库的具体步骤如下： 1. 准备数据： 收集需要纳入知识库的文本数据，包括文档、表格等格式。 对数据进行清洗、分段等预处理，确保数据质量。 2. 创建数据集： 在 Dify 中创建一个新的数据集，并将准备好的文档上传至该数据集。 为数据集编写良好的描述，描述清楚数据集包含的内容和特点。 3. 配置索引方式： Dify 提供了三种索引方式供选择：高质量模式、经济模式和 Q&A 分段模式。 根据实际需求选择合适的索引方式，如需要更高准确度可选高质量模式。 4. 集成至应用： 将创建好的数据集集成到 Dify 的对话型应用中，作为应用的上下文知识库使用。 在应用设置中，可以配置数据集的使用方式，如是否允许跨数据集搜索等。 5. 持续优化： 收集用户反馈，对知识库内容和索引方式进行持续优化和迭代。 定期更新知识库，增加新的内容以保持知识库的时效性。 总的来说，Dify 提供了一个可视化的知识库管理工具，使得构建和维护知识库变得相对简单。关键步骤包括数据准备、数据集创建、索引配置，以及将知识库集成到应用中并持续优化。 Dify 是一个开源的大模型应用开发平台，它通过结合后端即服务和 LLMOps 的理念，为用户提供了一个直观的界面来快速构建和部署生产级别的生成式 AI 应用。该平台具备强大的工作流构建工具，支持广泛的模型集成，提供了一个功能丰富的提示词 IDE，以及一个全面的 RAG Pipeline，用于文档处理和检索。此外，Dify 还允许用户定义 Agent 智能体，并通过 LLMOps 功能对应用程序的性能进行持续监控和优化。Dify 提供云服务和本地部署选项，满足不同用户的需求，并且通过其开源特性，确保了对数据的完全控制和快速的产品迭代。Dify 的设计理念注重简单性、克制和快速迭代，旨在帮助用户将 AI 应用的创意快速转化为现实，无论是创业团队构建 MVP、企业集成 LLM 以增强现有应用的能力，还是技术爱好者探索 LLM 的潜力，Dify 都提供了相应的支持和工具。Dify 官方手册：https://docs.dify.ai/v/zhhans 。一般地，如果是个人研究，推荐单独使用 Dify，如果是企业级落地项目推荐使用多种框架结合，效果更好。 Dify 有两种使用方式： 1. 云服务版本。直接在官网 dify.ai 上注册账号使用。 2. 部署社区版。开源，可商用，但是不能作为多租户服务使用。对个人使用完全无限制。 部署前提条件：2 核 4G 云服务器一台=159 元（不懂的也不用懂，不重要）。其实本地也可以，但是本地更折腾，作者不喜欢在自己电脑上部署 Web 服务，所以未分享本地部署方法。【小插曲】今天在腾讯云开新服务器的时候，发现腾讯云居然提供了一键部署，更简单了！而且看了下，挺便宜的，羊毛不薅白不薅。

Dify 有以下使用方式和相关信息： 云服务版本：可直接在官网 dify.ai 上注册账号使用。 部署社区版：开源且可商用，但不能作为多租户服务使用，对个人使用无限制。部署前提条件为 2 核 4G 云服务器一台（约 159 元），本地也可部署但较折腾。 构建知识库的具体步骤： 准备数据：收集文本数据，包括文档、表格等格式，并进行清洗、分段等预处理，确保数据质量。 创建数据集：在 Dify 中创建新数据集，上传准备好的文档，并编写良好描述。 配置索引方式：提供三种索引方式（高质量模式、经济模式和 Q&A 分段模式），根据需求选择。 集成至应用：将数据集集成到对话型应用中，在应用设置中配置数据集使用方式。 持续优化：收集用户反馈，优化知识库内容和索引方式，定期更新增加新内容。 Dify 是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、提示词 IDE、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 功能持续监控和优化应用性能。提供云服务和本地部署选项，满足不同用户需求。其设计理念注重简单性、克制和快速迭代，官方手册：https://docs.dify.ai/v/zhhans 。一般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。

