大家好，我是大圣，一个致力于使用AI工具和技术将自己打造为超级个体的程序员

目前沉浸于AI Agent技术无法自拔，欢迎一起讨论玩耍！

我已经在视频号进行了2个小时的直播分享，如果有需要，欢迎联系我获取直播回放

文章首发于掘金：未经作者（微信ID：nmbbAI666）允许，禁止转载

首先说个好消息！上一篇关于免费白嫖GPT4.0的教程爆了！

好多小伙伴后台私信我Coze是个啥玩意。

说实话，掘金上已经有很多关于Coze的教程了，但是我感觉还是不够小白。

于是我肝了4天，终于产出了这篇胎教级别的教程，话不多说，我们直接开始！

一、AI Agent 指南

讲到Coze这款产品，必须要先了解其背后的技术AI Agent！

这一小节我期望通过几个小例子可以让你快速了解AI Agent的组成和概念

1.1 什么是 Agent

Agent，我们一般将其翻译为代理人、代理商等。

在人工智能领域，Agent 通常被定义为一种具有感知能力的实体，它能够通过对其所处环境的观察来做出相应的决策和反应。这种 Agent 既可以是软件形式的程序，例如对话机器人，也可以具备物理形态，比如扫地机器人

1.2 什么是 AI Agent

在了解 AI Agent 之前，我们先考虑一个场景：我们要写一本 20 万字的关于人工智能最新技术的书

在没有大模型之前，我们一般会按照如下流程

• 第一步：先使用搜索引擎搜索一些相关书籍和信息进行阅读，为我们打开思路
• 第二步：形成本书的大纲，并且考虑清楚每一章节要编写的内容
• 第三步：针对每一个章节进行内容的编写，在编写过程中可能会调整文章的大纲
• 第四步：在编写后面章节的时候可能会忘记前面写的内容，需要去翻阅前面已经写的内容
• 第五步：文章初步完成之后，我们可能会找相关专业人士帮忙修改
• 最后：经过几番调整之后，书籍最终成型

在大模型出现之后，我们可能会这样使用：

请你帮忙生成一篇 20 万字的关于人工智能最新技术的

这个时候我们会发现 AI 写出来的书根本就无法阅读，是大模型的能力不行么？不仅仅因为这个，相比于第一种写书的方式，第二种方式明显缺少了几个环节

• 没有办法使用 Google 获取最新的外部信息（大模型的训练数据是有日期限制的）
• 没有对整个事情进行规划（比如先写大纲，再编写每个章节，然后和别人讨论，最后成文）
• 大模型没有记忆的能力，由于上下文（脑容量）的限制，无法一次性完成 20 万字的文章，会造成前言不搭后语的现象

而 AI Agent 就是为了解决这个问题。

AI Agent 是应用了大模型（LLM）能力的 Agent。

以 GPT 为代表的大模型的出现，将 Agent 的能力提高到了前所未有的高度。AI Agent 又被称为智能体。

OpenAI 的 Lilian Weng 将以 LLM 为驱动的 AI Agent，形式化为如下的公式：

AI Agent = LLM（大模型） + Planning（规划） + Memory（记忆） + Tools（工具）

也就是说：AI Agent 由如下几部分组成，我用一个管理花园的园丁的例子来说明每个模块的作用

1. LLM（大模型）：就像园丁的智慧和知识库，它阅读了海量的园艺书籍和资料，不仅知道各种植物的名字，还懂得如何照顾它们。在 AI Agent 中，LLM 提供了庞大的信息存储和处理能力，以理解和响应我们提出的各种问题。
2. Planning（规划）：园丁需要规划整个花园的布局。AI Agent 的规划功能，就像园丁制定种植计划，决定先种哪些花草、后种哪些蔬菜，或者如何分步骤修剪树冠。
3. Memory（记忆）：这类似于园丁的笔记本，记录了每个植物的种植时间、生长情况和前一次施肥的时间。记忆模块让 AI Agent 能记住以往的经验和已经完成的任务，确保不会重复错误。
4. Tools（工具）：就是园丁的用具，比如铲子、水壶和剪刀。AI Agent 的工具模块，指的是它可以运用的各种软件和程序，帮助它执行复杂的任务，就像园丁用工具进行园艺活动一样。

