以新闻整理助手为例的工作流

一、工作流的制作思路01:22

以目标为导向，明确需求到实现的路径01:36

将目标分割为多个子任务，实现需求02:23

二、工作流的实践

1、节点的开始

默认的变量为传入到工作流真实的输入，funtion_call的调用是模型自行判断哪种输入？

2、节点的结束

输出的变量有两种选择：

①“返回变量，由bot生成回答”。工作流将生成的结果给到外层的模型或bot给出回答。

②“使用设定的内容直接回答”。工作流将得到的内容作直接输出，不提交给外层的模型总结生成。在“回答内容”框体内可以选择变量进行插入选择回答顺序和符合阅读逻辑。

#勾选了流式输出，在输出回答的时候无需等待完整生成，bot会一边生成一边发送。一段一段地显示结果

3、插件的使用

插件是一系列工具的集合。

如果在模型中直接调用插件，会由模型来判断是否进行function_call插件调用。与之相对的，在工作流中进行插件调用则包含了输入和输出参数。

在输入参数中，“引用”可以选择前面任意节点的参数进行输入，“输入”选项则是在工作流中手动填入文字。

在输出中，插件会声明输出的结构和参数。部分插件会提供参考例子。

插件支持批处理。例如对一个关键词进行搜索并对搜索结果进行爬取，就需要爬取插件多次地对内容进行解析。

在例子中，先通过bing插件搜索关键词“coze”得到10个网页，并在data中得到url参数。接着使用linkreader插件对得到的url进行多次解析。09:52

从这个例子可以得到，批处理的其中一个使用方式就是在本节点，对上一个节点输出的某个参数组进行多次处理得到结果。

在插件的右上角可以跳转到插件的详情页，进行进一步了解

4、大模型节点

通过大语言模型对输入的内容进行处理或者回复。只需要输入提示词并加入参数即可选择不同的模型进行处理。

#勾选bot对话历史，工作流会将外层的bot对话历史在本节点一并传入，并建立一个history参数进行调用。

5、代码节点

coze的代码节点支持通过自然语言生成代码。举例在搜索后得到web的一组参数。如果只需要某个或某些指定的参数，可以通过代码方式进行筛选或拼接。coze支持JavaScript和python两种语言。在python中通过params input来进行参数引入。

在左下角有“尝试AI”按钮，可以通过自然语言描述进行代码生成。

在测试代码的时候，点解右上角的A可以生成一些虚拟数据来检测代码

6、知识库节点

基于RAG技术来实现智能体调用知识库内容。在输入的选项中需要选择需要搜索的内容。在输出中是“outputlist”代表的是在知识库中的切片。

知识库中有三种策略：语义、混合、全文。精准程度从低到高。

经过知识库搜索之后，输出里面会根据设置，匹配出几个不同的片段，然后可以交给下一个节点

七、选择器

与意图识别的都是用于进行判断。选择器更偏向于纯代码工程执行的一个链路，意图识别这是基于大模型进行判断识别。选择器可以用于进行数值计算进而选择进入不同的下层节点

注意：如果仅加入一个输出节点的话，需要将所有的输出变量都放入回答框内。由于每次只会走一个链路，所以不会出现重复。