以下是与 Dify 相关的文章内容： 1. 《》：介绍了一键部署自己的 Dify 网站的方法，提供了腾讯云一键部署和云服务器 Docker 部署两种方案。用户需配置模型供应商的信息，包括 API base 和 key。成功保存设置后，可在主页面创建 Agent 进行测试。 2. 问：Dify 怎么接入企业微信： 创建聊天助手应用：在 Dify 平台创建基础编排聊天助手应用，获取 API 密钥和 API 服务器地址。 下载 Dify on WeChat 项目：下载并安装依赖。 填写配置文件：在项目根目录创建 config.json 文件，填写 API 密钥和服务器地址。 把基础编排聊天助手接入微信：快速启动测试，扫码登录，进行对话测试，可以选择源码部署或 Docker 部署。 把工作流编排聊天助手接入微信：创建知识库，导入知识库文件，创建工作流编排聊天助手应用，设置知识检索节点和 LLM 节点，发布更新并访问 API。 把 Agent 应用接入微信：创建 Agent 应用，设置对话模型和添加工具，生成 API 密钥，填写配置文件，启动程序并进行测试。更多内容请访问原文：https://docs.dify.ai/v/zhhans/learnmore/usecases/difyonwechat

Dify 是一个开源的大模型应用开发平台： 它结合后端即服务和 LLMOps 的理念，为用户提供直观界面，能快速构建和部署生产级别的生成式 AI 应用。 具备强大的工作流构建工具，支持广泛的模型集成，有功能丰富的提示词 IDE 以及全面的 RAG Pipeline 用于文档处理和检索。 允许用户定义 Agent 智能体，并通过 LLMOps 功能对应用程序性能进行持续监控和优化。 提供云服务和本地部署选项，满足不同用户需求，其开源特性确保对数据的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，能帮助用户将 AI 应用的创意快速转化为现实，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 潜力等提供支持和工具。 Dify 官方手册：https://docs.dify.ai/v/zhhans 一般来说，如果是个人研究，推荐单独使用 Dify；如果是企业级落地项目，推荐使用多种框架结合，效果更好。 部署 Dify 的相关步骤： 参考：https://docs.dify.ai/v/zhhans/gettingstarted/installselfhosted/dockercompose ，这些命令在宝塔面板的终端安装。 若 dockercompose 文件在 /root/dify/docker 目录下，可学习其中文件的意思。 检查运行情况，如遇到问题可根据情况处理，例如 80 端口被占用，可按照 AI 给出的方法解决。 在浏览器地址栏输入公网 IP 进入，随便建立知识库并进行相关设置。 选择模型，国内模型有免费额度，如智谱 ai，获取钥匙并复制保存，创建应用并测试发布。

Dify 相关信息如下： 构建知识库的具体步骤： 1. 准备数据：收集需要纳入知识库的文本数据，包括文档、表格等格式，并对数据进行清洗、分段等预处理，确保数据质量。 2. 创建数据集：在 Dify 中创建一个新的数据集，并将准备好的文档上传至该数据集，为数据集编写良好的描述，描述清楚数据集包含的内容和特点。 3. 配置索引方式：Dify 提供了三种索引方式供选择，包括高质量模式、经济模式和 Q&A 分段模式，根据实际需求选择合适的索引方式，如需要更高准确度可选高质量模式。 4. 集成至应用：将创建好的数据集集成到 Dify 的对话型应用中，作为应用的上下文知识库使用。在应用设置中，可以配置数据集的使用方式，如是否允许跨数据集搜索等。 5. 持续优化：收集用户反馈，对知识库内容和索引方式进行持续优化和迭代。定期更新知识库，增加新的内容以保持知识库的时效性。 平台特点： Dify 是一个开源的大模型应用开发平台，通过结合后端即服务和 LLMOps 的理念，为用户提供直观界面来快速构建和部署生产级别的生成式 AI 应用。具备强大的工作流构建工具，支持广泛的模型集成，提供功能丰富的提示词 IDE 以及全面的 RAG Pipeline 用于文档处理和检索。允许用户定义 Agent 智能体，并通过 LLMOps 功能对应用程序的性能进行持续监控和优化。提供云服务和本地部署选项，满足不同用户需求，通过开源特性确保对数据的完全控制和快速产品迭代。其设计理念注重简单性、克制和快速迭代，无论是创业团队构建 MVP、企业集成 LLM 以增强现有应用能力，还是技术爱好者探索 LLM 潜力，Dify 都提供相应支持和工具。 Dify 官方手册：https://docs.dify.ai/v/zhhans 。一般地，如果是个人研究，推荐单独使用 Dify，如果是企业级落地项目推荐使用多种框架结合，效果更好。