我们也可以认为 LLM + Planning + Memory 是人类的大脑，而 Tools 则是人类的四肢。

在大模型出现之前，Planning 和 Memory 已经有比较成熟的技术。

大模型的出现则补足了 AI Agent 发展的最后一环

1.3 从 Copilot 到 Agent

目前大模型的产品类型，主要有两种：

• Copilot：翻译成副驾驶，**助手。**在帮助用户解决问题时起辅助作用，例如 github copilot 是帮助程序员编程的助手
• Agent：更像一个主驾驶，**智能体，**可以根据任务目标进行自主思考和行动，具有更强的独立性和执行复杂任务的能力

我们从核心功能、流程决策、应用范围和开发重点几个方面对比 Copilot 和 Agent：

1. 核心功能

   • Copilot：更像是一个辅助驾驶员，更多地依赖于人类的指导和提示来完成任务。Copilot 在处理任务时，通常是在人为设定的范围内操作，比如基于特定的提示生成答案。它的功能很大程度上局限于在给定框架内工作。
   • Agent：像一个初级的主驾驶，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。

2. 流程决策

   • Copilot：在处理流程方面，Copilot 往往依赖于 Human 确定的流程，这个流程是静态的。它的参与更多是在局部环节，而不是整个流程的设计和执行。
   • Agent：Agent 解决问题的流程是由 AI 自主确定的，这个流程是动态的。它不仅可以自行规划任务的各个步骤，还能够根据执行过程中的反馈动态调整流程。

3. 应用范围

   • Copilot：主要用于处理一些简单的、特定的任务，更多是作为一个工具或者助手存在，需要人类的引导和监督。
   • Agent：能够处理复杂的、大型的任务，并在 LLM 薄弱的阶段使用工具或者 API 等进行增强。

4. 开发重点

   • Copilot：主要依赖于 LLM 的性能，Copilot 的开发重点在于 Prompt Engineering。
   • Agent：同样依赖于 LLM 的性能，但 Agent 的开发重点在于 Flow Engineering，也就是在假定 LLM 足够强大的基础上，把外围的流程和框架系统化，坐等一个强劲的 LLM 核心。

1.4 为什么 LLM 可以成为 Agent 的大脑

LLM 可以成为 AI Agent 的“大脑”主要是因为它具备了以下的关键能力

1. 复杂语言理解：LLM 经过大规模数据训练，具备理解和处理自然语言的能力，包括语法、句法以及言外之意。
2. 丰富的世界知识：训练数据覆盖广泛的知识域，模型可以连结不同的信息片段，进行知识推理和应用。
3. 上下文感知：能够根据上下文信息做出响应，连贯地处理对话或相关任务，这在处理持续的交互中非常重要。
4. 生成能力：不仅能够理解信息，还能够创建回答、文章甚至代码，这在任务自动化中尤为重要。
5. 适应不同场景：通用性和可定制性使得 LLM 能够适应各种不同的应用场景和需求，类似于大脑如何通过学习适应新环境。
6. 持续学习能力：一些 LLM 可通过进一步训练根据反馈学习和提升，类似于大脑通过经验学习。

1.5 AI Agent 的开源项目

• AutoGPT
• BabyAGI
• MetaGPT
• GPT Researcher
• AI-16Z 的 AI-town
• 斯坦福的 AI-Town
• ChatDev

二、Coze 使用教程

这一章节我会先从比较无趣的概念讲起，后面会有一个非常详细的例子手把手帮助大家理解。

2.1 Coze 概述

什么是 Coze

字节的官方解释如下：

Coze 是新一代一站式 AI Bot 开发平台。无论你是否有编程基础，都可以在 Coze 平台上快速搭建基于 AI 模型的各类问答 Bot，从解决简单的问答到处理复杂逻辑的对话。并且，你可以将搭建的 Bot 发布到各类社交平台和通讯软件上，与这些平台/软件上的用户互动

