dify工作流中agent节点怎么使用

AI workflow 和 Agent 在企业中的应用价值和场景各有特点。 Agentic Workflows 具有以下优势： 1. 灵活性、适应性和可定制性：能够根据任务难度进行调整和演变，通过组合不同模式实现定制，在需求和复杂性增长时进行迭代升级。 2. 在复杂任务上的性能提升：将复杂任务分解为更小、可管理的步骤，显著优于确定性的零样本方法。 3. 自我纠正和持续学习：能够评估自身行为，完善策略，从过去经验中学习，在每次迭代中变得更有效和个性化。 4. 操作效率和可扩展性：可以高精度自动化重复任务，减少人工操作和运营成本，还能轻松扩展。 Agentic Workflow 的应用场景包括原子设计模式的组合、与人类反馈循环集成等。例如，Agentic RAG 在检索增强生成流程中引入了一个或多个 AI Agents，在规划阶段可进行查询分解等操作，还能评估数据和响应的相关性和准确性。 一般来说，Workflow 是一系列旨在完成特定任务或目标的相互连接的步骤。最简单的工作流是确定性的，遵循预定义步骤序列。有些工作流利用大模型或其他 AI 技术，分为 Agentic 和非 Agentic 两类。非 Agentic 工作流中，大模型根据指令生成输出。Agentic Workflow 是由单个或几个 AI Agents 动态执行的一系列连接步骤，被授予权限收集数据、执行任务并做出决策，利用 Agents 的核心组件将传统工作流转变为响应式、自适应和自我进化的过程。 综上所述，不能简单地说 AI workflow 在企业中比 Agent 应用价值和场景更多，这取决于企业的具体需求和任务特点。

常见的工作流与 Agent 开发平台如下： AI Workflow 开发平台： Coze：新一代 AI Bot 开发平台，集成了丰富的插件工具，有国际版和国内版。 Dify：开源平台，支持自定义和插件。 腾讯元器。 FastGPT：国内知名，支持自定义流程。 影刀&zapier。 Leap。 Betteryeah：立足 RPA 场景，用 AI 将用户需求生成工作流，并通过 RPA 自动化，产品形态与 Coze 相似，是企业级的 AI 应用开发平台。 Flowise：快速实现智能体搭建。 BISHENG：主攻 tob 场景的开源 LLM 搭建平台，与 fastgpt 功能类似，但面向的客户不同，整体功能和部署成本更重。 Agent 构建平台： Coze：具有拓展强、好上手、不用出国等优点。 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。 文心智能体：百度推出的基于文心大模型的智能体平台。 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设计良好的工作流。 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于客服、营销、销售等多种场景。 钉钉 AI 超级助理：依托于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。 此外，Inhai 的 Agentic Workflow 将一整套工作流组合起来，每个工具在每一个节点执行一个任务。LangGPT 提示词框架应用了 CoT 完成从输入到思维链再到输出的映射。

AI Agent 涉及的技术包括以下方面： 1. 长期任务执行技术：能够将复杂、跨度长的任务分解为小步骤，并在执行中保持目标导向和适时调整策略。 2. 多模态理解技术：能同时理解文字、图像、声音等多种交流方式，通过多种感官理解世界和任务上下文。 3. 记忆与行动技术：通过先进的记忆机制积累经验，记住对话、操作步骤和效果，使行动更精准高效。 4. 自适应学习技术：从每次交互中吸取经验，不断完善策略，实现“智慧成长”。 在技术层面，AI Agent 的发展有两条技术路线： 1. 以自主决策为核心的 LLM 控制流，代表了 AGI 的探索方向。 2. 以工作流（Workflow）编排为重点的工具集成系统，加速了 AI 落地应用。 特别值得关注的是 Anthropic 提出的 MCP（Model Context Protocol），其本质是一个通用接口协议，能解决让 AI 模型以标准化、可扩展方式与外部世界交互的问题。 此外，强化学习（RL）也是 AI Agent 的重要技术，起初主要依托策略搜索和价值函数优化等算法，如 Qlearning 和 SARSA。随着深度学习技术兴起，深度神经网络与强化学习结合形成深度强化学习，赋予 Agent 从高维输入中学习复杂策略的能力，如 AlphaGo 和 DQN 等。但强化学习面临训练周期长、采样效率低和稳定性等问题。其特点是通过试错学习最优行为策略以最大化累积奖励，时间始于 20 世纪 90 年代至今，技术包括 Qlearning、SARSA、深度强化学习（结合 DNN 和 RL），优点是能够处理高维状态空间和连续动作空间，缺点是样本效率低、训练时间长。

