智能体工作流使用最佳实践

简介: 工作流(Workflow)通过可视化方式组合大语言模型、条件判断及插件等功能,实现复杂的业务流程编排,适用于多步骤且需高精度输出的场景,如新闻搜索、报告分析等。本文以构建搜索新闻的工作流为例,详细介绍从创建到发布的全流程,并演示如何在Bot中应用及测试该工作流。

工作流 Workflow 支持通过可视化的方式,对大语言模型、条件判断、插件等功能进行组合,从而实现复杂、稳定的业务流程编排,例如新闻搜索、报告分析等。当目标任务场景包含较多的步骤,且对输出结果的准确性、格式有严格要求时,适合配置工作流来实现。


本文将介绍如何使用插件节点构建一个用于搜索新闻的工作流。Botnow


工作流开发流程

  • 创建工作流
  1. 登录 Botnow 控制台
  2. 在左侧菜单选择工作流,然后单击创建工作流。
  3. 输入基本信息:
  • 工作流名称:示例值 搜索新闻工作流
  • 功能描述:示例值 用于搜索新闻的工作流
  1. 点击确定。
  2. 在工作流的编排页面,点击 “添加节点”->“插件节点”,选择 “腾讯新闻热点榜” 内置的 “getLatestNews”,将 “开始” 节点与 “getLatestNews” 节点连接起来
  3. 添加 “基础节点”->"大模型 LLM" 节点和结束节点,依次将 “getLatestNews” 节点和 "大模型 LLM" 节点连接起来,"大模型 LLM" 和 “结束” 节点连接起来。效果如图:

image.png

  1. 配置输入输出参数:

image.png

  1. 点击右侧的” 调试 “窗口,调试工作流:

image.png

  1. 调试成功后,点击” 发布 “工作流。


  • 在 Bot 中添加工作流并测试

1.创建 Bot,命名为” 搜索新闻 Bot“。

2.添加工作流” 搜索新闻工作流 “。

3.在 Bot 的右侧预览与调试区域,输入内容预览 Bot 实现的效果。例如输入” 科技新闻 “

image.png

总 结

工作流(Workflow)开发通过遵循最佳实践,开发者可以创建出复杂、高质量、高性能的工作流,为您的智能体提供强大的功能支持。希望本文能够为您提供有价值的指导,帮助您充分发挥 Botnow 工作流的潜力,实现智能体的自动化和智能化。

目录
相关文章
|
5月前
|
人工智能 自然语言处理 监控
AI大模型智能体工作流涉及使用Ollama和FastGPT这两个工具
AI大模型智能体工作流涉及使用Ollama和FastGPT这两个工具
558 4
|
3月前
|
存储 人工智能
|
4天前
|
人工智能 API 决策智能
swarm Agent框架入门指南:构建与编排多智能体系统的利器 | AI应用开发
Swarm是OpenAI在2024年10月12日宣布开源的一个实验性质的多智能体编排框架。其核心目标是让智能体之间的协调和执行变得更轻量级、更容易控制和测试。Swarm框架的主要特性包括轻量化、易于使用和高度可定制性,非常适合处理大量独立的功能和指令。【10月更文挑战第15天】
44 6
|
25天前
|
Python 机器学习/深度学习 人工智能
手把手教你从零开始构建并训练你的第一个强化学习智能体:深入浅出Agent项目实战,带你体验编程与AI结合的乐趣
【10月更文挑战第1天】本文通过构建一个简单的强化学习环境,演示了如何创建和训练智能体以完成特定任务。我们使用Python、OpenAI Gym和PyTorch搭建了一个基础的智能体,使其学会在CartPole-v1环境中保持杆子不倒。文中详细介绍了环境设置、神经网络构建及训练过程。此实战案例有助于理解智能体的工作原理及基本训练方法,为更复杂应用奠定基础。首先需安装必要库: ```bash pip install gym torch ``` 接着定义环境并与之交互,实现智能体的训练。通过多个回合的试错学习,智能体逐步优化其策略。这一过程虽从基础做起,但为后续研究提供了良好起点。
82 4
手把手教你从零开始构建并训练你的第一个强化学习智能体:深入浅出Agent项目实战,带你体验编程与AI结合的乐趣
|
21天前
|
机器学习/深度学习 人工智能 算法
打造你的超级Agent智能体——在虚拟迷宫中智斗未知,解锁AI进化之谜的惊心动魄之旅!
【10月更文挑战第5天】本文介绍了一个基于强化学习的Agent智能体项目实战,通过控制Agent在迷宫环境中找到出口来完成特定任务。文章详细描述了环境定义、Agent行为及Q-learning算法的实现。使用Python和OpenAI Gym框架搭建迷宫环境,并通过训练得到的Q-table测试Agent表现。此项目展示了构建智能体的基本要素,适合初学者理解Agent概念及其实现方法。
61 9
|
18天前
|
人工智能 算法 决策智能
面向软件工程的AI智能体最新进展,复旦、南洋理工、UIUC联合发布全面综述
【10月更文挑战第9天】近年来,基于大型语言模型(LLM)的智能体在软件工程领域展现出显著成效。复旦大学、南洋理工大学和伊利诺伊大学厄巴纳-香槟分校的研究人员联合发布综述,分析了106篇论文,探讨了这些智能体在需求工程、代码生成、静态代码检查、测试、调试及端到端软件开发中的应用。尽管表现出色,但这些智能体仍面临复杂性、性能瓶颈和人机协作等挑战。
45 1
|
2月前
|
人工智能 JSON 数据格式
RAG+Agent人工智能平台:RAGflow实现GraphRA知识库问答,打造极致多模态问答与AI编排流体验
【9月更文挑战第6天】RAG+Agent人工智能平台:RAGflow实现GraphRA知识库问答,打造极致多模态问答与AI编排流体验
RAG+Agent人工智能平台:RAGflow实现GraphRA知识库问答,打造极致多模态问答与AI编排流体验
|
2月前
|
人工智能 算法 自动驾驶
用AI自动设计智能体,数学提分25.9%,远超手工设计
【9月更文挑战第18天】《智能体自动设计(ADAS)》是由不列颠哥伦比亚大学等机构的研究者们发布的一篇关于自动化设计智能体系统的最新论文。研究中提出了一种创新算法——“Meta Agent Search”,此算法通过迭代生成并优化智能体设计,从而实现更高效的智能体系统构建。实验表明,相比人工设计的智能体,Meta Agent Search生成的智能体在多个领域均有显著的性能提升。然而,该方法也面临着实际应用中的有效性与鲁棒性等挑战。论文详细内容及实验结果可于以下链接查阅:https://arxiv.org/pdf/2408.08435。
86 12
|
2月前
|
人工智能 自然语言处理 API
深入浅出 LangChain 与智能 Agent:构建下一代 AI 助手
我们小时候都玩过乐高积木。通过堆砌各种颜色和形状的积木,我们可以构建出城堡、飞机、甚至整个城市。现在,想象一下如果有一个数字世界的乐高,我们可以用这样的“积木”来构建智能程序,这些程序能够阅读、理解和撰写文本,甚至与我们对话。这就是大型语言模型(LLM)能够做到的,比如 GPT-4,它就像是一套庞大的乐高积木套装,等待我们来发掘和搭建。
|
2月前
|
人工智能 JSON 自然语言处理
你的Agent稳定吗?——基于大模型的AI工程实践思考
本文总结了作者在盒马智能客服的落地场景下的一些思考,从工程的角度阐述对Agent应用重要的稳定性因素和一些解法。
115 12