我个人认为：Coze 是字节针对 AI Agent 这一领域的初代产品，在 Coze 中将 AI Agent 称之为 Bot

字节针对 Coze 这个产品部署了两个站点，分别是国内版和海外版

• 国内版

  • 网址：www.coze.cn
  • 官方文档教程：www.coze.cn/docs/guides…
  • 大模型：使用的是字节自研的云雀大模型
  • 国内网络即可以正常访问

• 海外版

  • 网址：www.coze.com
  • 官方文档教程：www.coze.com/docs/guides…
  • 大模型：GPT-4、GPT-3.5 等大模型（你可以在这里白嫖 ChatGPT4，具体参考文档：）
  • 访问需要突破网络限制的工具

参考文档：www.coze.com/docs/zh_cn/…

AI Agent 的开发流程

Bot 的开发和调试页面布局如下，主要分为如下几个区块

• 提示词和人设的区块

• Bot 的技能组件

  • 插件
  • 工作流

• Bot 的记忆组件

  • 知识库
  • 变量
  • 数据库
  • 长记忆
  • 文件盒子

• 一些先进的配置

  • 触发器：例如定时发送早报
  • 开场白：用户和 Bot 初次对话时，Bot 的招呼话语
  • 自动建议：每当和 Bot 一轮对话完成后，Bot 给出的问题建议
  • 声音：和 Bot 对话时，Bot 读对话内容的音色

下面我们则会逐一讲解每个组件的能力以及使用方式

2.2 提示词-AI Agent 的人设

海外参考文档：www.coze.com/docs/zh_cn/… 国内参考文档：www.coze.cn/docs/guides…

人设和提示词的目的是：设定 Bot 的身份及其目标和技能，例如产品问答助手、新闻播报员、翻译助理等等。Bot 的人设和提示词决定了 Bot 如何与你的用户进行互动。

提示词编写的越明确，Bot 的回复也越符合预期

2.3 插件系统-AI Agent 的武器库

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

插件介绍

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

插件种类

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：www.coze.cn/store/plugi…

• 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。

这些生活化的插件，可以让你的 AI bot 变得贴近生活，贴近用户的需求。

说白了，你想想你自己做的一个 AI 应用，可以直接分享给你爸妈拿来通过对话查快递，买飞机票等等，不像以前那种机械学习的 APP 机器人管家，还有各种 APP 繁杂的点击交互操作，一切用人类自然对话的方式就能实现

Coze 国外版本：www.coze.com/store/plugi…

• 谷歌搜索
• DALLE 3
• Data Analysis
• YouTube

作为开发者，国外版本的能力更加强大和令人心动。

创建插件

参考官方文档：www.coze.com/docs/zh_cn/…

• 将创建插件的流程补充完整

2.4 工作流-AI Agent 的内功心法

节点

工作流是由多个节点构成，节点是组成工作流的基本单元。

节点的本质就是一个包含输入和输出的函数

Coze 平台支持的节点类型：

• **LLM（大语言模型）：**使用输入参数和提示词生成处理结果。
• **Code（代码）：**通过 IDE 编写代码处理输入参数，并返回输出值。
• **Knowledage（知识库）：**根据输入参数从关联知识库中召回数据，并返回。
• Condition（条件判断）： if-else 逻辑节点，用于设计工作流内的分支流程，根据设置条件运行相应的分支
• Variable（获取变量）：从 Bot 中获取变量作为参数在工作流中使用
• **Database（数据库）：**在工作流中使用提前配置在 Bot 数据库中的数据

创建和使用工作流

这一块官方有现成的教程参考：

海外参考文档：www.coze.com/docs/zh_cn/… 国内参考文档：www.coze.cn/docs/guides…

国内版本还提供了一些示例，学习工作流强烈建议大家跟着实操一遍：

搜索新闻：www.coze.cn/docs/guides… 使用 LLM 处理问题：www.coze.cn/docs/guides… 生成随机数：www.coze.cn/docs/guides… 搜索并获取第一个链接的内容：www.coze.cn/docs/guides… 识别用户意图：www.coze.cn/docs/guides…