AI chatbot、agent、copilot 主要有以下区别： 1. 定义和角色： Copilot：翻译成副驾驶、助手，在帮助用户解决问题时起辅助作用。 Agent：更像主驾驶、智能体，可根据任务目标自主思考和行动，具有更强的独立性和执行复杂任务的能力。 Chatbot：具备基本对话能力，主要依赖预设脚本和关键词匹配，用于客户服务和简单查询响应。 2. 核心功能： Copilot：更多地依赖于人类的指导和提示来完成任务，功能很大程度上局限于在给定框架内工作。 Agent：具有更高的自主性和决策能力，能够根据目标自主规划整个处理流程，并根据外部反馈进行自我迭代和调整。 3. 流程决策： Copilot：处理流程往往依赖于人类确定的静态流程，参与更多是在局部环节。 Agent：解决问题的流程由 AI 自主确定，是动态的，不仅可以自行规划任务步骤，还能根据执行过程中的反馈动态调整流程。 4. 应用范围： Copilot：主要用于处理简单、特定的任务，更多是作为工具或助手存在，需要人类引导和监督。 Agent：能够处理复杂、大型的任务，并在 LLM 薄弱的阶段使用工具或 API 等进行增强。 5. 开发重点： Copilot：主要依赖于 LLM 的性能，开发重点在于 Prompt Engineering。 Agent：同样依赖于 LLM 的性能，但开发重点在于 Flow Engineering，即在假定 LLM 足够强大的基础上，把外围的流程和框架系统化。 以下是一些 Agent 构建平台： 1. Coze：新一代一站式 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。 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，以及部署 Copilot 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，适用于多种场景，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方面表现出色。 以上信息由 AI 大模型生成，请仔细甄别。

以下是一些可以抓取公众号文章的方法和相关信息： 1. 可以通过读 SQLiteDB 或者获取 RSS XML 页面（http://127.0.0.1:4000/feeds/all.atom）来获取更新的公众号。个人选择在公众号订阅不太多时，建议使用分析 XML 页面，比较简单。可以写个程序获得公众号的更新文章，由于本地部署，无法直接将文章同步到 Coze，所以选择使用多维表格（当在线数据库，事实飞书多维表格后台也是使用类似 redis 或 TiDB 这样的数据库实现的）及飞书机器人 API 的方式来实现中间数据的传递。只要在多维表格中设置一个状态转换，就可以知道文章是否已经被解读和推送。 2. 可以通过文章链接订阅公众号，定时推送情报消息，并实现情报 CoT 问答。例如使用 Docker 浏览器打开：http://127.0.0.1:4000 也可以 http://wewerss 服务的 IP:端口为上面设置的外部端口。先点帐号管理，然后点“添加读书帐号”（即使用微信读书来实现公众号订阅），扫码添加帐号。然后在公众号源上，点添加。然后将想订阅的公众号的一篇文章链接粘贴并点确定即可订阅公众号文章。但建议不要短时间订阅太多公众号（经测试最好不要超 40 个）。 3. 瓦斯阅读平台可以抓取公众号的内容，但平台上公众号不太全。 4. GitHub 上的 WeWe RSS 工具可以通过微信读书的方式订阅公众号。

钉钉多维表格本身不属于 Agent，但在某些特定的场景和应用中，可以将其与其他技术结合来构建类似于 Agent 的功能。 例如，在搭建信息情报官 Agent 的过程中，会利用飞书多维表格作为中间数据的传递工具，实现数据的存储和状态转换。同时，经过调研发现，飞书多维表格插件支持新增和查询数据表记录，能满足存储和检索数据的需求，为构建 AI 智能体提供支持。但这并不意味着多维表格本身就是 Agent，而是在特定的技术架构和应用中发挥了重要的数据处理和存储作用。

