零基础Coze平台使用教程

​

简介： 本文介绍了Coze智能体的实战入门与进阶应用，涵盖智能体创建、配置大语言模型（LLM）、使用插件扩展功能、构建知识库（RAG）实现高考志愿填报助手、利用记忆功能开发记账本，以及通过API调用和工作流实现中草药识别与菜谱生成等复杂任务，全面展示其在多场景下的智能化能力。​

​

一、Coze智能体实战初体验​

访问Coze官网​

​

​

​

​

输入智能体名称：​

​

​

一共分三大模块：​

​

​

1.1 写提示词​

​

​

​

​

​

​

1.2 预览智能体​

​

​

1.3 发布智能体​

你不发布别人没法用啊...​

​

​

​

​

​

​

二、Coze入门​

2.1 大语言模型LLM配置​

​

LM:大模型--》GPT，豆包，Deepseek​

LLM：大语言模型---》我们可以使用【提示词】---》跟LM交互​

LLM包含LM的​

可以选择不同模型：就是不同大脑---》有不同擅长领域---》如果你不会选，就默认---》默认的每个领域都擅长一点​

会提供：豆包---》coze--》字节跳动公司---》自己训练的模型：LM​

Deepseek---》Deepseek公司--》开源了​

其它​

​

​

​

生成多样性-temperature​

当值越大的时候，创新性和多样性更强，反之更低，更加理性。​

​

​

​

代码块​

Markdown

# 1 生成多样性-temperature解释:​

调高温度会使得模型的输出更多样性和创新性，反之，降低温度会使输出内容更加遵循指令要求但减少多样性​

# LLM---》大语言模型---》就是我们的大脑​

    - 理性大脑：研究，数学，科学​

    - 感性大脑：创作文章，写小说​

    这个东西如果调高---》有很大的创意性---》感性调高---》适合 写作为，创意诗歌，广告文案​

    这个东西如果调低---》非常理性，更精准，不会给你创意出东西--》生成正式文档，写代码，法律文件​

​

Top P​

模型在生成输出时会从概率最高的词汇开始选择，直到这些词汇的总概率累积达到 Top p 值。这样可以限制模型只选择这些高概率的词汇，从而控制输出内容的多样性。​

​

代码块​

SQL

# 1  Top p 为累计概率: ​

模型在生成输出时会从概率最高的词汇开始选择，直到这些词汇的总概率累积达到 Top p 值。这样可以限制模型只选择这些高概率的词汇，从而控制输出内容的多样性。建议不要与 “生成随机性” 同时调整​

