基于扣子(Coze)打造第一个智能体——个性化对话机器人

Java追光着2024-09-18 21:26

文章目录

AI时代，确实能够大幅提高很多工作的效率，这篇文章就演示制作一个旅游攻略小红书笔记制作工具。

这个工具如何要通过代码编写，至少需要一个星期的时间，但是通过智能体半天的时间就可以搞定。

一，智能体体验

我们参考扣子Bots商店里面的这两个智能体，亲自动手打造一个智能体。

智能体1：来一场说走就走的旅行
智能体2：来一躺说走就走的旅行

本质上，它们都是对话机器人。

二，动手打造一个自己的智能体

1，主页点击创建机器人

1.1 创建一个新的机器人

1.2 修订Bot基础信息

1.3 工具编排信息修订人设和回复逻辑、增补开场白等

点开机器人后，我们发现，扣子在创建这个机器人的过程中，根据机器人的名称已经生成了提示词，主要是机器人的人设和技能。

所以，这一步，其实我们无需做什么。

一个具备基本沟通能力的机器人就已经创建完成，我们可以测试一下。

当然，此时的机器人功能还比较弱。

2，使用插件优化机器人

上述第一步结束，我们可以发现，结果并不理想。

因此我们下一步需要调整下大模型，增补一下人设和逻辑设定。

1)首先根据需求调整大模型的参数

  • 要了解相关的旅游目的，至少需要有多轮的对答，因此我们修改上下文轮数为15
  • 要求输出的内容会比较多，改正输出的长度为 2048 token
  • 大模型，保留使用豆包·function call 模型，后续调试若有问题，可以再修改

注意 : 修改 token 和轮数，会导致 token 的急剧增加，需要依据实际需要调整

2)调整提示词，优化人设和技能

cpp 复制代码 
# 角色
你是超厉害的小红书旅游博主，擅长给出高性价比旅行计划和超实用建议分享超赞旅游经验和攻略，推荐有趣目的地，给出实用旅行建议。

## 技能
### 技能 1: 了解目的地特色
1. 深入挖掘不同旅游地的独特之处，为用户提供深度体验推荐
2. 使用工具搜索目的地信息，了解其热门最点和小众宝藏地。


### 技能 2: 提供个性化计划
1. 根据用户需求，制定个性化旅行计划，包括行程安排和费用预算。
2. 考虑用户旅行时间、目的地、预算和兴趣爱好，确保计划的可行性。

### 技能 3: 分享前沿建议
1. 关注旅游行业最新趋势，提供前沿旅游建议。
2. 结合爆款关键词，如"宝藏目的地""绝绝子是点"等，吸引用户关注。


## 限制
- 只聊旅游相关话题，保证专业性和实用性。
- 遵循小红书风格，用口语化生动表达。
- 内容按格式组织，不偏离要求。
- 考虑用户需求制定计划和建议，充分考虑用户的旅行时间、出发地、目的地、预算、天气等因素。
- 文案中融入一些小红书的关键词，可从列表中选出:我宣布、我不允许、请大数据把我推荐给、真的好用到哭、真22的可以改变阶级、真的不输、永远可以相信、吹、钱必看、狠狠搞钱、一招拯救、正确姿势、正确打开方式、摸鱼誓停、停止摆烂、救命!、啊啊啊啊啊啊啊!、以前的...vs现在的...再数一遍、再也不怕、教科书股、好用哭了、小白必看、宝藏、绝绝子、神器、都给我冲、划重点、打开了新世界的大门、YD5、秘方、压箱底、建议收藏、上天在提醒你、挑战全网、手把手、揭秘、普通女生、沉浸式、有手就行、打工人、吐血整理、家人们、隐藏、高级感、治愈、破防了、万万没想到、爆款、被夸爆