以下是一些可以搜到 Dify 相关学习资料的途径： 1. 您可以通过以下链接获取相关学习资料：https://docs.dify.ai/v/zhhans/gettingstarted/installselfhosted/dockercompose 。这些命令通常在宝塔面板的终端安装，若想了解命令的含义，可直接询问 AI 。 2. 微信文章： ，该文章介绍了如何在几分钟内使用 Dify 平台快速定制网站的 AI 智能客服，即使是非技术人员也能操作。 请注意，以上内容由 AI 大模型生成，请仔细甄别。

Dify 是一个开源的大模型应用开发平台： 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，进行清洗、分段等预处理以确保数据质量。 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），根据实际需求选择，如追求高准确度可选高质量模式。 集成至应用：将数据集集成到 Dify 的对话型应用中，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，对知识库内容和索引方式持续优化和迭代，定期更新增加新内容。 平台特点： 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，提供功能丰富的提示词 IDE 和全面的 RAG Pipeline 用于文档处理和检索。 允许用户定义 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 等提供支持和工具。 官方手册：https://docs.dify.ai/v/zhhans 。一般来说，个人研究推荐单独使用 Dify，企业级落地项目推荐多种框架结合。

以下是关于 Dify 的教程： Differential Diffusion 教程： 技术适用场景：特别适用于需要保持图像整体一致性和自然感的场景。 软填充技术：用于平滑填补图像空白或损坏部分，同时细微调整周围区域，确保新填充内容与原始图像无缝融合。 强度扇：一种可视化不同编辑强度效果的工具，帮助用户通过可视化方式理解不同编辑强度的效果。 无需训练或微调：操作仅在推理阶段进行，不需要对模型进行额外训练或微调。 与现有扩散模型兼容：可集成到任何现有的扩散模型中，增强编辑和生成能力，适用于 Stable Diffusion XL、Kandinsky 和 DeepFloyd IF 等不同的扩散模型。 主要功能特点： 精细的编辑控制：通过引入变化地图，可对图像每个像素或区域指定不同变化程度，支持离散和连续编辑。 文本驱动的图像修改：通过文本提示指导图像修改方向。 软填充技术：在填补图像空白或修复部分时，能细微调整周围区域确保无缝融合。 Dify 接入企业微信教程： 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： 理念：结合后端即服务和 LLMOps 的理念。 特点：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。具有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 和全面的 RAG Pipeline 用于文档处理和检索。允许用户定义 Agent 智能体，通过 LLMOps 功能对应用程序性能持续监控和优化。 部署选项：提供云服务和本地部署，满足不同用户需求。 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，旨在帮助用户将 AI 应用的创意快速转化为现实。 推荐使用方式：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。 Dify 官方手册：https://docs.dify.ai/v/zhhans

以下是登录 Dify 的步骤： 1. 腾讯云一键部署： 重装服务器系统，安装宝塔面板（可视化服务器管理），登陆凭证选自定义密码。 控制面板 服务器 查看详情，找到【应用信息】卡片，点击管理应用。 放行防火墙端口：直接点上面的防火墙链接跳转，添加规则。 获取宝塔面板的账号密码：复制上面的命令，点击左侧菜单栏的自动化助手 个人命令 创建命令（选择自己服务器所在的地区），根据截图填写，然后保存。点击命令后面的【执行】，等执行成功，回到左侧菜单选择【执行记录】，查看任务详情里就能看到登录信息，把红框框出来的部分自己保存好。外网面板地址就是登录地址，复制到浏览器打开，填完账号密码就能成功登录。 Docker 安装：登陆成功 bt 面板之后，点击左侧菜单栏【Docker】，按提示来。 2. 申请云服务器部署： 申请云服务器按照相关教程来，先不需要领免费大模型接口，后期在 dify 上领。切记要选择腾讯云服务器。 复制“外网面板地址”粘贴到浏览器的地址栏登录。

以下是关于使用扣子读取飞书文档的详细步骤： 扣子是字节跳动在 2024 年上线的新一代一站式 AI Bot 开发平台，也被称为“字节版 GPTs”。它是一个低门槛的 AI 应用开发平台，其核心目标是让没有编程基础的用户也能够轻松参与到 AI 生态的建设中。 登录后，在左侧功能列表中的工作空间，点击右上角“+字段”创建工作流，名称和描述自行输入。 关于读取飞书表格内容的配置： 1. 点击开始节点后面的“+”，搜索“飞书多维表格”，选择“search_record”功能。 2. 添加后，点击该节点的配置，在界面右侧的参数框中，需要填写 app_token 和 field_names。filter 是对数据的筛选条件，没有筛选需求可直接忽略。 app_token：多维表格的唯一标识符，即表格 URL 中的一段。 field_names：要读取的具体字段，这里需要的是“标题”、“内容”，作为海报的输入。 该节点运行后，就能将多维表格中的内容提取出来。