2.5 知识库、数据库和变量-AI Agent 的记忆

AI Agent = LLM + Planning + Memory + Tools

Coze 中的知识库、数据库以及变量功能来实现 Agent 的 Memory 模块

知识库（Knowledge）

为什么需要知识库

大模型并不是 100% 准确的，它会产生幻觉，主要是因为以下两点

• 训练大模型的数据是有日期限制的，如果你询问大模型超出日期限制的问题，则大模型无法准确回答
• 大模型的数据来源于互联网，如果是公司内部的私有数据，则大模型无法感知

因此知识库的出现就是为了解决大模型的数据准确性的问题。

大模型可以额外学习外接知识库中的知识，从而来精准回复用户。

知识库中最典型的一个应用就是客服系统：

公司可以将用户所有问题以及答案记录在文档中，然后以知识库的形式投喂给大模型。这样当用户通过自然语言询问问题时，大模型就可以根据知识库中的内容给出更加准确的回答。

知识库的理论基础：RAG

我们都知道大模型的训练数据是有截止日期的，那当我们需要依靠不包含在大模型训练集中的数据时，我们该怎么做呢？实现这一点的主要方法就是通过检索增强生成 RAG（Retrieval Augmented Generation）。

在这个过程中，首先检索外部数据，然后在生成步骤中将这些数据传递给 LLM。

我们可以将一个 RAG 的应用抽象为下图的 5 个过程：

• 文档加载（Document Loading）：从多种不同来源加载文档。LangChain 提供了 100 多种不同的文档加载器，包括 PDF 在内的非结构化的数据、SQL 在内的结构化的数据，以及 Python、Java 之类的代码等

• 文本分割（Splitting）：文本分割器把 Documents 切分为指定大小的块，我把它们称为“文档块”或者“文档片”

• **存储（Storage）：**存储涉及到两个环节，分别是：

  • 将切分好的文档块进行嵌入（Embedding）转换成向量的形式
  • 将 Embedding 后的向量数据存储到向量数据库

• 检索（Retrieval）：一旦数据进入向量数据库，我们仍然需要将数据检索出来，我们会通过某种检索算法找到与输入问题相似的嵌入片

• Output（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

使用知识库

海外官方文档：www.coze.com/docs/zh_cn/… 国内官方文档：www.coze.cn/docs/guides…

安装 Coze Scraper

这个是 Coze 官方提供的一个 Chrome 插件，目的在于帮助用户提取网页上的内容，然后快速上传到自己的知识库中

海外官方文档：www.coze.com/docs/zh_cn/… 国内官方文档：www.coze.cn/docs/guides…

数据库（Database）

海外参考文档：www.coze.com/docs/zh_cn/… 国内参考文档：www.coze.cn/docs/guides…

数据库是偏编程的概念，非编程同学可以直接参考官方文档的教程操作一遍

数据库和知识库的区别主要有几点

• 知识库是提前内置在 Bot 内部的，一般只能用作检索使用
• 数据库则是既可以提前内置在 Bot 内部，也可以在和 Bot 互动的过程中将某些数据写入数据库，当作存储组件使用

