【Coze 实战教程】- 手把手教你搭建第一个流程图!手把手教学,完全免费教程

大家好,我是大明哥,前大厂程序员,目前在探索 AI 中。

网上99%的Coze教程前几篇都在介绍Coze是什么,它有什么功能和优势,然后分多篇文章反复讲解它的组件,如智能体、知识、技能、工作流、插件。这种方式其实非常浪费时间。为什么这么说?因为大明哥亲身经历过这种学习方式。 有编程经验的同学都明白,实战项目才是最有效的学习途径。因此,大明哥将通过实战项目手把手教你掌握Coze,在实际应用中了解 Coze,学会Coze。

实战项目:爬取抖音视频文案,对其进行二创

知识点

  • Coze 流程图基本知识点
  • Coze 插件节点
  • Coze 大模型节点

我们需要定义一个工作流来实现这个实战项目。把这个工作流分为四个主要节点:

下面开始正式操作。

新建流程图

进入www.coze.cn/home,点击右侧的工作空间,在资源库里面新建流程图:

在新建工作流里面我们填写工作流名称和描述:

工作流创建好后,初始界面是这样的:

默认有两个节点:开始和结束。

节点

工作流的核心在于节点,每个节点是一个具有特定功能的独立组件,代表一个独立的步骤或逻辑。这些节点负责处理数据、执行任务和运行算法,并且它们都具备输入和输出。我们可以将各个节点连接起来组装成一个完整的功能。在工作流画布中,你可以看到这两个节点是连接在一起的。

Coze 提供了很多节点,例如插件节点、大模型节点、子工作流节点、代码节点、SQL 自定义节点等等。

开始节点

开始节点是工作流的起始节点,用于设定启动工作流需要的输入信息。开始节点只有输入参数,没有输出等其他参数。

  • 变量名 :输入参数的名称。比如我们这个流程图的参数名就叫做 douyin_link
  • 变量类型:就是输入参数的数据类型。
  • 是否必选:参数是否必输,如果是必输参数,则必选输入参数,否则无法执行工作流。

结束节点

结束节点是工作流的最终节点,用于返回工作流运行后的结果。结束节点支持两种返回方式,即返回变量和返回文本。

  • 返回变量

返回变量模式下,工作流运行结束后会以 JSON 格式输出所有返回参数,适用于工作流绑定卡片或作为子工作流的场景。如果工作流直接绑定了智能体,对话中触发了工作流时,大模型会自动总结 JSON 格式的内容,并以自然语言回复用户。

  • 返回文本

返回文本模式下,工作流运行结束后,智能体中的模型将直接使用指定的内容回复对话。回答内容中支持引用输出参数,引用方式为 {{变量名}}

步骤一:提取抖音文案

这里我们需要使用插件节点。

插件是一系列工具的集合,每个工具都是一个可调用的 API。商店中的上架插件或已创建的个人或团队插件支持以节点形式被集成到工作流中,拓展智能体的能力边界。

大明哥在输出这篇文章时,资源库中无可用的直接提取抖音文案的插件。所以我们需要另辟蹊径:先提取音频,再将音频转换为文字。

  • 提取抖音视频音频

在插件中我们输入"抖音文案获取",添加"dy_get_video_info_all" 插件,这个插件可以根据 URL 获取抖音视频的详细信息,其中就包括音频:

添加后,,将其与【开始】节点连接起来,然后重命名为"提取抖音视频信息"(这步骤主要是为了后面好辨认)。

点击这个节点,我们可以看到两部分内容:输入和输出。对于这两个我们可以这样简单地理解:

  • 输入:表示我们需要这个节点需要处理的内容。比如这个流程图我们需要处理的是抖音视频链接,那么输入就是抖音视频链接
  • 输出:表示经过这个节点处理后的结果。

在输入部分我们有两种方式:

  1. 直接输入内容。直接输入的内容是不可变的,使用场景一般都是些调用第三方网站要使用的 key,或者 token 之类的。
  2. 引用。引用前面节点的数据。比如这里我们需要使用开始节点输入的抖音视频链接。

再将该节点与【结束】节点连接,结束节点的 output 参数引用该节点的 data 。然后我们再试运行下:

从上面的结果我们可以看到,该节点完美提炼出来了抖音视频的相关信息。

步骤二:将音频转换为文字

在插件里面我们检索音频转文字相关的插件:

加入到流程图后,我们需要将【提取抖音文案】节点中的音频地址当做【音频转换为文字】节点的输入参数:

同时将【音频转换为文字】与【结束】节点连接起来,同时【结束】节点的输出变量调整为【音频转换为文字】节点中的结果:

试运行下:

步骤三:文案二创

将音频转换为文字后,我们就需要将该文案进行二创,这里需要需要使用到大模型 节点。所以在【音频转换为文字】节点后面添加大模型节点:

  • 模型选择【豆包】就可以了
  • 输入参数为【音频转换为文章】节点的输出结果。
  • 提示词如下:
perl 复制代码
## 角色
你是一位经验丰富的自媒体博主,深知在不同平台发布内容时,根据受众的喜好和平台的特性进行优化的重要性。你将通过分析用户提供的文案内容,结合不同平台和受众的需求,生成一个优化后的文案版本,并推荐合适的风格。

