扣子生态

开发平台

新版开发平台界面
扣子编程，你的 AI 开发伙伴， Vibe Coding 基础设施，自然语言对话开发智能体、工作流、网页应用、移动应用，一键部署上线

旧版开发平台界面
扣子 - AI Agent智能办公平台 - 扣子用AI重塑生产力与工作效率

扣子罗盘

扣子罗盘

eino框架

GitHub - cloudwego/eino: The ultimate LLM/AI application development framework in Go.

扣子空间

扣子 - AI Agent智能办公平台 - 扣子用AI重塑生产力与工作效率

智能体开发

创建智能体

项目开发，智能体开发

输入标题和介绍，自动生成图标

模型是豆包，回答也是豆包
切换成deepseekv3

模式选择

模式	生活比喻	特点	适用场景
单 Agent（自主规划）	能干的总秘书	自我驱动，思考型。你给目标，它自己拆解和执行。	目标明确但路径未知的复杂任务，如深度数据分析、复杂规划。
单 Agent（对话流）	按清单行事的助理	流程固定，引导型。你跟着它的步骤走，一步步提供信息。	客服、信息收集、标准化流程处理（如订餐、预约）。
多 Agents	专家委员会	协作讨论，群策群力。多个专家共同决策，结果更均衡。	需要多角度权衡的复杂决策，如产品设计、战略规划、创意 brainstorm。

模型设置与优化

模型	优势	适用场景	注意事项
DeepSeek 系列	推理能力突出：在数学、代码、逻辑推理表现优异；支持 DeepSeek-MoE 架构，提升推理速度与成本效率	编程辅助：代码生成、代码解释、代码优化；数据分析：复杂数理统计；学术研究：论文写作和文档分析；企业应用：智能客服和自动化办公	中文优化有限：需额外微调以适应中文语境；多模态支持：需依赖外部工具；资源消耗：大参数模型对硬件要求高
豆包系列	中文理解能力：针对中文语境和文化优化；知识丰富：积累了 1.5 亿级中文文本，1.6Tb 常用知识库，针对中文场景优化	智能客服：中文对话流畅自然；内容创作：文案生成和编辑；跨文化：语音识别和跨语言；企业办公：文档处理和数据分析	长文本处理：上下文窗口有限，不适合超长文档；场景限制：定制化能力有限；多模态支持：主要优化中文场景
互亿系列	中文理解能力：针对中文语境和文化优化；功能丰富：FunctionCall 精准调用工具；通用能力强，适合复杂场景	智能客服：中文对话流畅自然；内容创作：文案生成和编辑；跨文化：语音识别和跨语言；企业办公：文档处理和数据分析	长文本处理：上下文窗口有限，不适合超长文档；场景限制：定制化能力有限；多模态支持：主要优化中文场景
通义千问	长文本理解能力：支持 128k 上下文，适合长文档；多模态支持：支持图文、语音、视频多模态融合应用；个性化和安全：个性化和安全合规；工具生态完善：内置丰富的行业解决方案	企业知识库：长文档检索和分析；多模态内容生成：图文并茂的内容创作；跨境业务：多语言客服和内容；边缘设备：低资源环境下的本地化运行	推理速度较慢：长文本处理时响应时间较长；计算资源消耗：算力消耗大；开源协议限制：部分高级功能需商业授权
文心一言	中文理解精准：在医疗、教育等垂直领域理解精准；知识覆盖全面：百科知识和行业知识库；安全合规：符合国内数据安全要求；工具生态完善：内置丰富的行业解决方案	医疗健康：医学知识问答和辅助诊断；教育教辅：个性化学习和辅导；政务服务：政策解读和咨询；内容审核：文本合规性检查	推理成本高：API 调用费用较高；开源程度低：闭源模型；多语言能力：多语言能力有待提升

模型⼯作原理

1. 数据准备预处理(Data Preparation)
   在训练之前，模型需要数据。但这些数据不能是原始的、杂乱⽆章的。

• 做什么：从互联⽹、书籍、代码库等渠道收集巨量的⽂本数据（通常是TB甚⾄PB级别）。
• 怎么做：
  • 清洗：去除重复、低质量、有害的内容。
  • 格式化：将所有⽂本转换成统⼀的格式。
  • 分词：将句⼦拆分成模型能理解的更⼩单元（称为“Token”），⽐如单词或词根。例如，
• ⽬标：得到⼀份⼲净、庞⼤、可供模型“阅读”的⽂本数据集。

