Coze工作流介绍(一)

简介: Coze工作流介绍(一)

Coze工作流介绍

工作流支持通过可视化的方式,对插件、大语言模型、代码块等功能进行组合,从而实现复杂、稳定的业务流程编排,例如旅行规划、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。

功能概述

工作流由多个节点构成,节点是组成工作流的基本单元。例如,大语言模型 LLM、自定义代码、判断逻辑等节点。

工作流默认包含了 Start 节点和 End 节点。

  • Start 节点是工作流的起始节点,可以包含用户输入信息。
  • End 节点是工作流的末尾节点,用于返回工作流的运行结果。

不同节点可能需要不同的输入参数,输入参数分为引用输入两类。引用是指引用前面节点的参数值、输入则是支持设定自定义的参数值。

扣子为你提供了以下基础节点,除此之外,你还可以添加插件节点或其他工作流。

节点名称 描述
LLM 大语言模型节点。使用输入参数和提示词生成处理结果。
Code 代码节点。通过 IDE 编写代码处理输入参数,并返回输出值。
Knowledge 知识库节点。根据输入参数从关联知识库中召回数据,并返回。
Condition if-else 逻辑节点。用于设计工作流内的分支流程,满足设置条件则运行如果分支,否则运行否则分支。

典型场景

以下提供工作流的典型场景供你参考。

入门场景

仅添加一个节点所构建的简单工作流。

  • 场景一:通过插件节点内的插件能力,自定义工作流。
  • 例如,使用获取新闻插件,构建一个用于获取新闻列表的工作流。详细配置教程可参见搜索新闻。

  • 场景二:使用大语言模型(LLM)节点,接收并处理用户问题。
  • 详细配置教程可参见使用 LLM 处理问题。

  • 场景三:使用 Code 节点,生成随机数。
  • 详细配置教程可参见生成随机数。

进阶场景

通过多节点组合,构建逻辑较复杂的工作流。

  • 场景一:搜索并获取指定信息的详情。
  • 先通过插件能力进行关键词搜索、然后通过 Code 节点过滤指定信息、最后通过插件能力获取信息详情。详细配置教程可参见搜索并获取第一个链接内容。

  • 场景二:通过条件判断,识别用户意图。
  • 例如,通过 LLM 节点处理用户消息,将消息分为不同的类型,然后通过 Condition 节点分别处理不同类型的用户消息。详细配置教程可参见识别用户意图。

目录
相关文章
|
机器学习/深度学习 人工智能 搜索推荐
LangChain入门指南
LangChain入门指南
3230 0
|
7月前
|
人工智能 测试技术 Docker
Coze平台指南(2):开发环境的搭建与配置
Coze(扣子)是字节跳动开源的AI智能体开发平台,包含开发工具和运维系统,支持本地部署且硬件要求低。本文将手把手带你完成Coze开发环境的搭建与配置,让你能快速开始本地化的AI智能体开发
|
6月前
|
人工智能 程序员 API
真的假的?填个表格,就能调动1000个AI程序员给我打工?
打工人用上AI搭子,效率飞升!通过钉钉AI表格+Qwen3-Coder+阿里云百炼,只需输入需求或上传文档,即可自动生成可运行代码并回填结果。4步搭建智能工作流,实现“提需求→得结果”自动化闭环,覆盖电商、运营等多场景,让一个人干完一个团队的活。
588 1
|
6月前
|
人工智能 监控 数据可视化
别再手动处理琐事了!用Coze搭建AI工作流,我每天白赚2小时
曾几何时,我每天被重复工作消耗数小时:整理数据、回邮件、同步进度……时间碎片化,创意反被搁置。直到遇见字节跳动开源的低代码AI平台Coze,一切改变。通过可视化拖拽,我将邮件处理、日报生成、会议纪要等任务自动化,日均节省2小时。无需编程,连接AI模型即可构建智能工作流。现在,我能专注核心创造,提升决策质量,实现工作生活平衡。Coze让我“白赚”时间,也重拾职业掌控感。
|
7月前
|
XML 自然语言处理 数据可视化
免费!文本表格不会总结、分析?文本表格可视化!帮你轻松解决困扰,保姆级级教程。【附Coze工作流】
本文介绍了如何利用“扣子”平台创建资源,通过可视化工作流处理并分析文档、表格、PDF等内容,帮助用户快速获取文件核心信息。内容涵盖登录、资源创建、工作流配置及运行操作,适用于多种文件格式,如CSV、Excel、PDF等。
2889 4
|
人工智能 JavaScript IDE
使用Coze工作流(二)
使用Coze工作流(二)
3385 0
|
11月前
|
存储 人工智能 API
RAG-MCP:基于检索增强生成的大模型工具选择优化框架
RAG-MCP是一种通过检索增强生成技术解决大型语言模型(LLM)工具选择困境的创新框架。它针对提示词膨胀和决策效率低的问题,利用语义检索动态筛选相关工具,显著减少提示词规模并提升准确率。本文深入解析其技术原理,包括外部工具索引构建、查询时检索处理等核心步骤,以及实验评估结果。RAG-MCP不仅优化了LLM的工具使用能力,还为AI代理的发展提供了重要支持,未来可在极端规模检索、多工具工作流等方面进一步探索。
741 16
RAG-MCP:基于检索增强生成的大模型工具选择优化框架
|
Linux iOS开发 MacOS
deepseek部署的详细步骤和方法,基于Ollama获取顶级推理能力!
DeepSeek基于Ollama部署教程,助你免费获取顶级推理能力。首先访问ollama.com下载并安装适用于macOS、Linux或Windows的Ollama版本。运行Ollama后,在官网搜索“deepseek”,选择适合你电脑配置的模型大小(如1.5b、7b等)。通过终端命令(如ollama run deepseek-r1:1.5b)启动模型,等待下载完成即可开始使用。退出模型时输入/bye。详细步骤如下图所示,轻松打造你的最强大脑。
15204 86
|
机器学习/深度学习 人工智能 并行计算
Titans:谷歌新型神经记忆架构,突破 Transformer 长序列处理的瓶颈
Titans 是谷歌推出的新型神经网络架构,通过神经长期记忆模块突破 Transformer 在处理长序列数据时的瓶颈,支持并行计算,显著提升训练效率。
614 5
Titans:谷歌新型神经记忆架构,突破 Transformer 长序列处理的瓶颈
|
人工智能 数据可视化 JavaScript
NodeTool:AI 工作流可视化构建器,通过拖放节点设计复杂的工作流,集成 OpenAI 等多个平台
NodeTool 是一个开源的 AI 工作流可视化构建器,通过拖放节点的方式设计复杂的工作流,无需编码即可快速原型设计和测试。它支持本地 GPU 运行 AI 模型,并与 Hugging Face、OpenAI 等平台集成,提供模型访问能力。
917 14
NodeTool:AI 工作流可视化构建器,通过拖放节点设计复杂的工作流,集成 OpenAI 等多个平台