背景
在当今技术日新月异的时代，AI 技术 已经渗透到了各个领域。作为工程师的我们需要紧跟技术潮流，将AI技术应用到我们的项目中。在此之前，我们还需要解决一个问题，如何获取到 AI 资源？如何通过 AI 资源将我们想要的功能实现？ 在这篇博客中，我将分享如何利用 Coze，快速搭建一个 AI 功能原型，为项目上线前做技术可行性验证。
需求
假设我今天突然想到一个创意，希望通过 AI 进行美食推荐。那么，如何说服我的领导这个想法是可行的呢？
答案是利用 Coze 搭建一个 AI 功能，通过实际演示向领导展示技术的可行性。
梳理需求
美食：食物名称、包含食材、推荐理由
附加信息：卡路里、附近的店、食物的图片
方案
- 通过大模型获取食物名称、包含食材及推荐理由
- 利用 bingImageSearch 获取食物图片
- 通过地图查询周边信息
实施
通过 Coze 的工作流，我们可以很快的实现上述方案
在个人空间中，点击 新建工作流 进行创建。填写完名称和描述后，系统会自动为您生成 开始节点 和 结束节点。
我们只需将左侧所需的组件拖拽至画布中，便可轻松完成操作。
搭建工作流
虽然看上去似乎很复杂，但实际上 Coze 已经为我们实现了底层逻辑。因此，我们只需通过简单的拖拽操作即可完成整个过程。
- 输入用户需求 query
- 配置大模型 prompt
css
身为美食专家，您能根据用户的描述提供符合条件的美食。
用户的要求如下：{{input}}，
请根据用户的要求，推荐一道美食。
请严格按照以下格式输出：
{
"foodName":"(食物名称)",
"params":"(所用食材)",
"argument":"(推荐理由)"
}- 将
searchLocation、bingImageSearch和food插件从左侧拖拽至画布中。（引用值可为上一个节点的结果） - 拖拽两个
代码模块进行数据处理 - 将所有元素进行连接
需要注意，插件可以通过
批处理实现遍历请求，要求引用的数据必须是一个数组
举个例子，在我搭建的工作流中，需要使用 food 插件来计算所有食材的热量 。在此过程中，上一个节点（大模型）输出的 params 参数为一个字符串数组：
运行工作流
不得不说 Coze 太强大了
我们可以实时进行结果调试，并且能够清晰地查看到每个节点的输入参数和输出参数，从而更加精准地掌握程序运行的全过程。
最终返回
json
{
"包含食材": [ "黄瓜", "蒜", "盐", "糖", "生抽", "香醋", "辣椒油", "香油" ],
"总热量": 1847,
"推荐理由": "凉拌黄瓜是一道非常适合夏天的清淡菜品。黄瓜口感清爽，富含水分和维生素，能够帮助人体补充水分和营养。这道菜的做法简单，口感清爽，非常适合夏天食用。",
"食物名称": "凉拌黄瓜",
"食物照片": "https://www.bing.com/images/search?view=detailv2&FORM=OIIRPO&q=%E5%87%89%E6%8B%8C%E9%BB%84%E7%93%9C&id=C4D8632379EA3126855924B5500137B104751E45&simid=608055954017562131"
}Bot 实际效果
总结
在我看来，Coze 目前在我的工作中充当了一种快速搭建 AI 功能原型的工具。通过将大模型与代码块组合形成流水线，我们可以在项目初期就验证技术的可行性。这种方法不仅大大节省了时间和精力，还能帮助我们在项目上线前发现潜在问题，从而提高项目的成功率。
BotId：7337697882457522191