1. 模型训练(Model Training)
   这是最核⼼、最耗计算资源和时间的⼀步。其核⼼是⾃监督学习。

• 做什么：让模型从数据中⾃⾏学习语⾔的内在规律和知识，⽽不需要⼈⼯标注。
• 怎么学（关键机制）：
  1. 任务设计：采⽤“遮蔽语⾔模型”任务。⽐如，把⼀句话“今天天⽓真好，我们⼀起去公园 吧”中的“公园”⼀词遮住，变成“今天天⽓真好，我们⼀起去___吧”。
  2. 预测与纠错：让模型根据上下⽂“今天天⽓真好，我们⼀起去”来预测被遮住的词是什么。它可能会猜“散步”、“打球”、“公园”等，并给出每个词的概率。
  3. 参数调整：模型⼀开始会乱猜。猜错后，它会通过⼀种叫做“反向传播”的算法，微调其内部数百万、乃⾄万亿个“参数”（可以理解为脑细胞之间的连接强度和⽅式）。每次调整都让它对语⾔的理解更精准⼀点。
• ⽬标：通过海量重复上述过程，让模型的“参数”调整到最佳状态，使得它能够⾮常准确地根据上⽂预测下⼀个词（Token）。

1. 模型推理(Model Inference)
   训练好的模型就可以⽤来为⽤⼾服务了，这个过程就叫推理。

• 做什么：根据⽤⼾的输⼊（提⽰词-Prompt），⽣成相应的输出（Completion）。
• 怎么⼯作：
  1. 理解输⼊：模型将你的提⽰词进⾏分词等处理。
  2. 迭代⽣成：
     • 模型从你给的最后⼀个词开始，基于它学到的所有规律，计算下⼀个最可能出现的词是什么。
     • 把这个新⽣成的词加到原来的句⼦上，形成新的上下⽂。
     • 再基于新的上下⽂，预测再下⼀个词。
     • 如此循环往复，就像⼀个“逐词接⻰”，直到⽣成⼀个完整的回答或达到⻓度限制。
• ⽬标：快速、流畅地⽣成符合⽤⼾要求和上下⽂逻辑的⽂本。

4. 对⻬与微调(Alignment&Fine-Tuning)
   ⼀个只知道预测下⼀个词的模型，可能会⽣成⽆⽤、有害或不准确的回答。因此需要⼀个“打磨”过程，让它更符合⼈类的价值观和偏好。

• 做什么：让模型的输出更安全、有⽤、符合预期。
• 怎么做：
  • 监督微调：雇佣⼈类专家，编写⾼质量的问答对（例如：“问：天空为什么是蓝⾊的？：因为瑞利散射…”），⽤这些数据进⼀步训练模型，教它“应该如何回答问题”。
  • ⼈类反馈强化学习：这是更关键的⼀步。
    1. 让模型对同⼀个问题⽣成多个答案。
    2. ⼈类评审员对这些答案从好到坏进⾏排序。
    3. 训练⼀个“奖励模型”来学习⼈类的偏好。
    4. ⽤这个奖励模型去指导原始⼤模型进⾏优化，让它倾向于⽣成能被奖励模型打⾼分的回答（即⼈类更喜欢的回答）。
• ⽬标：确保模型不仅“聪明”，⽽且“善良、有⽤、诚实”。

模型参数配置

调精确模式

上下文轮数参考需求

提⽰词编写

提⽰词是与⼤模型交流的载体，⼀般情况下，提⽰词可以分为系统提⽰词和⽤⼾提⽰词

• 系统提⽰词=奶茶店的《员⼯培训⼿册》

  1. ⾝份设定(Role):“你的⾝份是‘快乐奶茶⼩专家’，必须热情、有耐⼼，且熟知所有产品。”
  2. ⾏为准则(Behavior):“必须主动向顾客问好：‘您好，欢迎光临！’；必须向每位顾客复述⼀遍他们点的订单以防出错；最后必须说：‘这是您的奶茶，请拿好，祝您⼀天愉快！’”
  3. 技能边界(Capability):“只能制作菜单上有的饮品，如果顾客想要菜单外的，可以建议相似款式，但不能⾃⾏发明。”
  4. 安全规范(Safety):“绝不能使⽤过期原料。如果顾客询问奇怪的⾮饮品问题（⽐如‘怎么修电脑’），应礼貌表⽰⽆法帮忙，并引导回点单话题。”