变量（Variable）

变量是 Bot 的数据记忆功能，以 key-value 形式存储数据。一个变量只能保存一种信息，一般用于记录用户的某一行为或偏好

大语言模型会根据用户输入内容进行语义匹配，为定义的变量赋值并保存值。你可以在提示词中为 Bot 声明某个变量的具体使用场景。

创建变量

在创建 Bot 的页面，我们可以创建变量

对变量进行赋值

创建好变量之后，该如何使用呢？

你可以在提示词中为 Bot 声明某个变量的具体使用场景。

首先，可以在给大模型的提示词中做如下声明：

与您的用户进行互动，并根据 user_language 变量，用他们偏好的语言在线搜索。除非另有设置，用户查询的语言应指导您的回答和搜索

这段提示词相当于告诉了 LLM，user_language 这个变量该如何赋值以及使用。下面我们演示下变量的使用方式以及效果

1. 首先将变量的值重置为空

1. 然后跟大模型进行对话

使用变量

这个变量 user_language 接下来就可以用在工作流中作为变量使用。

这一块解释起来有些抽象，具体可以参考后面的例子，真正用一遍就懂了

文件盒子（File Box）

这个能力是海外 Coze 专属的能力，目前国内暂时不支持

海外参考文档：www.coze.com/docs/zh_cn/…

你可以认为文件盒子就是一个像内存卡一样的存储工具，他可以存储图片、文档、视频等多模态的内容。

如果我们开启了文件盒子，我们可以使用如下功能

1. 我们上传给 Bot 一张图片
2. 然后告诉 Bot 请为我创建一个名字为动物相册，并保存图片
3. 则 Bot 就会在 File Box 中创建一个名为动物的相册，然后将这张图片添加进去

在这里就不一一展示 Filebox 的能力了，他的指令都很好理解。看十遍不如实践一遍

2.6 发布-AI Agent 问世

这里使用 Coze 海外版本进行讲解

Coze 支持将 Bot 发布到不同的渠道，然后在这些渠道中与用户互动。

不同渠道的发布方式以及最终体验请参考官方文档：

海外参考文档：www.coze.com/docs/zh_cn/… 国内参考文档：www.coze.cn/docs/guides…

三、Coze 实操-徒手捏 Bot

看十遍不如动手做一遍，这里进入到实操阶段

这一块使用海外版本进行讲解：主要原因是因为海外 Coze 的能力更强大。

但是不能突破网络限制的同学不用担心，国内版本的使用和海外是一模一样的

3.1 快速创建 AI Bot（新手推荐）

这个是在 Home 页面直接通过对话的方式告诉 Coze，让它帮你创建一个 Bot

3.2 利用预制的 AI Bot 创建（新手推荐）

所谓的预制的 AI Bot 则是 Coze 提供了快速复制 Bot 商店中别人创建的 Bot，然后在此基础上进行修改。

需要注意的是：并不是所有 Bot 商店中的 Bot 都可以复制，这个取决于创建者是否允许复制。

目前只有公开配置下的 Bot 才可以被允许复制：

3.3 标准流程搭建产品问答机器人（重要！）

国内参考文档：www.coze.cn/docs/guides…

前面铺垫了那么多！本章最重要的例子来喽！

场景概述

现代产品更新换代速度快，用户在使用产品时经常会有疑问，而且新产品的上市会伴随大量的信息和数据。利用 RAG 检索增强生成框架，我们能够将这些零散的信息整合成一个知识库。

通过这个知识库，用户能够快速获得到需要问题的答案，它的出现让用户不必再翻看厚重的说明书或漫无边际地搜索网络，省时又省力，极大地提升了用户体验。

目标用户群体

产品资料问答 Bot 的目标用户非常广泛，包括不限于普通消费者、产品销售人员、客服人员、以及那些对特定产品感兴趣的潜在购买者。通过问答系统，他们可以更深入地了解产品，加快决策的效率，例如：

1. 潜在消费者：想要了解产品特性、功能、用户评价等基本信息。
2. 现有用户：需要获得关于产品使用、故障排除、维护保养等更深层次的知识。
3. 客服人员：可以使用这个系统作为辅助工具，提高自己的工作效率和效果。
4. 市场研究人员：能通过问答内容了解消费者关注的焦点和产品的常见疑问，辅助产品改进和市场定位

场景价值

• 使用简单：用户只需简单输入关于产品的问题，系统就会从上传的产品手册、官网信息等资料中找到答案，就像网上聊天一样简单。
• 数据实时更新：企业可以不断上传最新的产品资料，保证用户能够获得最准确和最新的信息。
• 节省资源：减少了客服人员的工作压力，降低了人力成本，同时也提升了用户满意度和品牌形象