以下是使用 Dify 或 Make 实现 AI 制作幽默表情包系列的全流程： 1. 素材准备 平面设计稿：确定表情包的基本设计和角色形象。 2. 制作流程 转 3D：将平面设计稿转换为 3D 形式，增加立体感和丰富度。 AI 生成场景：利用相关工具生成适合的场景。 AI 图生视频：将生成的图片转换为视频。 剪辑转 gif：对视频进行剪辑，并转换为 gif 格式。 压缩：使用图像压缩工具，如 https://imageresizer.com/zh/%E5%9B%BE%E5%83%8F%E5%8E%8B%E7%BC%A9 ，对 gif 进行压缩，以满足上传要求。 上传微信表情平台审核：完成压缩后，上传至微信表情平台进行审核。 相关工具： 即梦：https://jimeng.jianying.com/aitool/image/generate Recraft: https://www.recraft.ai/

RAGflow 的能力拆解包括以下方面： 文档拆分方式： 通用模式：主要参考每个块的 token 数量，同时考虑语意完整性，切分段落点通常在句号或叹号等完整句子结束处，拆分结果和 langchain 大同小异。 Q&A 问答对：将左边内容加上“问题:”，右边内容加上“回答:”，数据清洗工作量大。 简历：格式不可控，解析易失败，建议官方给出模板。 手册：一整段文字提取，分割处在页面分页、段落分段处，块大小通常较大。 表格：拆分后每一行被当成一个块，第一行表头插入到每一块头部。 数据清洗：RAGflow 提供分段后的数据处理，可自行添加、修改数据及添加标签。测试中添加特定术语和数据并进行召回测试，发现数据正确召回但大模型可能因上下文问题无法匹配。结论包括：RAGflow 召回同时使用向量相似度和关键词相似度并加权得到混合相似度；关键词相似度不仅匹配文本段内容还匹配标签内容；关键词相似度单个实体出现即为 100%；检索内容需同时包含“问题信息”和“答案信息”大模型才能解答；RAGflow 未提供对外接口，应用不便。 此外，还有关于大模型 RAG 问答行业最佳案例及微调、推理双阶段实现模式的相关内容，如在模块化 RAG 范式下探讨 RAG Flow 的设计思路，包括典型的 RAG Flow 模式、特定的 RAG 流实现以及最佳的行业案例，在典型的 RAG Flow 模式方面介绍了微调阶段模式和推理阶段模式等。

RAG（RetrievalAugmented Generation）即检索增强生成，是一种结合检索和生成能力的自然语言处理架构，旨在为大语言模型（LLM）提供额外的、来自外部知识源的信息。 大模型存在一些缺点，如无法记住所有知识（尤其是长尾知识）、知识容易过时且不好更新、输出难以解释和验证、容易泄露隐私训练数据、规模大导致训练和运行成本高。而 RAG 具有诸多优点： 1. 数据库对数据的存储和更新稳定，不存在模型学不会的风险。 2. 数据库的数据更新敏捷，增删改查可解释，且对原有知识无影响。 3. 数据库内容明确、结构化，加上模型本身的理解能力，降低大模型输出出错的可能。 4. 知识库存储用户数据，便于管控用户隐私数据，且可控、稳定、准确。 5. 数据库维护可降低大模型的训练成本。 RAG 的核心流程是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到 prompt（提示词）中，提交给大模型，此时大模型的回答就会充分考虑到“包含答案的内容”。其最常见应用场景是知识问答系统。 一个 RAG 的应用可抽象为 5 个过程： 1. 文档加载：从多种不同来源加载文档。 2. 文本分割：把 Documents 切分为指定大小的块。 3. 存储：包括将切分好的文档块进行嵌入转换成向量的形式，以及将 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（RetrievalAugmented Generation，检索增强生成）是一种结合检索和生成能力的自然语言处理架构，旨在为大语言模型（LLM）提供额外的、来自外部知识源的信息。 LLM 需要 RAG 进行检索优化的原因在于其存在一些缺点： 1. LLM 无法记住所有知识，尤其是长尾知识，受限于训练数据和学习方式，对长尾知识的接受能力不高。 2. LLM 的知识容易过时且不好更新，微调效果不佳且有丢失原有知识的风险。 3. LLM 的输出难以解释和验证，存在黑盒不可控以及受幻觉等问题干扰的情况。 4. LLM 容易泄露隐私训练数据。 5. LLM 规模大，训练和运行成本高。 RAG 具有以下优点： 1. 数据库对数据的存储和更新稳定，不存在学不会的风险。 2. 数据库的数据更新敏捷，可解释且不影响原有知识。 3. 数据库内容明确、结构化，加上模型的理解能力，能降低大模型输出出错的可能。 4. 知识库存储用户数据便于管控用户隐私数据，且可控、稳定、准确。 5. 数据库维护可降低大模型的训练成本。 在优化 RAG 性能方面，对于向量化基本平权的情况，可引入来源机制进行改进，对向量化的数据进行综合评分，如相似度置信度等，然后再进行 rebank。特别是对于私有化数据，业务方清楚数据的置信度，有优化空间。