• ⽤⼾提⽰词=你下的订单
  ⾛到柜台前，对店员说的⼀句话，就是⽤⼾提⽰词。这是⼀个具体的、⼀次的指令。
  你（⽤⼾）说：
  “你好，我要⼀杯⼤杯的冰珍珠奶茶，三分糖，多加⼀份椰果。

• 只有系统提⽰词（⼿册），没有⽤⼾提⽰词（订单）：

  • 店员会微笑着对你说：“您好！欢迎光临！”，然后就开始等你点单。他⾏为规范，但不知道具体要做什么。

• 只有⽤⼾提⽰词（订单），没有系统提⽰词（⼿册）：

  • 你可能会遇到⼀个冷漠、机械的店员。你说完“要⼤杯冰珍珠奶茶…”，他可能直接扔给你⼀杯全糖、没加椰果的普通奶茶，甚⾄反问你：“珍珠奶茶是什么？我们没这东西。”

场景	系统提示词 (System Prompt)	用户提示词 (User Prompt)
奶茶店例子	《员工培训手册》	顾客下的订单
核心作用	定义 “如何做”	定义 “做什么”
可见性	隐藏（后台规则）	可见（你的具体命令）
特点	全局性、持续性（影响整个对话）	具体性、一次性的（针对当前请求）

系统提⽰词结构

优质提⽰词需清晰定义⻆⾊、⽬标、约束、流程、⽰例，推荐使⽤CO-STAR框架：

模块	说明	示例
Context	任务背景与上下文	“你是电商客服，需解答用户关于 iPhone 15 的咨询，知识库包含最新价格和库存”
Objective	核心目标	“准确回答价格、发货时间，推荐适配配件”
Steps	执行步骤	“1. 识别用户问题类型；2. 检索知识库；3. 用亲切语气整理回复”
Tone	语言风格	“口语化，避免专业术语，使用‘亲～’‘呢’等语气词”
Audience	目标用户	“20-35 岁年轻消费者，对价格敏感，关注性价比”
Response	输出格式	“价格：XXX 元 \n 库存：XXX 件 \n 推荐配件：XXX（链接）”

智能体调试并发布

⽤⼾体验优化

1. 开场白
   
   

扣子资源

插件

无法获取最新的消息

添加墨迹天气，高德地图

修改系统提示词

可以获取到当地的天气

可以规划出行路线

插件的分类

1. 按功能场景分类

插件类型	核心作用	插件实例
数据查询类	获取外部实时数据	墨迹天气
业务工具类	执行特定功能	生成图片

编写技能5

2. 按照收费⽅式分类

• 扣资源点型：每次调⽤都会扣除coze资源点
  

• 申请密钥型：在调⽤之前需要先申请密钥
  

调试插件

插件在本质上也是⼀个第三⽅服务，我们在调⽤的过程中可能会⾯临调⽤失败或者参数不合法的场景，当⽆法得到结果或者得到的结果与我们的预期相差⽐较远的时候，我们可以调试插件，即观察插件的调⽤过程，请求⼊参和响应出参。

知识库资源

• 没有知识库
  只能依靠它受训时的通⽤知识来回答，但⽆法提供你公司内部特定的信息。
  缺点：回答正确但⽆⽤。它不知道你公司的具体规定，⽐如是⽤“钉钉”还是“⻜书”审批，额度是多少，需要什么附件。它成了⼀个“正确的废话⽣成器”。
  

• 有了知识库
  上传⼀个知识库。这个知识库包含：

1. 《新员⼯⼊职指南.pdf》（包含Wi-Fi密码、各部⻔联系⽅式）
2. 《财务报销制度.docx》（包含报销流程、截图⽰例）
3. 《考勤与休假规定.xlsx》
4. ⼀份“公司周边美⻝推荐”的Word⽂档
5. ⼀些内部技术⽂档的链接和简介
   可以回答个性化问题

