Coze 识别用户意图

简介: Coze 识别用户意图

Coze 识别用户意图

本文将通过 LLM 节点、Condition 节点和插件节点构建一个用于识别用户意图的工作流。

效果示例

本文构建的示例工作流概览如下。

在该工作流中:

  1. 使用 LLM 节点将用户输入数据分为 1(天气)2(新闻)3(其他) 三种类型。
  2. 使用 Condition 节点判断用户输入数据的类型,并分支处理。
  3. 如果数据类型为 1,会将数据流转至 LLM 节点和获取天气工具节点,获取地区天气。
  4. 如果数据类型为 2,会将数据流转至获取新闻工具节点,获取新闻。
  5. 如果数据类型为 3,则不做处理直接返回。

下图展示了示例工作流添加到 Bot 之后,Bot 带来的用户任务处理能力。当用户输入内容后,Bot 会调用示例工作流处理任务,并向用户返回处理结果。

步骤一:构建工作流

1.登录扣子。2.在左侧导航栏的工作区区域,选择进入指定团队。

  1. 在页面顶部进入工作流页面,并单击创建工作流
  • 本文示例配置如下:
  • 工作流名称:输入 weather_news_workflow
  • 工作流描述:输入 识别用户意图并获取相关信息(仅获取天气、新闻相关)
  1. 在工作流的编辑页面,按如下图所示的顺序,依次添加 LLM 节点、Condition 节点、插件节点,并进行连接。
  • 你可以在编辑页面左侧的基础节点列表内,添加 LLM 节点、Condition 节点。
  • 你可以在编辑页面左侧的插件列表内,搜索并添加 get_current_weather 工具节点(用于查询天气)、getToutiaoNews 工具节点(用于获取新闻)。

  1. 连接各节点后,依次为节点配置输入输出参数。
  • 本示例中各节点配置的参数信息如下表所示。

| **节点**  | **参数配置**                                                 |
| --------- | ------------------------------------------------------------ |
| Start     | 新增 input 输入参数,选择 **String** 类型。                  |
| LLM       | 选择 LLM 节点的**单次**模式。示例配置如下:Temperature:输入 0.7。输入参数:名称 **query**,并在**变量值**区域选择**引用 Start > input**。提示词:使用以下示例 Markdown 信息,表示将用户输入的数据传入 LLM 进行处理。**## 分析**分析以下使用 ```括起来的文本:```{{query}}```## 返回- 如果文本与天气有关,则返回1 - 如果文本与新闻有关,则返回2 - 否则返回3输出值:名称 **intent**,类型选择 **String**。 |
| Condition | 第一个 Condition 节点。从该节点开始,工作流将分为两个分支。示例配置如下:分支一:**如果**区域的判断条件设置为 **LLM > intent 取值包含 1** ,并连接至第二个 LLM 节点(LLM_1)。该分支用于获取天气数据。分支二:**否则**区域无需设置参数,连接至第二个 Condition 节点即可。该分支用于做下一步的判断。 |
  • 分支一用于获取天气数据,节点配置如下表。

| **节点**            | **参数配置**                                                 |
| ------------------- | ------------------------------------------------------------ |
| LLM_1               | 选择 LLM 节点的**单次**模式。示例配置如下:Temperature:输入 0.7。输入参数:名称 **query**,并在**变量值**区域选择**引用 Start > input**。提示词:使用以下示例 Markdown 信息,表示将用户输入的数据传入 LLM 进行处理。**## 返回**从{{query}}中提取地理位置信息,并转换为对应的经纬度(十进制数值)。- 纬度参数:{{lat}}- 经度参数:{{lon}}输出值:新增 lat,类型选择 **String**。新增 lon,类型选择 **String**。 |
| get_current_weather | 获取指定地区天气。选择节点内的**单次**模式,并需要配置以下输入参数:设置 lat 参数,在**参数值**区域选择**引用 LLM_1 > lat**。设置 lon 参数,在**参数值**区域选择**引用 LLM_1 > lon**。 |
| End                 | 在 End 节点的输入参数中,新增一个名为 weatherForecasts 参数,并在**参数值**区域选择**引用 get_current_weather > weather**。该参数用于返回天气信息。 |
  • 分支二用于进行下一步判断,判断是获取新闻,还是直接流转至 End 节点。

| **节点**       | **参数配置**                                                 |
| -------------- | ------------------------------------------------------------ |
| Condition      | 第二个 Condition 节点,用于判断是继续获取新闻,还是直接流转至 End 节点。**如果**区域的判断条件设置为 **LLM > intent 取值包含 2** ,并连接至 getToutiaoNews 节点。该分支用于获取新闻。**否则**区域无需设置参数,连接至 End 节点即可。 |
| getToutiaoNews | 搜索新闻。选择节点内的**单次**模式,并需要配置输入参数 **q** 的**参数值**为**引用 Start > input**。 |
| End            | 在 End 节点的输入参数中,新增以下参数,参数名称 intent,**参数值**选择**引用 LLM > intent**。该参数用于返回用户意图。参数名称 newsItems,**参数值**选择**引用 getToutiaoNews > news**。该参数用于返回新闻内容。 |
  1. 配置完成后,单击页面右上角的试运行,测试工作流。
  • 例如,输入 杭州天气 进行测试,待所有节点都运行成功(节点会展示绿色边框)后,查看指定节点的运行结果。测试完天气之后,按同样的方法测试新闻和其他内容即可。
  1. 测试工作流无问题后,单击页面右上角的发布
  • 成功发布后,在工作流列表中可以查看到该工作流。