RAG（RetrievalAugmented Generation，检索增强生成）是一种结合检索和生成能力的自然语言处理架构。 通用语言模型通过微调可完成常见任务，而更复杂和知识密集型任务可基于语言模型构建系统，访问外部知识源来实现。Meta AI 研究人员引入 RAG 来完成这类任务，它把信息检索组件和文本生成模型结合，可微调且内部知识修改高效，无需重新训练整个模型。 RAG 接受输入并检索相关支撑文档，给出来源，与原始提示词组合后送给文本生成器得到输出，能适应事实变化，让语言模型获取最新信息并生成可靠输出。 LLM（大语言模型）存在一些缺点，如无法记住所有知识尤其是长尾知识、知识容易过时且不好更新、输出难以解释和验证、容易泄露隐私训练数据、规模大导致训练和运行成本高。而 RAG 具有数据库存储和更新稳定、数据更新敏捷且不影响原有知识、降低大模型输出出错可能、便于管控用户隐私数据、降低大模型训练成本等优点。 在 RAG 系统开发中存在 12 个主要难题及相应的解决方案。

以下是为您设计企业内销售培训智能体的一些建议： 首先，了解多智能体模式的设置。它包括全局设置和多个代理之间的编排协调两个核心部分。全局设置涵盖角色设定与回复逻辑、记忆管理以及对话体验等，其中人物设定与回复逻辑应侧重于角色塑造。在智能体的交互流程设计上，要形成完整的互动链条，当用户意图未满足跳转条件时，保持与当前智能体的沟通。设计多轮协作的智能体时，应将其交互设计为闭环结构，以确保用户能自由切换。 其次，动手实践制作智能体。对于 Chat GPT 版本，可按以下步骤：点击“浏览 GPTs”按钮，点击“Create”按钮创建，使用自然语言对话或手工设置进行具体配置，然后调试并发布。对于 Chat GLM 版本，点击“创建智能体”按钮，输入智能体描述，可粘贴准备好的提示词模板，其配置可自动生成，可根据需求调整并上传本地文件作为知识库。 然后，考虑多智能体协同的概念。在处理复杂任务时，单智能体可能面临提示词修改和逻辑不清晰的问题。多智能体协作如吴恩达所举例，每个智能体被赋予不同身份，互相合作对话，能模拟现实工作场景，成为复杂系统，但可能存在效率不高的情况。 最后，您可以根据实际情况选择是采用 RAG 还是多智能体协同。如果任务相对简单，RAG 可能足够；若任务复杂，涉及多个环节和角色的协作，多智能体协同可能更合适。您还可以通过具体的例子，如旅游场景中负责景点推荐、路线规划和食宿安排的三个智能体，来更好地理解和设计。

RAG（RetrievalAugmented Generation）即检索增强生成，是一种结合检索和生成能力的自然语言处理架构，旨在为大语言模型（LLM）提供额外的、来自外部知识源的信息。 大模型存在一些缺点，如无法记住所有知识（尤其是长尾知识）、知识容易过时且不好更新、输出难以解释和验证、容易泄露隐私训练数据、规模大导致训练和运行成本高。而 RAG 具有诸多优点： 1. 数据库对数据的存储和更新稳定，不存在模型学不会的风险。 2. 数据库的数据更新敏捷，增删改查可解释，且对原有知识无影响。 3. 数据库内容明确、结构化，加上模型的理解能力，能降低大模型输出出错的可能。 4. 知识库存储用户数据，便于管控用户隐私数据，且可控、稳定、准确。 5. 数据库维护可降低大模型的训练成本。 RAG 的核心流程是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到 prompt（提示词）中，提交给大模型，此时大模型的回答就会充分考虑到“包含答案的内容”。其最常见应用场景是知识问答系统。 一个 RAG 的应用可抽象为 5 个过程： 1. 文档加载：从多种不同来源加载文档。 2. 文本分割：把文档切分为指定大小的块。 3. 存储：包括将切分好的文档块进行嵌入转换成向量的形式，以及将 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生成更合理的答案。