在工作流中调用插件的方式如下： 1. 触发器触发： 为 Bot 设置触发器，可选择定时触发或事件触发。 触发时执行任务的方式包括 Bot 提示词、调用插件、调用工作流。 调用插件时，需为触发器添加一个插件，触发后 Bot 会调用该插件获取返回结果并发送给用户。 一个 Bot 内的触发器最多可添加 10 个，且仅当 Bot 发布飞书时生效。 2. 在 Bot 内使用插件： 在 Bots 页面，选择指定 Bot 并进入 Bot 编排页面。 在 Bot 编排页面的插件区域，单击加号图标添加插件，或者单击自动添加图标，让大语言模型自动添加适用的插件。使用大语言模型自动添加插件后，需检查被添加的插件是否可以正常使用。 在添加插件页面，展开目标插件查看工具，然后单击添加。单击我的工具，可查看当前团队下可用的插件。 在 Bot 的人设与回复逻辑区域，定义何时使用插件，然后在预览与调试区域测试插件功能是否符合预期。 3. 在工作流中使用插件节点： 在页面顶部进入工作流页面，然后创建工作流或选择一个已创建的工作流。 在页面左侧，单击插件页签。 搜索并选择插件，然后单击加号图标。 在工作流的画布内，连接插件节点，并配置插件的输入和输出。 需要注意的是，即使是官方插件也可能存在不稳定的情况，需要自己去尝试，找到适合当前场景的插件。

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。

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”。

在 ComfyUI 中，关于 Tile 平铺预处理器的使用方法如下： 1. 平铺和切片都是用于处理大尺寸视频的技术，可以帮助在有限的 GPU 内存下处理高分辨率视频。 tile_sample_min_height:96，最小平铺高度。 tile_sample_min_width:96，最小平铺宽度。这两个参数定义了在使用平铺时的最小尺寸。 tile_overlap_factor_height:0.083，高度方向的重叠因子。 tile_overlap_factor_width:0.083，宽度方向的重叠因子。这些因子决定了平铺时各个块之间的重叠程度。 enable_vae_tiling:设置为 false，表示不启用 VAE（变分自编码器）的图像平铺。 enable_vae_slicing:设置为 false，表示不启用 VAE 切片。如果启用了平铺（tiling），它会将大图像分割成小块进行处理，然后再组合起来，这有助于处理大分辨率的视频。VAE 切片（如果启用）可以通过分割输入张量来分步计算解码，这有助于节省内存。 2. 将您的 ComfyUI 更新到最新。 3. 将 clip_l 和 t5xxl_fp16 模型下载到 models/clip 文件夹。确保您的 ComfyUI/models/clip/目录中，有 t5xxl_fp16.safetensors 和 clip_l.safetensors，您可以改用 t5xxl_fp8_e4m3fn.safetensors 来降低内存使用量，但如果您的 RAM 超过 32GB，建议使用 fp16。跑过 flux 就有这些模型，没有的话翻之前文章有下载。 4. 在您的 ComfyUI/models/vae/文件夹中，有 ae.safetensors。 5. 将最开始下载的 flux1filldev.safetensors 放于 ComfyUI/models/unet/文件夹中。 6. 使用 flux_inpainting_example 或者 flux_outpainting_example 工作流。

在 Coze 工作流中存在提示词优化节点。这个节点比较容易理解，如果觉得提示词需要优化，可加入该节点进行处理。其参数很简单，只有一个要优化的提示词。例如，用一开始就在用的文生图提示词“1 girl in real world”进行试用。优化后添加了很多具体信息，如在带着好奇心看书，环境中有阳光，色彩搭配的特点等。但修改后的提示词在控制图片生成真实照片的感觉方面，“in real world”控制真实图片生成的效果比“realistic”好。