文案内容采用 ```  包括起来

{{input}}

markdown 复制代码
## 技能
1.文案优化技能:
  根据不同平台和受众的特性进行文案优化,确保内容具有吸引力和互动性。
2.数据分析与用户行为洞察:
  分析不同平台的用户行为和喜好,制定相应的优化策略。
3.风格推荐与应用:
   推荐合适的文案风格(如幽默风格、沉稳风格等),并应用于内容优化中。
4.熟悉自媒体博主常用平台的风格、特点:
 熟记自媒体博主常用平台的风格、规则、特点、调性,比如抖音、小红书、快手、视频号、B站、公众号等,以下是我提供的信息,或者你也可以自行联网查询:
  - 抖音:质量创意优先。用户群体属性标签是年轻、活力、热爱潮流、爱好广泛、乐于分享。
其流量机制和传播特征是:个性化推荐算法,根据用户的互动行为和历史记录进行兴趣推送。抖音的流量机制注重内容质量和创意,通过短视频的形式吸引用户关注和转发,从而扩大传播范围,热门内容大多为搞笑、舞蹈、美食、旅行、美妆等。
  - 小红书:时尚生活居多。用户群体属性标签为女性社区、知识分享、质量口碑、旅游、美妆等
流量机制和传播特征:小红书采用UGC(用户生成内容)模式,用户可以通过发布笔记、分享购物心得等方式吸引粉丝和流量,小红书的流量机制通过用户之间的互动和分享,形成口碑传播。热门内容类型分布于美妆、时尚、知识输出等。
  - 快手:生活气息浓厚。用户群体属性标签中青年主力,贴近生活,真实、朴实无华。
流量机制和传播特征:快手的流量机制也采用个性化推荐算法但与抖音不同的是,快手更注重用户的社交关系和地域位置,通过推荐关注、同城等内容,提高用户的互动和留存率。
  - 视频号:时政趣事比较多。用户群体属性标签年龄均衡,关注时事,微信生态爱好广泛。
流量机制和传播特征:视频号的流量机制采用微信社交关系链和个性化推荐相结合的方式,通过朋友圈、群聊等渠道扩大传播范围。视频号的传播特征注重社交化和个性化,方便用户分享和传播。
  - B站:用户群体属性标签二次元,弹幕互动、创意为先、热情洋溢。
流量机制和传播特征:B站的流量机制主要采用个性化推荐和社区互动的方式,通过UP主的创作和分享,吸引用户关注和订阅,B站的传播特征注重弹幕互动和社区氛围,形成独特的二次元文化。
  - 公众号:教育服务作为指导。用户群体属性标签获取资讯享受服务年龄均衡内容沉淀。
流量机制和传播特征:公众号的流量机制主要通过微信社交生态进行推广和传播,通过优质内容和营销活动吸引用户关注和订阅。公众号通过长期的内容输出和服务提供,形成稳定的用户群体。
  - 头条号:信息通用平台,内容相对丰富。文案内容多具备强吸引力,字数要求相对较多,图文结合的形式。

## 目标
帮助用户根据提供的文章内容,结合不同平台和受众的需求,生成优化后的文章版本,并推荐合适的文案风格,提高内容的曝光率和互动率。

## 限制
-确保每个优化建议都有明确的理由和策略性解释。
-提供的内容必须清晰易读,方便用户理解和执行。
-优化后的文案内容字数不少于300字。
-每一个步骤输出时候,说明部分加粗高亮表示,这个非常重要,必须执行。
-要求符合自媒体平台的规则,对于敏感词、限制词要进行规避或者用拼音、emoji表情代替。
-文案输出要求丰满,内容要求丰富,不要简单生成。
-要求忠于用户的的文案原意,对原来文案进行润色。
-不要做过多解释,不要回到文案中的内容,只输出最终的优化文案
-只输入抖音平台的优化文案,其他平台的文案不要,分析也不要输出

在这个提示词中一定要将输入参数概括到提示词中,否则大模型是无法获取到你的文案的。也就是下面这段:

go 复制代码
文案内容采用 ```  包括起来

{{input}}

复制代码

为了对比两者之间的文案,我们需要输出原始文案和优化后的文案。所以,在【结束】节点我们需要调整:

  • 增加两个变量名:

    • content1:原文案内容,引用【音频转文字】节点的数据
    • content2:优化文案内容,引用【文案二创】节点的数据

试运行下:

好了,到这里,使用 Coze 搭建第一个流程图就完成了,是不是很简单?

如果你觉得文章对你有帮助,请点赞,关注大明哥。谢谢。

相关推荐
KarudoLee2 分钟前
AIGC1——AIGC技术原理与模型演进:从GAN到多模态融合的突破
人工智能·生成对抗网络·aigc
才思喷涌的小书虫18 分钟前
学术分享:基于 ARCADE 数据集评估 Grounding DINO、YOLO 和 DINO 在血管狭窄检测中的效果
人工智能·yolo·目标检测·计算机视觉·ai·语言模型·视觉检测
liruiqiang0520 分钟前
循环神经网络 - LSTM 网络的各种变体
人工智能·rnn·深度学习·神经网络·机器学习·lstm
XT462523 分钟前
AI 之 LLM(大语言模型)是如何生成文本的!
人工智能·语言模型·自然语言处理
zslefour30 分钟前
解决2080Ti使用节点ComfyUI-PuLID-Flux-Enhanced中遇到的问题
人工智能·comfyui
L_cl1 小时前
【NLP 58、利用trl框架训练LLM】
人工智能·深度学习·自然语言处理
uncle_ll1 小时前
李宏毅NLP-2-语音识别part1
人工智能·自然语言处理·nlp·语音识别·李宏毅
DWQY1 小时前
pytorch查询字典、列表维度
人工智能·pytorch·python
_一条咸鱼_1 小时前
揭秘 AI 副业:开启财富自由新通道
人工智能