一、简介

基于Coze的Agent智能体0代码开发
文章将以概念思路理解与实际操作并行的形式展开
相关文件：电商答疑助手案例 链接: https://pan.baidu.com/s/1Fw8Pj0JtAanBnumS_o6drg?pwd=q5wt 提取码: q5wt

· 大模型与Agent的区别？

传统大模型：智慧的头脑
Agent：智慧的大脑 + 四肢

· Coze零代码开发智能体

【 专注于开发Bot（Agent）的平台】

---

二、提示词（Prompt）——《让Bot听懂人话》

【与AI沟通”说明书“】

1. 四大核心要素

· 角色定位：越具体，越专业
· 技能描述：动作、对象以及目标；避免模糊词汇
· 输出格式：情况分析（50字）、回复建议（3条，每条30字）、 完整范文（150字）
· 约束条件：内容约束、风格约束

2. 提示词分类

系统提示词：大模型定位
用户提示词：用户提问解析

3. 设置方法

自己编写提示词+AI调优

---

三、检索增强技术（RAG）——《让Bot更专业》

【RAG(Retrieval-Augmented Generation)检索增强技术】

1. 基本原理流程图

1）没有RAG：

直接将用户问题(query）送进大模型(LLM）得到结果。

2）有RAG：

1.将用户问题(query）和知识库(database）做相关性检索，得出和问题相关的上下文(Context）； 2.再将query和Context融合拼接，得到一个融合的结果(result）； 3.最后将result送入LLM，得到最后的结果。

2.解决问题

RAG解决了传统LLM消息滞后(无法获取最新知识）导致回答问题时乱回答的大模型幻觉问题

3. RAG知识库构建【Coze实践】

· 流程：

1）文档准备

建议：准备markdown文件，便于文档切分

2）文档切分

建议：按照层级分段

3）文档向量化

（服务器会进行自动处理）

---

四、函数调用（Function Calling）——《让Bot做事》

1. Function Call应用基本流程图

Function Call： 在语言模型中 集成外部功能 或 API调用 的能力

1）没有function-call 时

2）有function-call 时

注意：大模型的Fuction call不会调用函数，仅返回函数的参数。开发者利用模型输出的参数在应用中调用函数。

2. Function Calling应用 【Coze实践】

· Function Call： 是一个工具集，每个工具都是一个可调用的 API（API = 程序与程序之间的 “通用接口”，负责互相通信、互相调用功能）。

· 核心机制： 模型通过阅读【工具集描述】来决定是否调用该插件！

· 流程： 创建智能体–》 编排–》添加技能–》 选着插件–》 应用

3. Coze自定义插件应用

1）打开资源库
2）点击插件
3）选择python开发
4）定义输入输出
5）构建代码
6）测试插件
7）发布
8）添加Bot

---

五、工作流设计与编排——《让Bot做复杂的事》

1. 工作流分类

1）工作流
2）对话流

2. 工作流核心—节点

【工作流的核心组件】
每个节点时一个具有特定功能的独立组件，负责处理数据、执行任务

通过将不同功能的节点连接起来，精准地控制数据流向和任务执行顺序，从而实现任何复杂的业态逻辑。

3. 创建工作流的标准流程【Coze实践】

1）创建工作流

操作路径：资源库 → +资源 → 工作流
设置内容：· 工作流名称（清晰明确）· 功能描述（帮助AI理解）

2）编排工作流

操作核心：· 可视化画布添加节点 · 连接节点形成数据流 · 配置节点的输入输出参数
设置内容：开始节点 → LLM节点 → 结束节点

3）测试并发布

测试方法：点击测试 → 输入测试数据 → 检查节点状态
发布流程：· 测试通过后点击发布 · 发布后可使用

---

---

（案例实践：跨境电商答疑助手）工作流编排【Coze实践】

1.设计流程

1）开始节点

作用：接受用户输入的问题（query）
实现：《默认节点》

2）* 意图识别*

作用：判断用户的query是否属于《知识库》范畴
实现：python编写自定义《插件》

3）选择器

作用：获取《意图识别》的结果
实现：添加《选择器》节点

4）* 知识库检索 *

作用：输入用户的query，经过知识库检索,得到和query相关的context，注意：有可能检索出来的结果为空
实现：添加《知识库检索》节点

5）判断是否可以检索出结果

作用：根据检索结果进行判断选择
实现：添加《选择器》节点
1.如果检索出相关的context，那么交由《大模型RAG回答》：基于query和context来让LLM回答问题
2.如果没有检索出相关的context，那么交由《闲聊大模型回答》：直接将query送入LLM回答问题

6）大模型RAG回答

作用：接受用户的query和context，经过大模型得到结果
实现：添加《大模型》节点，注意：需添加大模型系统prompt

7）大模型闲聊回答

作用：接受用户的prompt，直接基于大模型本身回答结果
实现：添加《大模型》节点，注意：需添加大模型系统prompt

2. 核心功能设计

1）智能意图识别：打招呼/感谢、人工服务请求、专业问题等意图分区

2）知识库智能检索：命中相关内容→基于问题回答；未命中相关内容→结合通用知识回答