以下是 AI 在平面设计工作流中提高效率的具体步骤和相关信息： 1. 工具选择 主要工具：Midjourney 和 Stabel Diffusion。 辅助工具：RUNWAY 和 PS beta 等。 2. 工作流效果 创意多样：设计解决方案更为多样和创新，项目中不同创意概念的提出数量增加了 150%。 执行加速：AI 生成的设计灵感和概念显著缩短了创意阶段所需时间，设计师在创意生成阶段的时间缩短了平均 60%。 整体提效：在整体项目的设计时间减少了 18%。 3. 提升能力的方法 建立针对性的 AI 工作流：使用 lora 模型训练的方式，生成特定的形象及 KV 风格，建立包含品牌形象、风格视觉 DNA 的模型，并根据实用场景进行分类。 实用的模型训练：在营销活动期间，根据市场环境和消费者偏好的变化迅速调整 lora 模型。 AI 设计资产储备：建立和管理 AI 设计资产，沉淀相关知识、技能、工具，促进团队内部的知识积累和提升。 此外，对于建筑设计师审核规划平面图，以下是一些可用的 AI 工具： HDAidMaster：云端工具，在建筑、室内和景观设计领域表现出色，搭载自主训练的建筑大模型 ArchiMaster。 Maket.ai：面向住宅行业，在户型和室内软装设计方面有探索，能根据输入需求自动生成户型图。 ARCHITEChTURES：AI 驱动的三维建筑设计软件，在住宅设计早期可引入标准和规范约束设计结果。 Fast AI 人工智能审图平台：形成全自动智能审图流程，实现数据的汇总与管理。 但每个工具都有其特定应用场景和功能，建议根据具体需求选择合适的工具。

以下是一些节点式 AI 对话工具： 1. Coze 中的问答节点： 是 Coze 工作流中的重要组件，能让机器人主动收集用户信息，实现更自然的对话交互。 可收集用户具体需求和信息，引导用户选择特定功能或服务，确保获取完整必要信息。 有两种问答方式：直接回答模式，用户用自然语言自由回答，bot 提取关键信息；选项回答模式，提供预设选项供用户选择，适用于功能选择菜单、分步骤引导、服务类型分类等。 配置说明包括选择执行此节点的模型、设置输入参数、提问内容、回答类型和输出等。 2. Coze 中的图像流节点： 专门用于图像处理，可通过可视化操作添加图像处理节点构建流程生成图像。 图像流发布后可在智能体或工作流中使用。 3. Coze 中的大模型节点： 调用大语言模型，使用变量和提示词生成回复。 模型方面，基础版和专业版按需使用，专业版支持接入更多模型资源。 模型选择右下角有生成多样性设置，包括精确模式、平衡模式和创意模式。 输入包括智能体对话历史、参数名与变量值，变量值可引用前面链接过的节点的输出或进行输入。

您学习 ComfyUI 和 Flux 一段时间后准备学习 Python 开发 ComfyUI 节点并对接模型，这个方向是可行的。以下是一些相关的知识和要点供您参考： 工作流方面： 工作流节点可直接拖动单个节点到任意位置，也可按住 Control 键并用鼠标左键滑框选中多个节点，再按 Shift 键一起拖动。 选中节点后右键新建组，可修改组名、颜色等，组被覆盖时可直接拖动组。 选中节点后右键选择对齐方式，如顶部对齐、左边对齐等。 第三方节点的安装方式包括在 customer NODE manager 中安装、在 GitHub 上复制链接安装、通过终端输入指令安装、在秋叶启动器的版本管理中安装。 可通过 group by Parser 节点控制组，也可通过按住节点按 control b 跳过或按 control m 终止执行。 模型方面： 噪声强度由种子调节，种子固定噪声分布方式，噪声与 CLIP 无关，增大噪声设置值会增强模型对图片重绘的程度。 模型版本的提示词差异：1.5 以 tag 为主，XL 论文称以自然语言为主，但实际使用中因模型微调情况可能仍需用 tag。 Flux 模型有时生成黑图，可能有修复方案，需自行查询。图像生成结果为空，可能是 VAE 编码器与大模型未连接，调整连接后问题解决。 安装方面： 自动打标 joy_caption 副本的节点安装地址为 D:\\ComfyUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes。 安装步骤包括：（Comfyui evn python.exe）python m pip install rrequirements.txt 或点击 install_req.bat，注意 transformers 版本不能太低。 下载模型或者运行 ComfyUI 自动下载模型到合适文件夹，如从 https://huggingface.co/unsloth/MetaLlama3.18Bbnb4bit 下载并放到 Models/LLM/MetaLlama3.18Bbnb4bit 文件夹内。 新版的 PuLID 解决了模型污染的问题，使用新版的节点需要禁用或者删除之前的 PuLID 节点，不然可能会有冲突问题。模型放在 ComfyUI\\models\\pulid 文件夹里面，注意用新版的。 如果使用 PuLID，还需要安装 EVA CLIP 等模型。

