在扣子平台上，可以使用除豆包之外的其他模型，如 MiniMax、GLM、BaiChuan 等。不同模型能力各异，生成质量有所不同。一般性任务通常能一次性满足需求，专业性任务建议选择性能更好的模型并手动调整。
扣子是国内知名度较高的 AI 应用产品，功能丰富，支持知识库、工作流和插件等多种功能，其社区市场完善，用户可选择官方或其他用户创建的插件和内容。但普通版本和专业版主要接入国内模型，专业版只能选择豆包 pro 系列模型，可能存在性能问题，如批量处理时某些模型并发处理能力不稳定，长时间运行可能崩溃，且国内大模型在某些方面不够成熟，可能出现小问题。
在 Coze 上，GLM 模型和 MoonShot 模型对结构化提示词理解良好，适合处理精确输入输出任务，豆包系列模型在角色扮演和工具调用方面表现出色，将这三种模型结合在工作流或多 Agent 中可实现优势互补。
都说光说不练假把式，这个提示词母体到底能不能用，或者说在国内的这些模型上能不能适配呢？我决定亲自试一试。我在扣子平台上测试了6个不同的模型，包括豆包、MiniMax、GLM、BaiChuan等。这些模型都能够成功生成对应的提示词模板，验证了提示词母体的实际应用效果。不过，尽管这些模型都能生成对应的提示词模板，但由于不同模型的能力各异，生成的质量也有所不同。对于一般性任务，这些模型生成的模板通常一次性就能满足需求，基本不需要再进行调整。然而，如果用于专业性任务，建议选择性能更好的模型，生成后再进行手动调整。最后，在扣子平台上进行测试的过程中，我遇到了一个问题：豆包角色扮演模型似乎无法直接应用这个提示词模板。面对这种情况，我们应该如何调整策略？对于需要角色扮演功能的特殊模型，我们应该选择什么样的提示词来适配？这些问题，我将在拟人化提示词母体中继续探讨，敬请期待！最后，如果有需要完整提示词的小伙伴，可以关注我领取，希望你喜欢这篇文章。
国内版的扣子是一款在AI应用领域知名度极高的产品。如果您经常接触AI应用，很可能已经听说过它。扣子在国内AI应用市场中占据了重要地位，其功能丰富，支持知识库、工作流和插件等多种功能。相较于Dify，扣子的一大优势在于其完善的社区市场。用户可以选择使用官方推出的插件或AI Agent，也可以使用其他用户创建的内容。这种开放的生态系统使得扣子在易用性方面表现出色，许多插件和工作流都可以直接使用，无需自行搭建。然而，扣子也存在一些潜在的使用限制。普通版本&专业版主要接入国内模型，其中专业版只能选择豆包pro系列模型，这可能导致某些情况下的性能问题。例如，在进行批量处理时，某些模型的并发处理能力可能不够稳定，长时间运行后可能会崩溃。此外，由于国内大模型在一些方面还不够成熟，可能会出现一些意料之外的小问题。
在结束第五章节之前，我们需要来考虑下模型选择的问题。在Coze上，GLM模型和MoonShot模型因其对结构化提示词的良好理解而受到青睐。这些模型能够较为准确地解析和响应那些格式规范、结构清晰的指令，使得它们非常适合处理需要精确输入和输出的任务。另一方面，豆包系列模型则在角色扮演和工具调用方面表现出了特别的亲和力。这些模型不仅能够识别用户的意图，还能够智能地选择合适的工具或服务来执行用户的指令，从而实现更加流畅和直观的人机交互。将这三种模型结合在一个工作流或多Agent中，可以实现优势互补，创造出一个强大而灵活的工作流或多Agent。例如，GLM和MoonShot模型可以处理语言理解和生成的任务，而豆包模型则负责工具的调用和用户意图的识别，这样的搭配能够确保工作流的高效运行和用户需求的准确响应。