以下是搭建扣子智能体提取抖音文案并进行改写所需的插件、配置参数及步骤： 1. 插件搭建： 点击个人空间，选择插件，点击创建插件。 插件名称：使用中文，根据需求起名。 插件描述：说明插件的用途和使用方法。 插件工具创建方式：选择云侧插件基于已有服务创建，填入所使用 API 的 URL。 在新的界面点击创建工具，填写工具的基本信息，如工具名称（只能使用字母、数字和下划线）、工具描述、工具路径（以“/”开始，若使用 path 方式传参，用“{}”包裹变量）、请求方法等，结束后点击保存并继续。 2. 配置输入参数： 点击新增参数，填写所有需要使用的参数，保存并继续。 3. 配置输出参数： 如果一切填写正确，可直接点击自动解析，会自动调用一次 API 给出对应的输出参数。 填入汉字“张”，点击自动解析。 解析成功后显示解析成功，可看到输出参数已填好，然后点击保存并继续。 4. 调试与校验： 测试工具是否能正常运行。 运行后查看输出结果，Request 为输入的传参，Response 为返回值，点击 Response 可看到解析后的参数。 此外，安仔使用 Coze 免费创建 24 小时英语陪练的步骤包括： 1. 打开扣子首页，点击左上角创建 AI Bot 按钮。 2. 在弹窗输入 Bot 相关信息。 3. 设计人设与回复逻辑，根据功能需求设计提示词。 4. 调整模型设置，如改为 20 轮对话记录。 5. 选择使用插件，如英文名言警句、Simple OCR 等。 6. 设置开场白和预置问题。 7. 设置语音，选择亲切的英语音色。

以下是关于搭建扣子智能体提取抖音文案并进行改写的相关信息： 1. 团队介绍：野生菌团队（昆明），成员如罗文（组长）具有 10 年营销、5 年电商经验，是 AI 微软认证人工智能开发者和得到校友会昆明会长，负责项目组织、分工跟进、资源协调、思路整理等工作。罗文有多个相关作品，更多可查看扣子主页。 2. 搭建智能体： 创建一个智能体，输入人设等信息，放上相关工作流。配置完成后进行测试，但千万不要直接发布。 对于工作流中的特定节点，如【所有视频片段拼接】节点使用的插件 api_token，可作为工作流最开始的输入，用户购买后输入 api_token 再发布，以避免消耗他人费用。 3. 动手实践： 第一步创建智能体，使用单 Agent 对话流模式。 编排对话流，创建新的对话流并关联智能体，注意配置相关插件和节点。 进行数据处理，注意代码节点输出的配置格式。 最后进行测试和发布，发布时选择多维表格，注意输出类型、输入类型等配置，完善上架信息，可选仅自己可用以加快审核。

以下是关于知识库搭建的注意事项： 1. 数据清洗方式： 可选择手动清洗数据以提高准确性，避免自动清洗数据可能出现的不准确情况。 对于本地文档，要注意合理拆分内容以提高训练数据准确度，不能将所有内容一股脑放入训练。 2. 在线知识库： 点击创建知识库，可创建如画小二课程的 FAQ 知识库。 飞书在线文档中每个问题和答案以分割，可点击编辑修改和删除。 选择飞书文档，选择自定义的自定义，输入。 点击添加 Bot 并在调试区测试效果。 3. 本地文档： 对于本地 word 文件，要注意拆分内容的方法。例如，对于画小二课程，将 80 节课程分为 11 个章节，先放入大章节名称内容，再按固定方式细化章节内详细内容。 选择创建知识库自定义清洗数据。 4. 发布应用： 点击发布，确保在 Bot 商店中能够搜到，否则无法获取 API。 5. 文档格式和分片策略： 以创建外贸大师产品的帮助文档知识库为例，可选择使用 Local doucuments 方式上传 Markdown 格式文档，每个问题以开头。 文档的分片策略会严重影响查询结果，RAG 方案存在跨分片总结和推理能力弱、文档有序性被打破、表格解析失败等缺点。 此外，在信息管理和知识体系搭建中，“拎得清、看得到、想得起、用得上”是四个核心步骤： 1. 拎得清：主动选择和判断高质量、与目标相关的信息源，利用 AI 搜索引擎筛选信息，加入优质社群、订阅号等建立信息通路。 2. 看得到：确保所选信息能频繁且不经意地触达个人，通过浏览器插件、笔记工具等组织信息，使其易于检索和浏览。 3. 想得起：做好信息的索引和关联，存储时做好标记（关键词、tag）、选择合适存放位置，推荐使用 PARA 笔记法等方法组织串联信息。 4. 用得上：将积累的知识转化为实际行动和成果，在解决问题或创造价值时从知识库中调取相应信息。

