之前舰长只给大家分享Coze工作流实操，很少直接去讲理论知识，但是有的理论知识不得不讲

比如：“输入变量”“引用变量”“插入变量”“变量类型”

这些专业的话语脱口而出，到底这些“变量”是什么意思，什么时候用也是困扰大家许久的一个问题

借助一套自动化工作流：（提供流量不错的小红书文字类图片作品的链接，就可以全自动改写生成新的图文）把Coze中的“变量”讲清楚

演示效果：

完整工作流：

创建工作流

创建新的工作流时，只会有两个节点“开始”和“结束”

这里就涉及到两个变量“输入变量”、“返回变量”、“变量类型”

开始

需要编写变量名和变量类型

默认变量名为“input”；变量类型为“string”

当你运行一套工作流时，先输入了 20 个字作为启动材料

• 这 20 个字会直接成为流程里开始节点的 “初始输入内容：input”
• 之后流程里的其他步骤（后续节点），如果需要用到第一步的内容，直接引用这 “input”，不用再额外输入。

而变量类型就是支持传递的数据格式/文件格式

基础类型

数组类型

文件类型

所有的类型都有特定条件使用：

如果需要提供一段文案，基本上都用“String格式”；图片就用“Image格式”；数组类型多应用在工作流运行当中，在流程中再细聊。

插件节点：小红书提取

在插件商店中搜小红书，详情插件如图

这款插件的核心功能，是根据提供的小红书作品链接，自动提取作品中的文案与图片链接。该插件需依赖一个关键输入参数 ——“作品链接”，为避免流程运行到该节点时被迫中断（需额外手动补充链接），确保整体操作顺畅，就需要通过引用变量的方式，直接引用开始节点的 “input” 参数（即运行开始时传入的小红书作品链接）。

当运行工作流时，在开始传递链接，这个链接会简化为“input”参数在后续各节点中引用

同时该插件的输出中是有content（文案）、image_urls（图片链接）、title（标题）

image_urls（图片链接）则是一个数组格式，呈现效果为：

带有{6}也就是一共提取到6个链接，这6个链接以“0.1.2.3…”的顺序排列好，这就是Array的呈现效果。

另外在Coze工作流中，所有的文件类型（图片、docx）都会以在线链接的方式存在，存储在Coze的云端（有效期1个月）

OCR文字提取

因为是对标爆款图文，文案内容也不需要用AI生成，只需要用Ai改写。改写的基础就是要知道文字内容是什么，最直接就是采取OCR插件提取文字。

同样，这款插件每次运行时只能接受一个图片，然后进行文字提取，但第二个小红书节点的输出变量中有6个图片链接，想要一次性获取这6个图片中的文字，就需要用到批处理的方式来解决

批处理的使用也是有规则的，是在每个插件中设置一个数组转化的功能，根据提供的数组长度去批处理

代码节点

由于OCR节点的输出是一个不连贯的文字，我们需要把这些字变为连贯的文字

代码资料舰长已经准备好！领取方式在文章结尾

输入变量就引用OCR插件的输出

输出变量名为“result”变量类型为“Array”同样的还需要把每个图片的文字以数组输出

接下来就是用大模型节点生成【改写文案】、【核心主题】、【主图和配图生成的提示词】，模型节点也是一个重点变量使用区域

文案改写

前面的节点都是在提取文案，清洗文案；但还是一致，因为有好多张图片所对应的文案，那改写文案最佳的方式也是用批处理对这些文案，批处理改写。

代码输出也是Array格式，文案改写模型直接选择批处理，再在批处理输入中引用代码的输出（Array格式），最后在输入变量处引用批处理后的变量即可

在该模型节点中，若需传递待改写的文案，这些文案会以 “input” 变量的形式承载。使用时，只需将 “input” 变量插入到用户提示词里即可。

简单来说，原本需要手动向模型传入大量文案，现在直接用 “input” 变量替代这些文字 —— 只要把这个变量插入提示词，模型就能自动识别并获取对应的文案内容。

而“输入参数”就是在给这个“input”赋值

系统提示词和用户提示词

## 任务对用户输入文案进行改写，不要改变原文案表达的意思；

用户输入的文案：{{input}}

核心主题生成

依旧也是一致，需要提供原文案进行核心主题提取，这个主题后续放到主图中

系统提示词和用户提示词

根据输入内容，生成2句话概括的主题，每句话不得超过10个字

{{input}}

输出变量：因为在系统提示词中有详细说明需要生成两句主题，而这个主题因为后续节点必须要使用两个输出（上句和下句）

设置两个变量“output”和“output1”

氛围感图片prompt

输入还是和上面一致，根据全部的文案做背景图片提示词的输出

系统提示词和用户提示词

# 角色你是一名高级氛围画面想象专家，擅长制作高级清晰宁静的画作。现在不需要你来制作画作，只需要发挥你的想象力，告诉我画面是什么样的。同样我会给你一些示例参考：示例1：电影般的豪华房地产拍摄，一个人赤脚站在现代洛杉矶山坡上的房子里，拿着陶瓷马克杯，透过宽敞的玻璃窗看着朦胧的洛杉矶天际线，柔和的晨光，黑色，白色和温暖的木色调的极简主义装饰，安静的奢华，场景中微妙的热粉色口音，高分辨率，编辑的心情。示例2:桌子上玻璃花瓶里的红色郁金香的颗粒照片，与影子游戏和一丝光线，创造了一种黑暗学术风格的低保真美学。高级氛围感## 要求- 画面主体要你单一，画面要干净- 画面中不宜亮度太高，清晨或者晚间的烛火等暗系氛围感- 输出等画面中不得使用“”包裹的文字，画面上也不能有字体- 输出而2个画面

根据用户提供的内容来生成：{{input}}

输出也是有两个，在提示词中也写明需要生成两个图片

这是接下来的流程设定和连线

Flux插件

在插件商店中搜索“Flux_kontext”的插件，详情看图片

这个插件是第三方开发者开发的需要进行一定的付费，就是api_token详情地址为：https://www.51aigc.cc/#/userInfo

这种插件的“输入变量”比较多，一定要了解每一个变量的意思，以及重要性。这些是使用插件的必经之路

在这个插件中的prompt参数就可以引用“氛围感图片”的第一个输出“output”

画板节点

这个节点就是制作主图的节点，需要提供三个“输入变量”文字1、文字2、主图图片

对应的引用Flux节点的输出img_url和核心主题生成的两个输出（图片如果是链接的情况下，就需要用一个空白的图片铺满全部页面，然后在引用图片链接变量）

Flux插件

相同的插件，只是这个插件是生成配图图片的

这里的prompt就引用“氛围感图片prompt”的输出output1

批处理节点

并行运行数量需要设置为2，因为画板在同时间不能超过4次运行

输入就引用“文案改写”因为也是Array格式

在批处理体中再添加画板节点

这个时候需要提供空白图片去引用图片链接，以及文本需要设置为多行文本预设范围出来

批处理的输出就引用画板节点的输出data即可

结束

在我们生活中其实有非常多的工作场景都可以用这样的一套流程去替换，舰长本次写的内容比较多，也是想让大家更容易接受，其实当我们学会Coze上的这些工作流节点，就可以改变很多工作上事情的处理流程。

让乱糟糟的工作理顺，合理化，同样也不要小看提示词的力量，一个好的智能体提示词也能帮助我们解决非常多的事情，在一些事情上给予灵感。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】