在 ComfyUI 搭建音频节奏生成 AI 抽象粒子视觉效果的工作流，您可以参考以下内容： 1. 大模型节点： 您可以根据自己的风格选择不同的大模型，推荐使用： AWPainting，链接：https://civitai.com/models/84476/awpainting primemixanything，链接：https://civitai.com/models/75089/primemixanything xxmix9realistic v40，链接：https://civitai.com/models/47274/xxmix9realistic 2. 关键词节点： 可以使用工作流内的关键词，也可以输入自己的正负面关键词。 3. Lora 节点： 可根据自己风格搭配进行选择，如需多个 Lora 可进行串联。 4. ControlNet 节点： 选用 qrcode_monster V2 版本，相比于 V1 版本 V2 版本识别性更强。下载需要魔法，没有魔法的同学文末领取模型。下载链接：https://huggingface.co/monsterlabs/control_v1p_sd15_qrcode_monster/tree/main/v2 5. 采样器节点： 所有生图的老演员了，Step 要选择高步数，35 50 即可。采样器默认的 euler a /dpmpp 2m sde 基础节点介绍： 1. Checkpoint 基础模型（大模型/底模型）节点： 属于预调模型，决定了 AI 图片的主要风格。输出连接：Model 连接 KSampler 采样器的 Model；Clip 连接终止层数的 Clip；Vae 连接 VaeDecode 的 Vae。 2. Clip 终止层数（clip skip）节点： ComfyUI 的是负数的，webUI 的是正数。输出入点：Clip 连接 Checkpoint 基础模型的 Clip。输出节点：Clip 连接 Prompt 节点的 Clip。正向提示词和负面提示词各一个。 3. Prompt 节点： 输出入点：Clip 连接 Clip 终止层数节点的 Clip。输出节点：正向提示词和负面提示词各连接一个。 4. KSampler 采样器： 输出入点：Model 连接 Checkpoint 基础模型；Positive 连接正向提示词；negative 连接负面提示词；latent_imageL 连接 Empty Latent Image 潜空间图像的 Latent。输出节点：Latent 连接一个 VAE 的 Samples。 5. Empty Latent Image 潜空间图像： 设置出图尺寸，例如 10241024。输出入点：Latent 连接 KSampler 采样器的 Latent。 此外，还有一些根据插件整理的工作流，您可以先随便选择一个“文生图”中的“基础+自定 VAE”。选好之后，点击“替换节点树”。界面中就会出现已经连接好的工作流节点（如果没看到，就按一下 home 键），包括大模型、clip、vae、正反提示词、尺寸，采样器等所有在 webUI 中熟悉的参数，而且全都是中文面板。打开模型节点，可以看到 webUI 中的模型全部都在。这次先不更改参数，点击“运行节点树”，直接生成。此时会提醒您是否启用 ComfyUI，点击确定即可。等待一会，就能在最后一个节点预览图中看到生成的图片。点击这里就可以打开后台，看到出图时间。

大模型的发展时间线和关键节点如下： 2017 年：发布《Attention Is All You Need》论文。 2018 年： Google 提出 BERT，创新性地采用双向预训练并行获取上下文语义信息及掩码语言建模。 OpenAI 提出 GPT，开创仅使用自回归语言建模作为预训练目标的方式。 2021 年：Meta 提出 Large LAnguage Model Approach（LLAMA），成为首个开源模型。 2022 年 11 月 30 日：ChatGPT 发布，在全球范围内掀起人工智能浪潮。 2022 年 12 月：字节云雀大模型等出现。 2023 年： 国内大模型发展大致分为准备期（国内产学研迅速形成大模型共识）、成长期（数量和质量逐渐增长）、爆发期（开源闭源大模型层出不穷，形成百模大战态势）。 关键进展包括：Meta 开源 Llama2、OpenAI 发布多模态 GPT4V 及 GPT4 Turbo、百川智能开源 Baichuan7B 及 Baichuan2、百度升级文心一言 4.0、清华&智谱 AI 开源 ChatGLM2 及清华开源 ChatGLM3、腾讯发布混元助手等。 当前最前沿的新闻包括：过去半年，国内领军大模型企业实现了大模型代际追赶的奇迹，从 7 月份与 GPT3.5 的 20 分差距，到 11 月份测评时已在总分上超越 GPT3.5。