要搭建一个每个人都能使用的知识库，可以考虑使用 GPT 并借助 embeddings 技术。以下是相关步骤和原理： 1. 文本处理：将大文本拆分成若干小文本块（chunk）。 2. 向量转换：通过 embeddings API 将小文本块转换成与语义相关的 embeddings 向量，并在向量储存库中保存这些向量和文本块，作为问答的知识库。 3. 问题处理：当用户提出问题时，先将问题通过 embeddings API 转换成问题向量，然后与向量储存库中的所有文本块向量进行比对，查找距离最小的几个向量，提取对应的文本块，并与原有问题组合成新的 prompt 发送给 GPT API。 4. 容量限制：GPT3.5 一次交互支持的 Token 数量有限，embedding API 是解决处理大量领域知识的方案。 5. 理解 embeddings：embeddings 是浮点数字的向量，向量之间的距离衡量关联性，小距离表示高关联度。例如，“猫”和“狗”距离近，与“汽车”距离远。 例如，对于一篇万字长文，拆分成的 chunks 包含：文本块 1：本文作者：越山。xxxx。文本块 2：公众号越山集的介绍：传播效率方法，分享 AI 应用，陪伴彼此在成长路上，共同前行。文本块 3：《反脆弱》作者塔勒布xxxx。文本块 4：“科技爱好者周刊”主编阮一峰会记录每周值得分享的科技内容，周五发布。如果提问是“此文作者是谁？”，通过比较 embeddings 向量，可以直观地看出文本块 1 跟这个问题的关联度最高，文本块 3 次之。最后发送给 GPT API 的问题会类似于“此文作者是谁？从以下信息中获取答案：本文作者：越山。xxxx。《反脆弱》作者塔勒布xxxx。”这样大语言模型大概率能回答上这个问题。

以下是用扣子搭建具有自己思维的智能体，使其能进行日常对话和创作的步骤： 1. 创建智能体：使用单 Agent 对话流模式。 2. 编排对话流：点击创建新的对话流并与智能体关联，在获取笔记详情节点和笔记评论节点分别配置 cookie，note_link 使用开始节点的 USER_INPUT，使用代码节点进行数据处理，注意代码节点输出的配置格式。 3. 测试：找到一篇小红书笔记，试运行对话流，在对话窗口输入地址查看数据，同时在智能体的编排页面进行测试，确保对话流执行成功。 4. 发布：点击发布后选择多维表格，进行配置，包括输出类型选文本、输入类型选字段选择器，完善上架信息，填写表格，选发布范围时可选择仅自己可用以加快审核。 此外，扣子的知识库功能强大，可上传和存储知识内容，提供多种查找方法，能解决大模型的知识不足问题。在智能体中可运用自己的知识库，如收集地道口语表达的短句。还可为智能体添加开场白以提升体验。 在多智能体模式设置中，包括全局设置和多个代理之间的编排协调。全局设置涉及角色设定与回复逻辑、记忆管理和对话体验等，在设计智能体交互流程时应形成完整互动链条，采用循环机制而非单向流程，可通过旅游场景中景点推荐、路线规划和食宿安排等智能体的例子来理解。

搭建自己的智能体可以参考以下步骤： 1. 创建智能体： 输入人设等信息。 起一个智能体的名称。 写一段智能体的简单介绍。 使用 AI 创建一个头像。 2. 配置工作流： 放上创建的工作流。 为智能体配置对应的技能，如在 Bot 编排页面的技能区域，单击插件功能对应的“+”图标，选择相应插件并新增。 修改人设与回复逻辑，指示智能体使用相应插件来完成任务。 （可选）为智能体添加开场白，让用户更好地了解其功能。 3. 测试智能体： 在预览与调试区域中测试智能体是否符合预期，可单击清除图标清除对话记录。 4. 发布智能体： 配置完成后，在 Bot 的编排页面右上角，单击发布。 在发布页面输入发布记录，并勾选发布渠道，然后单击发布。 需要注意的是，工作流中【所有视频片段拼接】节点使用的插件 api_token 填的是您的 token，其他人调用这个工作流会直接消耗您的 money，所以不能直接发布。您可以将 api_token 作为工作流最开始的输入，用户自己购买后，输入 api_token 就可以使用，然后再发布。 相关资源： 扣子官网：https://www.coze.cn/ Coze 官方文档： 英文版：https://www.coze.com/docs/welcome.html 中文版：https://www.coze.cn/docs/guides/welcome