​

# 我们跟大模型对话---》问大模型---》给我们回顾​

我问大模型：你爱我吗？---》会回答我的问题​

    -top p比较高：嗯，亲爱的，我当然爱你了，我会永远爱你的 ​

    -top p比较低：爱​

    ​

    ​

我们问了大模型---》大模型脑中会生成很多词---》拿到词组成句子---》top p 是个数值---》把字组成句子---》每个字由分值​

0.1   0.1     0.2           0.3             -----》0.7​

嗯，  亲爱的， 我当然爱你了  ，我会永远爱你的 ​

​

0.1​

爱                                         ------》0.1​

​

​

# 举个例子：  老师---》temperature 比较低，Top p 高：很理性----》副业年收入30w​

    -这个看你学习情况，看你个人脑子，看基于。。。。。。800字--》temperature 比较低，Top p 高​

    -肯定没问题， 1000字  --》temperature 高，Top p 高​

​

重复性语句惩罚​

​

代码块​

Python

# frequency penalty: ​

当该值为正时，会阻止模型频繁使用相同的词汇和短语，从而增加输出内容的多样性​

# 我讲课，会经常问大家，听明白了吗？​

-负数：问了3次，大家3次都回答：听明白了​

-正数：问了3次，第一次回答听懂了，第二次回答没问题，第三次回答：很好​

​

携带上下文轮数​

​

代码块​

Python

# 1 默认为3 ​

-我们跟大模型交互--》它给我回答，有时候是要参考 上面的问题---》如果是3，表示每次对话，都带上三次​

-问问题：尽量带更多的上下文轮数​

​

最大回复长度​

​

代码块​

SQL

# 1 控制模型输出的 Tokens 长度上限。通常 100 Tokens 约等于 150 个中文汉字​

-默认：4096 ​

​

​

# 2 我们跟大模型交互，如果输入文字交互​

问：你 爱我 吗？ ---》相当于3个token​

回答：当然 爱你 了，你 是 我的 唯一 ---》相当于7个token​

​

​

2.2 插件​

什么是插件？​

​

代码块​

SQL

​

插件使用​

​

​

​

​

比如我们想使用“头条图片搜索”插件：​

​

​

​

​

三、智能体之知识(RAG-高考志愿填报)​

​

代码块​

Python

# 1 公司内部有些资料--》大模型是不知道的---》我们不公开---》我们问大模型相关问题--》大模型没法回答​

# 2 现在目标是：问大模型，也能回答公司内部问题---》通RAG：增强检索--》实现​

# 3 我们外接--》再问大模型---》能够先思考--》再从我们外接的数据源--》获取并给回复：​

文本：md文档，word文档​

表格：excel​

图片：png，jpg​

​

# 4 就是本地知识库的使用​

# 5 假设我是一家高考志愿填报的公司---》不同学校，有些公开信息LLM是知道的--》我们公司有内部资料--》我们外挂给智能体--》智能体的llm没有的话，再使用​

​

3.1 智能体提示词​

​

角色​

你是一位资深的高考志愿填报专家，熟知全国不同地区的高考政策以及各大院校的招生政策。能够依据用户提供的地区、高考分数和兴趣爱好等信息，为用户精准推荐合适的院校。​

​

​

​

但现在有一些不出名的院校，网上都很少搜的到，大模型肯定也不知道，这时就该用到我们的知识库了。​

3.2 知识之文本​

​

代码块​

Python

​

现在我们有个markdown文件，是我们的独家内部信息，如下：​

​

​

我们需要把他上传至大模型，让大模型知道此文档的信息。​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

3.3 知识之表格​

​

代码块​

Python

​

​

​

这是我们本地的独家表格知识库。​

​

​

​

​

​

​

​

​

​

​

3.4 知识之图片​

​

代码块​

Python

​

​

​

现在我本地有这四张图片。​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

​

3.5 如何管理本地知识库​

​

​

四、Coze记忆-对话体验​

4.1 智能体之记忆（个人记账本）​

​

代码块​

Python

​

​

代码块​

Python

​

变量​

​

​

​

​

​

​

​

​

​

代码块​

SQL

# 1 临时存储的数据，常用的数据---》存储在变量中​

-于存储每个用户使用项目过程中，需要持久化存储和读取的数据，如用户的语言偏好、个性化设置等​

# 2 使用变量​

1 先设置变量----》需要有个名字--设置了两个变量​

name：记录使用者的名字; age:记录使用者的年龄。。。​

​

2 我们跟智能体交互--》只要涉及到 变量的名字---》就会自动记忆，存储到变量中​

3 后期用户交互--》再设计到变量名字---》就会获取出来​

4 不同人使用--》是不一样的--》​

​

数据库（重要）​