方面	解释
是什么	知识库是智能体专属的、可信任的 “私人图书馆” 或 “大脑外挂硬盘”。它存储了公共 AI 模型不知道的、你私有的信息。
做什么	赋予智能体深度领域知识和事实依据。让它的回答不再是泛泛而谈，而是精准、具体、有据可查的。
核心价值	解决 “幻觉” 问题，提供权威答案。它将一个通用的聊天机器人，变成了一个真正能解决内部问题的专家系统，极大提升了信息的准确性和获取效率。

RAG

RAG（Retrieval-Augmented Generation，检索增强⽣成）。RAG是⼀种将“信息检索”与“⽂本⽣成”相结合的技术框架。它的核⼼思想很简单：在让⼤模型⽣成答案之前，先让它去⼀个指定的知识库（⽐如公司⽂档、数据库、⽹⻚等）⾥查找相关的信息，然后根据查找到的这些准确、最新的信息来组织和⽣成答案。

• 没有RAG的普通⼤模型：像⼀个在做闭卷考试的学⽣，只能依靠⾃⼰记忆（训练数据）中的知识来答题。如果问题超出了它的记忆范围，或者记忆是错的，它就会答错或“编造答案”（幻觉）。
• 有RAG的⼤模型：像⼀个在做开卷考试的学⽣。遇到问题时，先跑去翻阅指定的参考书（知识库），找到最相关的段落和证据，然后结合⾃⼰的理解（⽣成能⼒），组织成⼀个准确的答案。
  RAG的过程通常分为三个核⼼步骤：
  

知识库的分类

⽂本、表格和照⽚

按照构建知识库来源，可以包括：

• 本地⽂件上传：
  • ⽀持直接上传本地设备中的⽂件。
  • 格式⽀持： .txt , .pdf , .docx , .csv , .xlsx 等。
  • 这是最常⽤、最快捷的初始化知识库的⽅式，适⽤于将已有的产品⽂档、报告、⼿册等数字化材料导⼊。
• 在线⽹站抓取：
  • 可以通过输⼊URL⽹址，将指定⽹⻚或整个站点的内容抓取到知识库中。
  • ⽀持⾃动采集和⼿动采集两种⽅式。
  • 此⽅式⾮常适合⽤于整合最新的在线资讯、博客⽂章、官⽅公告等实时性较强的信息，确保Bot知识的时效性。
• 第三⽅平台集成：
  • Coze提供了与常⻅协作平台的集成能⼒，例如可以直接从⻜书⽂档（Feishu）、Notion等平台导⼊内容。
  • 这⽅便企业将已有的知识管理体系快速对接到AI助⼿，⽆需重复上传⽂件。
• API接⼝同步：
  • 对于表格类型的知识库，⽀持通过API⽅式将JSON数据上传⾄知识库。
  • 这种⽅式可以实现数据的⾃动化、周期性更新，将知识库与业务数据库或其它系统打通，适⽤于⾼度动态变化的数据，如商品库存、实时价格等。
• ⼿动⾃定义输⼊：
  • ⽀持直接在Coze平台界⾯上⼿动输⼊⽂本或表格数据。
  • 适⽤于添加⼀些零散的、需要补充的知识点，或者进⾏快速的测试和调试。

数据库资源

Coze数据库是字节跳动扣⼦平台提供的结构化数据存储服务，采⽤类NoSQL的⽂档模型，⽀持通过⾃然语⾔或SQL语句进⾏数据的增删改查操作。作为智能体的"⻓期记忆"组件，它能够持久化存储⽤⼾交互数据、业务配置信息和应⽤状态，是构建复杂AI应⽤的核⼼基础设施。
有了数据库，智能体就拥有了“⻓期记忆”

数据类型：String(字符串)、Integer(整数)、Number(浮点数)、Boolean(布尔值)、Time(时间)

方面	解释
是什么	数据库是智能体结构化、可查询的 “长期记忆系统”。它用来存储需要长期保存和随时查询的用户个人数据和交易数据。
做什么	实现数据的 “增删改查”。智能体可以： 1. 创建新记录。 2. 读取历史记录。 3. 更新已有记录。 4. 删除记录。
与知识库的区别	知识库存储的是供查阅的文档（是什么），是只读的。数据库存储的是可操作的记录（做了什么），是可读写的。
核心价值	实现真正的个性化服务。它让智能体不再是 “一视同仁” 的百科全书，而是一个真正了解你个人历史和行为的专属助手，能够基于你的数据提供动态反馈和决策。

记录所有对话内容