Coze工作原理与应用实例
更新时间: 2026-04-29 13:34:33
# Agent与Copilot的区别
| Copilot | Agent | |
|---|---|---|
| 自主性 | 主要是作为辅助工具，依赖用户的输入和反馈来提供建议和改进。 | 通常具有较高的自主性，能够独立完成任务，不需要持续的用户干预。 |
| 目标导向 | 主要目标是辅助用户，提高用户完成任务的效率和质量。 | 通常被设计为实现特定目标，可以根据环境变化调整策略。 |
| 交互方式 | 主要与用户进行交互，通过用户的输入和反馈提供实时建议。 | 可以与其他Agent或系统进行复杂的交互，通常用于多Agent系统中。 |
| 应用场景 | 主要应用于编程辅助、文档写作和教育等需要实时建议和反馈的领域。 | 广泛应用于自动化、监控、推荐系统等各种领域。 |
# 搭建你的AI Agent
Coze工具使用：
- AI应用开发平台，快速搭建基于大模型的各类Bot，并将Bot发布到社交平台、通讯软件或部署到网站上。
- 集成了丰富的插件工具，内置插件60款插件（资讯阅读、旅游出行、效率办公、图片理解），也可以自定义插件
- 提供了知识库来管理和存储数据，可将TXT、PDF、DOCX、Excel、CSV上传至知识库，也可基于URL获取在线网页内容
- 持久化的记忆能力，提供了方便AI交互的数据库记忆能力
- 灵活的工作流设计，可以用来处理逻辑复杂，且有较高稳定性要求的任务流。
# RAG知识库
RAG (Retrieval-Augmented Generation检索增强生成)
在回答问题或生成文本时，先从大规模文档库中检索相关信息，然后利用这些检索到的信息来生成响应或文本，从而提高回复内容的质量。
RAG的两个关键阶段：
- 检索阶段：使用编码模型基于问题检索相关文档。
- 生成阶段：使用检索到的上下文作为条件生成文本。
RAG技术可以很好地解决大模型的胡乱编造的问题
扣子的知识库功能支持上传外部数据，上传后可自动分段和编码，然后在Bot开发界面选择导入指定的知识库
知识库的应用场景：
语料补充：
创建一个虚拟形象与用户交流，你可以在知识库中保存该形象相关的语料。后续Bot会通过向量召回最相关的语料，模仿该虚拟形象的语言风格进行回答。客服场景：
将用户高频咨询的产品问题和产品使用手册等内容上传到扣子知识，Bot可以通过这些知识精准回答用户问题。垂直场景：
创建一个包含各种车型详细参数的汽车知识。当用户查询某一车型的百公里油耗是多少时，可通过该车型召回对应的记录，然后进一步识别出百公里油耗。
# 古诗词绘画批处理
TO DO：古诗词绘画（批处理） 用户输入完整古诗词，AI描述4个场景，分别进行绘画 Step1，创建智能体 Step2，创建工作流
注意，这里尽量用官方插件，第三方插件可能会被coze限流
如何让文生图的生成质量好呢：
- 大模型的提示词可以修改
- 插件选择问题
- 可以加上图片风格的描述词
什么时候用批处理，什么时候用循环
- 数量大，处理可以并行，没有前后依赖 =》批处理
- 循环：前后有依赖，或者资源点不够
# CASE:智能投顾助手
创建一个coze应用
搭建用户界面
设计风险评测调查问卷
创建数据表
创建工作流 product_rec
添加大模型
配置知识库
绑定页面按钮事件，调用工作流
新建页面并将大模型输出绑定到页面
大模型改为文本流式输出
绑定页面按钮事件，跳转到新页面