工作流的原理通常包括以下几个方面： 1. 由多个节点构成，节点是基本单元，如大语言模型、自定义代码、判断逻辑等。默认包含起始的 Start 节点和末尾的 End 节点。 2. 不同节点可能需要不同的输入参数，包括引用前面节点的参数值和自定义的输入值。 3. 一些工作流通过特定插件实现特定功能，如 SDXL Prompt Styler 插件结合 ControlNet 实现图片风格转化，其原理是在 prompt 中加入预设好的风格关键词组合。 4. 对于复杂任务场景，通过对插件、大语言模型、代码块等功能的可视化组合，实现复杂、稳定的业务流程编排，例如旅行规划、报告分析等。 5. 像生成图文短句的工作流，会包含多个步骤，如大模型生成标题、通过代码节点获取标题、生成简介、生成文案、归纳总结、传递给图像流等，并对图像流进行提示词优化和文生图等操作。

AI 工作流是将 AI 工具引入到工作流程的各个环节中，以提高工作效率。 在说 AI 工作流之前，要先了解工作流的概念。工作流即工作流程，比如写公众号文章，可拆分为选题、列大纲写初稿、改稿、写标题、排版、发布等步骤，每个步骤都有明确的输入和产出，环环相扣。 搭建 AI 工作流有一套工作流： 1. 找到一个熟悉的工作场景，如写文章、做 PPT 等。 2. 拆解工作流程，例如写文章可拆分为选题、写稿、改稿、写标题等步骤。 3. 针对每个步骤嵌入工具，可参考他人经验，灵活选择最优解，目的是提高工作效率，而非增加工作的含 AI 量。 搭建 AI 工作流需要三层能力： 1. 了解各种 AI 工具，知晓其特点和用途。 2. 学会写提示词，以便向 AI 清晰表述任务。 3. 搭建 AI 智能体，使多个 AI 工具协同工作，自动完成任务。

以下是一些类似 flowith 可以自动创建工作流并执行的产品： 1. Refly：通过明确使用场景和构建完整的 WorkFlow 来帮助创作者降低认知负担。 2. FunBlocks AIFlow：在产品设计上致力于减少用户的认知负担。 此外，ComfyUI 也可通过拖入工作流文件来自动加载工作流，例如生成绿幕素材和绿幕素材抠图的工作流，其工作流文件链接为：https://pan.quark.cn/s/01eae57419ce 提取码：KxgB 。您可以对照相关内容进行学习。

在 Coze 创建智能体或工作流的步骤如下： 1. 创建 Bot： 打开 Coze 官网 https://www.coze.cn/home 。 点击页面左上角的⊕，通过【标准创建】填入 bot 的基本信息。 2. 图像工作流： 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，调试效果。调试工作流毛坯房测试用例：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。 3. 分步构建和测试 Agent 功能： 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。 左侧「选择节点」模块中，根据子任务需要，实际用上的有插件、大模型、代码。 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。 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，完成工作流框架的搭建。 4. 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；工作流可设置固定的处理流程和业务逻辑；图像流处理和生成图像相关功能；触发器设置自动化响应条件。 知识库管理：文本存储文字类知识材料；表格结构化数据的存储和调用；照片是图像素材库。 记忆系统：变量存储对话过程中的临时信息；数据库管理持久化的结构化数据；长期记忆保存重要的历史对话信息；文件盒子管理各类文档资料。 交互优化（底部区域）：开场白设置初次对话的问候语；用户问题建议配置智能推荐的后续问题；快捷指令设置常用功能的快速访问；背景图片自定义对话界面的视觉效果。 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。