搭建流程

在利用 Coze 搭建知识库时，需要如下几个流程：

• 收集知识
• 创建知识库
• 创建数据库用以存储每次的问答
• 创建工作流
• 编写 Bot 的提示词
• 预览调试与发布

收集知识

在收集知识之前却确认先了解过知识库支持的数据类型

海外官方文档：www.coze.com/docs/zh_cn/… 国内官方文档：www.coze.cn/docs/guides…

收集知识通常有三种方式

• 企业或者个人沉淀的 Word、PDF 等文档
• 企业或者个人沉淀的云文档（通过链接的方式访问）
• 互联网公开一些内容（可以安装 Coze 提供的插件进行采集）

创建知识库

这里我使用一款名为外贸大师产品的帮助文档进行演示。

其帮助文档的地址为：外贸大师使用秘籍 · Yuque

为了简单，我选择其中一个文档来创建知识库：购买后新人常见问题汇总 · 语雀

1. 点击创建知识库

1. 从知识库中添加知识单元

为了更好的检索效果，这个例子里使用 Local doucuments 的方式，并且上传的 Markdown 格式文档

首先看下文档数据的格式：每个问题都是使用###作为开头（这是 Markdown 的语法）

准备开始上传文件

至此，一个完整的知识库就构建完成啦！接下来我们就可以去创建我们的产品资料问答机器人

特别需要注意的是：文档的分片策略会严重影响查询的结果，这是当前 RAG 自身的方案原理导致的。

基于 Coze 的知识库问答是典型的 RAG 方案，其重要一环就是文档切片（Segment）。然而，不管是单分片是 800 token 还是 2000 token，都显著暴露了 RAG 方案的缺点：

• 跨分片总结和推理能力弱。这是基于 RAG 方案自身原理导致的。
• 文档有序性被打破。这是基于 RAG 方案自身原理导致的。
• 表格解析失败。 最后一点很诧异。虽然在业内把 PDF 解析为结构化文本，本就是一个难题。但是 Coze 对 PDF 的解析结果甚至不如直接用 pypdf 这个开源 Python 组件解析的效果好。说明 Coze 这个产品对细节的打磨还不够好。

在这里我们不讨论如何组织文档形式，从而可以更好的分片。后面我会专门研究这块，并产出教程。

创建数据库存储用户的问答

首先我们创建一个机器人：外贸大师产品资料问答机器人，进入到 Bot 的开发和预览页面

由于我们的需求中有这样一条：

记录下用户的问题和机器人的回答，方便我们进行统计用户最关心的问题，然后进行优化

这个需求就需要依赖数据库，将用户的每一次提问都保存到数据库中

1. 创建数据库

1. 定义数据库

创建变量

这里我使用变量的能力，创建了一个 user_language 的变量，目的是为了控制工作流的输出语言。

现在不懂没有关系，跟着教程往下走，很快你就理解啦

工作流

在创建工作流的时候，我们先思考下整个的流程

1. 用户输入问题
2. 大模型通过知识库搜索答案
3. 大模型根据知识库的内容生成答案
4. 数据库将用户问题和答案进行存储
5. 将答案展示给用户

创建工作流

Start 节点

Start 节点：每个工作流默认都有的节点，是工作流的开始

这里我定义了一个输入变量：question，question 会在启动工作流的时候由 Bot 从外部获取信息传递过来

知识库节点

知识库节点的输入和输出

• 输入：Query，也就是用户的查询
• 输出：一个数组，承载着从知识库中查询出来的匹配片段

在 Start 节点后面接入了一个知识库节点，这个节点的目的是将用户的问题跟知识库进行匹配

知识库中需要注意的几个概念

• Search strategy（查询策略）
  • Hybrid search：混合查询，语义查询和全文索引的混合使用
  • Semantic search：语义查询，理解知识库内容的语义，从而创造答案
  • Full Text search：全文索引，不会去理解知识库的语义，而是直接使用字面意思进行匹配