步骤二:在 Bot 添加工作流并测试

  1. 前往当前团队的 Bots 页面,创建或进入指定 Bot。
  2. 在 Bot 编排页面,找到技能区域的工作流,在右侧单击加号图标。
  3. 在对话框左侧单击我创建的,找到自建的 weather_news_workflow 工作流,并在右侧单击添加
  1. 在 Bot 的人设与回复逻辑内,声明 Bot 使用 weather_news_workflow 工作流处理任务。
  • 编写后,你可以单击优化,让 AI 帮助你生成结构化的回复逻辑。
  1. 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 杭州天气。
目录
相关文章
|
7月前
|
编解码 文字识别 测试技术
3000 字带你了解Claude3 视觉能力,OCR, 菜单识别统统能搞定!
五大任务,带你了解Claude3的视觉能力有多强 2024 年 3 月 4 日,Anthropic 震撼发布了全新的多模态模型——Claude 3。据该公司介绍,无论是语言处理还是视觉识别任务,Claude 3 都展现出了超越同类竞争产品(例如配备视觉功能的 GPT-4)的卓越性能。
220 0
|
2月前
|
自然语言处理 数据可视化 前端开发
从数据提取到管理:合合信息的智能文档处理全方位解析【合合信息智能文档处理百宝箱】
合合信息的智能文档处理“百宝箱”涵盖文档解析、向量化模型、测评工具等,解决了复杂文档解析、大模型问答幻觉、文档解析效果评估、知识库搭建、多语言文档翻译等问题。通过可视化解析工具 TextIn ParseX、向量化模型 acge-embedding 和文档解析测评工具 markdown_tester,百宝箱提升了文档处理的效率和精确度,适用于多种文档格式和语言环境,助力企业实现高效的信息管理和业务支持。
4087 5
从数据提取到管理:合合信息的智能文档处理全方位解析【合合信息智能文档处理百宝箱】
|
3月前
|
人工智能 搜索推荐
开闭源模型大乱斗:看看哪个智能体最能窥见人类真实意图
【9月更文挑战第3天】在人工智能领域,理解并执行用户意图是一大挑战。现有模型常因用户模糊指令而难以捕捉真实需求。为此,研究人员提出了“Intention-in-Interaction”(IN3)基准,通过显式查询检验隐式意图,引入Mistral-Interact模型评估任务模糊性、询问并细化用户意图,最终执行任务。该方法显著提升了智能体的理解和执行能力,但依然面临评估主观性、用户信息提供不足及复杂任务处理等挑战。论文详情见:https://arxiv.org/abs/2402.09205
51 2
|
4月前
|
机器学习/深度学习 搜索推荐 算法
个性化音色定制:FunAudioLLM 的用户偏好学习机制
【8月更文第28天】随着语音合成技术的发展,越来越多的应用程序允许用户定制自己喜爱的声音类型。FunAudioLLM 是一个虚构的语音合成框架,它利用机器学习算法来适应用户的个人偏好,从而生成更加个性化的音色。本文将介绍 FunAudioLLM 如何通过用户偏好学习机制来调整和优化声音输出,并提供一些示例代码。
120 0
|
6月前
|
数据采集 机器学习/深度学习 人工智能
i人小助手:Meta推出多模态对话图,帮你轻松识别社交状态
【6月更文挑战第16天】Meta的AV-CONV模型构建了多模态对话图,结合视觉和音频信息提升社交场景对话理解。通过自我中心视频分析,它能识别并预测说话、倾听等行为,比传统文本系统更丰富、准确。应用广泛,但面临计算资源需求高、数据质量和可解释性挑战。[[arXiv:2312.12870](https://arxiv.org/abs/2312.12870)]
97 3
|
7月前
|
算法 API 对象存储
视觉智能平台菜品识别要怎么做对比库呀?
视觉智能平台菜品识别要怎么做对比库呀?
109 1
|
自然语言处理 API 数据处理
基于PaddleNLP的端到端智能家居对话意图识别(上)
基于PaddleNLP的端到端智能家居对话意图识别
322 0
|
人工智能 智能硬件
基于PaddleNLP的端到端智能家居对话意图识别(下)
基于PaddleNLP的端到端智能家居对话意图识别
354 0
|
机器学习/深度学习 人工智能 自然语言处理
超精准!AI 结合邮件内容与附件的意图理解与分类!⛵
借助AI进行邮件正文与附件内容的识别,可以极大提高工作效率。本文讲解如何设计一个AI系统,完成邮件内容意图检测:架构初揽、邮件正文&附件的理解与处理、搭建多数据源混合网络、训练&评估。
1195 2
超精准!AI 结合邮件内容与附件的意图理解与分类!⛵
|
自然语言处理 IDE Serverless
【2】天猫精灵开放实验平台实验—创建单轮或多轮天气查询意图
【2】天猫精灵开放实验平台实验—创建单轮或多轮天气查询意图
165 0
【2】天猫精灵开放实验平台实验—创建单轮或多轮天气查询意图