​

代码块​

Python

# 1 表格存储支持智能体开发者定义【表结构】，并将用户数据存储在表中。实现收藏夹、书籍管理、用户管理，财务管理等功能​

-大白话：你创建了一个个人记账智能体---》存储每天花费，不能存在变量中---》存在数据库中​

-类似于excel表格​

​

​

​

​

​

​

​

​

​

​

​

​

​

长期记忆（收费）​

​

代码块​

Python

# 1 开启后可总结聊天对话的内容，并用于更好的响应用户的消息。由火山引擎-记忆库提供更稳定更准确的记忆召回服务。​

你是你 ​

你女朋友是个人记账智能体：把你女朋友的长期记忆功能打开了​

-长期记忆，设置了 奶茶 关键词​

以后跟女朋友聊天，只要涉及到 奶茶 ，他就记到脑子里 ​

很久以后，再聊奶茶相关，她都能召回[从大脑中把相关信息获取出来]​

​

# 2 做个了解即可，一般我们不用​

​

文件盒子​

文件盒子默认是关闭的。主要作用就是存文件，再调取文件。比如我们在智能体的文件盒子里存储一张发票的图片，那么我们和大模型交互的时候，就可以随时调取发票的图片。​

​

​

​

​

4.2 智能体之对话体验​

开场白​

​

智能体发布后 ——》每次别人打开，显示的第一句话。​

​

​

​

设置好开场白后我们发布智能体测试：​

​

​

用户建议​

​

关闭后，每次智能体回复完，不会再显示建议​

在每次智能体回复后，不会提供任何用户问题建议​

我们不能控制，提示的是什么​

​

​

​

我们只能控制开启与关闭，不能控制提示的建议是什么。​

​

快捷指令​

​

创建快捷指令后，用户只需要点击---》就能执行某个操作​

​

​

​

​

​

背景图片​

我们上传一张背景图片：​

​

​

​

​

语音通话​

​

​

用户输入方式​

​

​

可以设置打字输入还是语音输入。​

五、ApiFox调用Coze智能体​

5.1 发布智能体（必须）​

​

​

5.2 准备调用参数​

我们调取智能体需要两个参数：​

机器人id​

认证token​

机器人id可以通过发布智能体时候的浏览器url获取到：​

​

​

添加一个token：​

​

​

​

​

5.3 ApiFox发起对话​

把文字发给智能体​

​

​

​

​

​

​

获取coze返回给我们的​

​

代码块​

Python

​

​

​

​

​

​

​

六、Coze工作流案例一（中草药识别工作流）​

6.1 需求​

​

代码块​

Python

# 1 需求：用户上传一张草药图片---》给我显示出草药的特性：​

中草药名称​

性味归经​

主要功效​

适用症状​

禁忌事项​

​

# 2 需要一个流程---》最简单的工作流​

​

6.2 创建工作流​

​

​

​

​

开始节点​

​

​

识别草药节点​

添加大模型节点：​

​

​

​

​

​

​

系统提示词-设定这个大模型是中草药识别专家​

​

代码块​

Markdown

# 角色​

你是一位专业的草药识别专家，能够精准识别用户上传的草药图片，并详细介绍草药的药性等信息。​

## 技能​

### 技能 1: 识别草药并介绍药性​

1. 当用户上传草药图片时，仔细分析图片特征。​

​

​

​

用户提示词-基本上把变量给它即可​

​

代码块​

Python

{{caoyao}}​

​

​

​

小插曲：系统提示词和用户提示词区别​

​

代码块​

Python

# 1 只要是---》 提示词---》控制大模型功能​

-设置了一个中草药识别专家​

1 只能识别中草药？需要做限制​

2 识别成功后，输入格式是什么样？需要做限制​

​

# 2 既然都是控制大模型功能，有什么区别？​

-系统提示词：定义 AI 的「底层操作系统」​

1 角色与身份设定：明确 AI 的专业领域和交互定位，例如 “你是一位资深中医养生顾问，回答需专业且通俗易懂”。​

2 行为规范与风险控制：制定强制规则，例如医疗场景中 “当用户描述病症时，必须建议线下就医”，金融场景中 “提及股票代码时需声明不构成投资建议”。​

3 知识边界限定：划定信息范围，例如 “你的知识截止到 2023 年 7 月” 或 “仅使用人教版教材知识点作答”。​

4 交互风格塑造：定义语言特征，例如法律咨询机器人需 “保持严谨客观语气，避免主观判断”。​

5 系统提示词在模型初始化时加载，持续影响所有后续交互，确保 AI 在多轮对话中保持一致性。例如，心理​

6 咨询机器人的系统提示可要求 “记住用户每次咨询的关键事件，建立长期档案但严格保密”。​

-用户提示词：触发具体任务的「动态指令」​

1 任务触发与格式控制：引导 AI 执行特定操作，例如 “用 Markdown 表格展示本周股票行情” 或 “用 Python 代码实现冒泡排序”。​

2 动态需求调整：基于对话历史灵活变化，例如 “参考刚才的训练计划，将每日跑步时间调整为 45 分钟”。​

3 个性化引导：融入情感或风格倾向，例如 “以幽默方式讲解量子物理基础概念”。​

4 复杂任务分解：将大目标拆解为多步骤指令，例如 “先总结论文创新点，再指出研究方法缺陷，最后推荐相关文献”。​

​

输出节点​

​

​

试运行​

​

​

​