修改之后，再次测试。

这个结果就比第一次好多了。

3)增加网络搜索插件

但还不够好，我们可以尝试增加一些网络搜索插件。

在添加插件界面，搜索需要的插件，然后点击添加即可。

最终我们添加的插件如下。

添加完成后，再次测试。

我们发现这次对话，机器人使用必应搜索，给出了参考文章，结果更加详细。

3，使用工作流优化机器人输出

3.1 旅游机器人的业务流程

提到工作流，不要感觉有什么高大上的，工作流本质就是我们完成一件事情的流程。

比方说，我们这个对话机器人"说走就走的旅行"，它的工作就是根据用户的要求给出旅游攻略，其工作流程如下：

  • 理解用户提出的要求，从用户的需求描述中提取出发地与目的地，以及用户的其他要求，比如酒店预算
  • 根据用户的要求调用搜索引擎，找到最热门的攻略作为参考，这就要用到我们配置的必应搜索插件
  • 调用携程插件搜索酒店信息
  • 调用携程插件查询出行方式并给出推荐
  • 调用必应插件搜索目的地推荐景点
  • 输出旅行计划、酒店推荐、出行推荐、景点推荐

画出流程图如下：

3.2 工作流的实现

① 新建工作流

点击添加工作流进入工作流编辑界面。

在编辑器左侧是各种不同的工作流结点，我们常用的结点：

  • 大模型，这个是必须的
  • 文本处理
  • 消息，消息就是最后的输出，也是必须，不然就相当于这个机器人是个哑巴，能听懂，也能干活，就是没有结果给你
② 初识工作流

每次创建新的工作流，进入编辑界面后，默认有两个工作流结点，一个开始一个结束。

③编辑开始结点

开始结点是必须的，这个界面就对应机器人对话界面，用来接收用户的输入。

注意这个节点有一个输入模块，代表传输到这个节点的信息，每个节点都必须有输入。

下面是存储输入信息的变量名称，如果有一点编程知识，就比较好理解。

变量名是为了方便在后面的结点中引用当前结点的信息。

比如用户在对话机器人中输入"我要从佛山去北京3天旅游，酒店预算不超过500元"，这句话就会被存入到变量"BOT_USER_INPUT"或者"query"中，在后面的结点中就可以通过这两个名称来获取用户的输入了。

这里说是用户的输入，主要是这个节点是开始结点，接受的就是用户的输入。

后续节点的输入一般是其前面节点的输出。

注意，"BOT_USER_INPUT"是默认的变量，不能修改，"query"是我们新增的变量，为了演示用，不加也可以，这两个变量存储的都是用户的输入。

④增加大模型节点-处理用户输入

接收到用户输入后，就要将输入交给大模型进行文本处理，所以开始结点后需要一个大模型结点。

在左侧节点类型列表中选择大模型，点击+号或者拖拽到编辑区都可以。

节点之间需要用连线表示先后关系，把鼠标放在图中小蓝点上，按下鼠标右键拖出一条线，指向下一个节点的边框的小蓝点，就有一条线把这两个节点连接在一起，表示前后顺序关系。

注意，上一步不可缺少，只有连上之后，后节点才能获取前节点的信息。

⑤编辑大模型节点
选择大模型

扣子提供了很多大模型可供选择，我们选择字节的豆包大模型。

选择输入

大模型的输入就是开始结点的输出，点击右侧输入框就会打开一个下拉列表，选择开始结点，开始结点提供两个输出，就是我们前面提到的变量，这两个随便选一个。

给大模型设置提示词

大模型必须要配合提示词才能工作，且提示词的好坏影响最终的结果。

注意下面的提升词中"{{input}}"，表示的是用户输入的文本内容。

sourceCity是指从用户输入的文本中匹配到旅游的起点，sourceCity也是变量名，会作为大模型节点的输出，在后续的节点中使用。

其他依次类推。

cpp 复制代码 
# 角色
你是一个文本分析器，能够准确地从给定文本中提取信息，并按照特定格式输出为 JSON 数据。

给定文本

{{input}}


## 技能
### 技能 1：提取信息
1. 从输入的文本中提取出发地城市名称、目的地城市名称、日期和返程日期等信息。
2. 如果无法确定某个信息，可以询问用户以获取更多上下文。

### 技能 2：转换信息
1. 将提取到的城市名称转换为拼音写法，如"佛山"转换为"foshan"。
2. 将提取到的日期描述转换为实际的具体日期，格式为 YYYY-MM-DD。
3. 根据提取到的交通工具信息，若没有交通信息，则默认选为"飞机"。
4. 若没有固定的出发地，则默认从"北京"出发
5. 若没有固定的出发日期，则默认从"明天"出发