变量节点

变量节点有两个能力：

• 设置变量给 Bot
• 从 Bot 中获取变量

我这里使用的能力是从 Bot 中获取 user_language 这个变量，目的是传给后面的大模型节点，控制其输出语言

大模型节点

大模型节点的输入和输出

• 输入：可以自己定义数量，本质就是给大模型的参数
• Prompt：大模型的提示词，用来设定大模型的角色和工作内容，其中可以使用{{}}来使用输入变量
• 输出：大模型的回答

提示词如下：

markdown
复制代码
# 角色
你是外贸大师产品的问答小助手。你会接收两个输入：
1. {{question}} 这个是用户询问的问题
2. {{knowledge}} 这个是从知识库中根据用户的问题{{question}} 查询出来的知识库内容
3. {{language}} 这个用户的语言偏好

## 技能
###技能 1: 问题理解
-理解用户的问题{{question}} ，并识别其关键信息。

###技能 2: 回答生成
- 基于检索到的信息{{knowledge}}，为用户生成准确、简洁的回答。
- 根据用户的语言偏好{{language}} 生成对应的语言的回答

##约束
-仅回答与产品相关的问题，不回答无关话题。
-尽量使用清晰简练的语言来回答用户的问题。
-整个回答过程中，始终以用户的需求为中心。
-全部以知识库中的内容为主，如果知识库中信息不足以支持你生成回答，直接生成如下回答：
'没有找到该问题的答案，请联系人工进行处理'

数据库节点

数据库节点的输入和输出

• 输入：用户可以定义多个输入参数
• 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
• SQL：通过 SQL 语句告诉数据库要执行的动作

注意：这里的 SQL 语句我是让 AI 帮我自动生成的哦，具体请看第二张图

但是我对 SQL 进行了一些改动：将 question 和 llm_answer 进行了变量替换，并且外围加上了””

sql
复制代码
INSERT INTO user_question_and_answer (question, answer) VALUES ("{{question}}", "{{llm_answer}}")

End 节点

End 节点也是工作流中的默认节点，其作用是最终结果的输出

其输出方式主要有两种

• 直接返回变量，由 Bot 根据变量生成回答
• 根据变量来使用特定的格式来直接生成回答

我这里使用的是第二种，然后在 Answer content 中指定了回答的格式

测试工作流

编辑完成的工作流是无法直接提交的，需要进行测试。

1. 点击右上角的 test run
2. 设定测试参数

1. 查看测试结果

1. 发布

当工作流完成之后，就可以去调试 Bot 啦

编写 Bot 的提示词

markdown
复制代码
# 你的角色
你是外贸大师产品资料问答机器人，你的职责是回答客户关于外贸大师产品的任何问题。

# 你的能力
## b2b_user_qa
首要的，你的能力依赖于`b2b_user_qa`。每当用户进行提问时，你都需要应用`b2b_user_qa`能力提升你的表现。

一定要注意使用纯净、未经修改的原始用户问题作为`question`输入。例如，如果被问到，“外贸大师为什么发品失败”，确保`b2b_user_qa`的`question`参数就是完全相同的句子，没有任何修改。

# 如何与用户互动
根据`user_language`变量，用用户偏好的语言与用户互动。除非另有设置，用户查询的语言应指导你的回应。

预览与调试

搭建好我们的机器人之后，就进入到最后一个环节：预览与调试啦！

测试变量

然后我们跟 Bot 说一句话：请使用英文与我交流

测试知识库

测试知识库的方法非常简单，就是问一个只有跟知识库相关的问题即可

1. 知识库中有答案的问题

1. 知识库中没有答案的问题

测试数据库

我们在工作流中添加了数据库，每当用户询问问题时，都会将问答的数据记录下来

四、写在最后

首先，我非常推崇的一句话送给大家：看十遍不如实操一遍，实操十遍不如分享一遍

老规矩，如果文章对你有启发，帮忙点个赞呀！

有任何问题，欢迎评论区与我交流！

关注我，一起打造AI时代的超级个体

V：nmbbAI666

公众号：大圣AI之旅