要实现公众号用智能体+工作流每天自动发《头条新闻》，可以参考以下步骤： 伊登：最新 Deepseek+coze 实现新闻播报自动化工作流 工作流程详解 第一步：内容获取 1. 只需输入新闻链接，系统就能自动提取核心内容。开始节点，入参包括新闻链接和视频合成插件 api_key。 2. 添加网页图片链接提取插件，承接开始节点的新闻链接。 3. 获取网页里的图片，以 1ai.net 的资讯为例，输入新闻后提取出很多链接，其中第一条链接通常是新闻主图，其他内容多为不重要的 icon。 4. 添加图片链接提取节点，若为节省写代码时间，可直接用大模型节点提取，只拿提取的链接集合的第一条，即可搞定新闻的主要图片。 5. 接着利用调整图片的节点，将 url 属性的图片内容转化为 image 属性的图片（因为 url 节点在画板中是 string 的格式，所以必须转为 img 格式）。 6. 对于文字部分，使用链接读取节点将文字内容提取出来。 7. 在提取链接后面接上一个大模型节点，用来重写新闻成为口播稿子，可使用最强的 DeepseekR1 模型生成有吸引力的口播内容。小 tips，如果想要加上自己的特征，可以在提示词里写：“开头加上‘这里是伊登 AI’之类的个性化台词防伪”。PS：这里的 deepseekR1 基础版本是限额使用，我们可以在专业版手动接入 DeepseekR1 手动接入推理模型。 第二步：画面生成 思路是做成一帧一帧的主图+台词，配合语音合成，保证音屏同步。 1. 用批量化节点，做成一帧一帧的画面，用画板节点完成。批量处理节点输入的是格式变化后的 json 格式的文案。 2. 画面生成的重点是：在批处理中，先把一些固定内容在画板节点安排好，比如背景图片。然后引入变量元素，比如新闻图片（已经提取并转换为 img 属性）、新闻标题（来自链接读取）、口播台词（已经提取并二创）。小 tips：想要找好看的背景图推荐去可画，挑选一个好看的视频模板然后，保存为【图片】格式，然后放在画板节点，当作底图。 第三步：语音合成 使用声音合成的官方插件，引用批处理的一句一句的新闻文案内容，可调节语速和语气，多种播音风格可选。在画板和语音合成的节点后面加入图片音频合成插件。PS：这个插件需要收费，登录 https://ts.fyshark.com//userInfo，【钱包】充值获取 token，【个人中心】获取 token，放入这个节点中，不过充值 10 元可以做好久了，这个插件适合小白同学，也有不收费的插件，但是比较吃操作，如果感兴趣也可以关注后续出相关教程。这个插件的 img_audio_video 的功能是把图片+视频合成，这样就实现了一段一段的口播新闻内容。 【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） 三、搭建工作流 13、循环将推送内容插入数据库 将本轮推送给用户的内容，写入数据库，下次从 rss 列表中如果再抓取到相同内容，直接跳过，避免重复推送。使用「循环」节点，输入项为第 8 步代码输出的 content_urls，这里有完整的文章内容信息。循环体设置：使用「数据库」节点，输入项为本循环节点 item 中的 url 和 suid，SQL 也是用 AI 生成的。设置循环节点的输出项：output，参数随便选，后边也用不到了。 14、结束节点 选择第 11 步输出的内容，可以在 bot 中也查看到推送的内容。 15、试运行 工作流终于搭建完了，点击右上角的试运行，选择绑定的 bot，输入数据测试。Key：输入你的 server 酱的 sendkey。rss_list：如果你没有现成的数据，可以白嫖我这个，复制下方这两条数据测试使用。试运行结果：如果工作流设置的没有问题，你会在工作流中看到这样的结果。同时，微信上也会收到这条推送，可以查看总结内容，点击链接可以查看公众号原文。点击右上角发布。

以下是一些日常工作中的 AI 应用场景推荐： 教师工作： 定制内容场景：可根据学生认知和水平筛选和定制课程材料。 制作课件场景：用 Markdown 语法列出大纲，生成基础课件。 教学执行：协助小组活动、设计分层教学、个性化教学、提供实时反馈、提供策略和知识支持。 学生评估：设计评估，可模仿各类考试题型，生成各种主观反馈和报告，比如写作口语批改反馈、期末学生评价。 深度学习场景：学习学生心理支持，可提供具体场景做案例分析。 专业成长：论文写作辅助、撰写材料，如工作总结、活动简报、领导发言稿、工作邮件，策划活动，如调查问卷、艺术节策划、教师活动策划，行政工作，公众号排版、排校历、排课表。 计划相关： 共学相关。 网页连接制作。 创意构思。 开发网页、小程序、App、桌面应用、浏览器插件等。 本地跑的 PC 应用，如计算器等。 算法学习： 分类问题：例如文本分类、图像识别、手写数字识别、医学诊断等。 回归问题：例如房价预测、股票价格预测等。 异常检测：识别异常值或离群点。 推荐系统：找到与用户兴趣最相似的其他用户或物品，并基于相似性进行推荐。 图像分割：识别图像中的区域，并进行图像分割。 聚类分析：用于聚类任务，尤其是当数据集中的簇不是明显的球形或高斯分布时。