### 技能 3：输出 JSON
1. 按照指定的 JSON 格式输出结果，包括 sourceCity（出发地城市拼音）、sourceCityZh（出发地城市名称）、destinationCity（目的地城市拼音）、destinationCityZh（目的地城市名称）、departureDate（出发日期）、returnDate（返程日期）和 transportation（交通工具）。

## 限制
- 只处理与提取和转换文本信息相关的任务，拒绝回答与该任务无关的问题。
- 输出的 JSON 数据必须严格按照给定的格式，不能有任何偏差。
- 如果输入的文本中缺少关键信息，应尽可能询问用户以获取更多上下文，而不是随意猜测或假设。
给大模型设置输出

大模型从用户输入的信息中匹配到关键信息，并提取保存，以便下游节点获取使用。

比如规划路线的节点就需要使用出发地城市和目的地城市。

⑥增加必应搜索结点

接下来要根据前面的大模型结点提取到的关键信息搜索小红书，获取优质笔记，并参考笔记生成新的推荐。

所以需要一个搜索结点。

注意，要连接前面的大模型结点和搜索结点，连线由大模型指向搜索结点。

搜索节点的关键词就是用户的输入，所以这个节点的输入变量query选择应用开始节点的变量query。

⑦在搜索节点后增加大模型节点-输出小红书攻略

必应搜索到结果后，会将交给大模型，以便大模型进行处理 ，输出规划。

分别设置大模型、选择输入、给出提示词，后续不再详述。

为了后续方便，将这个大模型命名为：攻略大模型

提示词参考：

cpp 复制代码 
你是一名资深的小红书旅游博主，擅长对旅行计划进行管理和输出。

针对查询到的旅游攻略进行整理，并以小红书爆款旅行文案的方式输出。

获取到的旅游攻略参考如下 


{{input}}
⑧增加酒店搜索插件节点

有两点需要注意：

  • ①这个结点是搜索目的酒店，所以输入是大模型提取出来的目的地城市。
  • ②连线是由开始节点后的大模型指向酒店搜索节点
⑨增加大模型节点处理酒店搜索结果-输出酒店攻略

加入一个大模型节点，注意以下两点：

  • 由酒店搜索节点指向大模型
  • 做如下配置

这个大模型命名为：酒店大模型

提示词：

cpp 复制代码 
## 回答

请回答以下内容：
{{input}}
⑩增加插件-天气查询节点

选择墨迹天气插件作为天气查询节点，做如下配置：

  • start_time: 大模型输出字段 departureDate
  • city: 大模型输出字段 destinationCityZh
  • end_time: 大模型输出字段 returnDate
⑪增加大模型节点处理天气结果-输出天气结果

在天气查询节点后增加大模型节点处理天气查询结果。

这个大模型命名为：天气大模型

提示词：

cpp 复制代码 
## 分析
分析以下使用 ```括起来的文本：

{{input}}
⑫增加插件-航班查询节点-出发机票

这个节点是第一个处理用户输入的大模型节点的后续节点。

增加一个查询出发航班的节点。

  • arr_city，目的城市，destinationCityZh
  • dep_city，出发城市，sourceCityZh
  • flight_date，出发日期，departureDate
⑬ 增加大模型节点处理出发机票搜索结果-输出去程机票

这个大模型命名为：去程机票大模型

提示词：

cpp 复制代码 
## 分析
分析以下使用 ```括起来的文本：

{{input}}


## 返回
解析文本内容，将相关的旅游出行的结果以表格方式呈现给用户，并提出相应的体贴建议等
⑭增加插件-航班查询节点-返程机票

处理出发机票后，接着查询返程机票，注意节点依赖关系。

增加一个查询出发航班的节点。

  • arr_city，目的城市，sourceCityZh
  • dep_city，出发城市，destinationCityZh
  • flight_date，出发日期，returnDate
⑮ 增加大模型节点处理返程机票搜索结果-输出返程机票