要在 ComfyUI 中一键连接节点，可以按照以下步骤进行操作： 1. 了解成对的节点：SetNode 可当成无线发射器，GetNode 可当成无线接收器。一个发射器可以对应多个接收器，但它是定向发射的，不会自动连接。 2. 添加节点的方式：推荐在普通节点上点击右键，找到“添加设置节点”和“添加获取节点”。需注意从输出拉出连线后的查找节点列表里找不到这两个节点。 3. 具体连接操作：将输出连接到“SetNode”节点上，并为其起一个好记的名字。在要连入的节点附近添加“GetNode”节点，选择刚刚起的名字，把这个节点和要输入的部分连接上即可。 此外，ComfyUI 的核心是其节点式界面，节点类型包括输入节点（如文本提示节点、图像输入节点、噪声节点等）、处理节点（如采样器节点、调度器节点等）、输出节点（如图像输出节点）和辅助节点（如批处理节点、图像变换节点等）。用户可以通过拖动节点之间的连接线来构建整个工作流，还可以创建自定义节点来扩展功能，自定义节点安装目录为 D:\\ComfyUI\\custom_nodes。ComfyUI 的界面包括顶部工具栏（包含全局操作和工具）、左侧面板（用于显示节点库）和中央画布（主要工作区域）。

在 Coze 工作流中，使用循环体节点将中间 current 值在循环体内加一并赋值给中间变量 curent 的方法如下： 1. 循环节点支持设置中间变量，此变量可作用于每一次循环。中间变量通常和循环体中的设置变量节点搭配使用，在每次循环结束后为中间变量设置一个新的值，并在下次循环中使用新值。 2. 各个节点配置如下： 循环节点：将中间变量设置为指定值（如 last_paragraph ），参数值设置为一个空格。首次循环中生成第一个段落时，不需要参考大纲以外的任何内容，所以将循环变量的值指定为一个空格，您也可以按需设置为其他内容。 循环体中的设置变量节点：中间变量选择循环节点中设置的中间变量（如 last_paragraph ）；设置值选择大模型的输出参数 output ，表示开始下次循环前，将本次循环中大模型生成的段落赋值给循环变量。 循环体中的大模型节点节点：添加 2 个输入参数，分别引用循环节点的内置变量 item 和循环变量，并在提示词中指定生成文章段落时参考上个段落的内容。 3. 中间变量的设置方法： 初始化变量：在循环开始前，设置中间变量的初始值（如空值、0 或默认文本）。 动态更新：每轮循环结束时，将当前任务的输出赋值给中间变量。 数据类型一致性：确保中间变量的类型（如字符串、数组）与任务输出类型一致。 4. 注意事项： 中间变量的更新逻辑需符合业务流程的需求。 变量过多可能增加复杂度，建议尽量简化。 此外，循环体画布是循环节点的内部运行机制，用于编排循环的主逻辑，每个循环迭代中，工作流会依次执行画布内的各个节点。选中循环体时，才能向循环体中添加新节点，或拖入新节点至循环体画布。循环体中无需设置开始节点或结束节点，默认按照连接线的箭头方向依次执行各个节点。设置变量节点、继续循环节点和停止循环节点只能在循环体中使用。不支持将循环体外部的节点拖动至循环体内，循环体中的节点也不可移动到循环体之外。循环节点的输出参数可设置为循环体的执行结果集合，表示当数组中所有元素运行完毕之后，将所有循环的运行结果打包输出给下游。也支持设置为循环变量的取值。配置循环节点之后，还需要试运行这个节点，查看其输入输出是否符合预期。调试结束后，循环节点的运行结果中会显示循环节点在多轮循环之后汇总的输入输出内容。循环体中的每个节点也会展示每次循环中的输入输出、变量赋值内容。