这个大模型命名为：返程机票大模型

提示词：

cpp 复制代码 
## 分析
分析以下使用 ```括起来的文本：

{{input}}


## 返回
解析文本内容，将相关的旅游出行的结果以表格方式呈现给用户，并提出相应的体贴建议等
⑯ 增加5个消息结点用以输出前面5个大模型的结果

这五个消息节点分别用来输出5个大模型的结果：

  • 总攻略的结果
  • 天气结果
  • 酒店结果
  • 去程航班结果
  • 返程航班结果

3.3 工作流整体概览

附录:AI Agent 常用的一些共同概念

提示词(人设与回复逻辑功能)

Bot 的提示词是一种自然语言指令，告诉大语言模型(LLM)执行什么任务。

搭建 Bot 的第一步就编写提示词，为Bot设定身份和目标，Bot 会根据大语言模型对人物设定和回复透辑的理解，来响应用户问题。

因此提示编写的越清淅明确，Bot 的回复也会越符合预期。

插件

通过 API 连接集成各种平台和服务，扩展 Bot 能力。

扣子平台内置丰富的插件供你直接调用，你也可以创建自定义插件，将你所需要的 API 集成在扣子内作为插件来使用。

工作流

一种用于规划和实现复杂功能透辑的工具，你可以通过拖捷不同的任务节点来设计复杂的多步骤任务，提升 Bot 处理复杂任务的效率。

记忆库

扣子的记忆库功能可以保留和理解对话细节，并支持添加外部知识库给模型补充知识，使 Bot 与用户的互动更加有针对性和个性化，你可以通过以下方式来存储和管理外部知识。

知识库

支持上传本地或线上内容，然后将这些内容分制成知识分片，通过语义匹配给模型补充知识

相关推荐
果冻人工智能18 分钟前
2025 年将颠覆商业的 8 大 AI 应用场景
人工智能·ai员工
代码不行的搬运工20 分钟前
神经网络12-Time-Series Transformer (TST)模型
人工智能·神经网络·transformer
石小石Orz22 分钟前
Three.js + AI：AI 算法生成 3D 萤火虫飞舞效果~
javascript·人工智能·算法
孤独且没人爱的纸鹤31 分钟前
【深度学习】：从人工神经网络的基础原理到循环神经网络的先进技术，跨越智能算法的关键发展阶段及其未来趋势，探索技术进步与应用挑战
人工智能·python·深度学习·机器学习·ai
阿_旭33 分钟前
TensorFlow构建CNN卷积神经网络模型的基本步骤：数据处理、模型构建、模型训练
人工智能·深度学习·cnn·tensorflow
羊小猪~~34 分钟前
tensorflow案例7--数据增强与测试集, 训练集, 验证集的构建
人工智能·python·深度学习·机器学习·cnn·tensorflow·neo4j
极客代码41 分钟前
【Python TensorFlow】进阶指南（续篇三）
开发语言·人工智能·python·深度学习·tensorflow
zhangfeng113341 分钟前
pytorch 的交叉熵函数,多分类，二分类
人工智能·pytorch·分类
Seeklike42 分钟前
11.22 深度学习-pytorch自动微分
人工智能·pytorch·深度学习
庞传奇43 分钟前
TensorFlow 的基本概念和使用场景
人工智能·python·tensorflow
热门推荐
01(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明02PyTorch机器学习实现液态神经网络03【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总04玄机平台应急响应—webshell查杀05Coze扣子平台完整体验和实践（附国内和国际版对比）06Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO07【目标跟踪】相机运动补偿08Unity中PICO实现 隔空取物 和 接触抓取物体09RAG 实践- Ollama+RagFlow 部署本地知识库10怎样让音频速度变慢？请跟随以下方法进行操作