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
|
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
1266 4
|
10月前
|
存储 人工智能 自然语言处理
AI经营|多Agent择优生成商品标题
商品标题中关键词的好坏是商品能否被主搜检索到的关键因素,使用大模型自动优化标题成为【AI经营】中的核心能力之一,本文讲述大模型如何帮助商家优化商品素材,提升商品竞争力。
1091 62
AI经营|多Agent择优生成商品标题
|
9月前
|
机器学习/深度学习 人工智能 自然语言处理
Gemini 2.0:谷歌推出的原生多模态输入输出 + Agent 为核心的 AI 模型
谷歌最新推出的Gemini 2.0是一款原生多模态输入输出的AI模型,以Agent技术为核心,支持多种数据类型的输入与输出,具备强大的性能和多语言音频输出能力。本文将详细介绍Gemini 2.0的主要功能、技术原理及其在多个领域的应用场景。
943 20
Gemini 2.0:谷歌推出的原生多模态输入输出 + Agent 为核心的 AI 模型
|
9月前
|
人工智能 自然语言处理 前端开发
Director:构建视频智能体的 AI 框架,用自然语言执行搜索、编辑、合成和生成等复杂视频任务
Director 是一个构建视频智能体的 AI 框架,用户可以通过自然语言命令执行复杂的视频任务,如搜索、编辑、合成和生成视频内容。该框架基于 VideoDB 的“视频即数据”基础设施,集成了多个预构建的视频代理和 AI API,支持高度定制化,适用于开发者和创作者。
414 9
Director:构建视频智能体的 AI 框架,用自然语言执行搜索、编辑、合成和生成等复杂视频任务
|
9月前
|
机器学习/深度学习 人工智能 算法
Meta Motivo:Meta 推出能够控制数字智能体动作的 AI 模型,提升元宇宙互动体验的真实性
Meta Motivo 是 Meta 公司推出的 AI 模型,旨在控制数字智能体的全身动作,提升元宇宙体验的真实性。该模型通过无监督强化学习算法,能够实现零样本学习、行为模仿与生成、多任务泛化等功能,适用于机器人控制、虚拟助手、游戏角色动画等多个应用场景。
257 4
Meta Motivo:Meta 推出能够控制数字智能体动作的 AI 模型,提升元宇宙互动体验的真实性
|
9月前
|
人工智能 自然语言处理 JavaScript
Agent-E:基于 AutoGen 代理框架构建的 AI 浏览器自动化系统
Agent-E 是一个基于 AutoGen 代理框架构建的智能自动化系统,专注于浏览器内的自动化操作。它能够执行多种复杂任务,如填写表单、搜索和排序电商产品、定位网页内容等,从而提高在线效率,减少重复劳动。本文将详细介绍 Agent-E 的功能、技术原理以及如何运行该系统。
661 5
Agent-E:基于 AutoGen 代理框架构建的 AI 浏览器自动化系统
|
9月前
|
人工智能 自然语言处理 数据挖掘
田渊栋团队新作祭出Agent-as-a-Judge!AI智能体自我审判,成本暴跌97%
田渊栋团队提出Agent-as-a-Judge框架,利用智能体自身评估其他智能体的性能,不仅关注最终结果,还能提供中间反馈,更全面准确地反映智能体的真实能力。该框架在DevAI基准测试中表现出色,成本效益显著,为智能体的自我改进提供了有力支持。
256 7
|
10月前
|
人工智能 自然语言处理 搜索推荐
🤖【多Agent大爆炸】——灵活调用与实践指南,解锁AI协作新技能!
本文深入探讨了单Agent与多Agent在不同场景下的应用及优势,通过实例讲解多Agent如何实现高效协作,涵盖智能物流、教育、医疗等多个领域的实际应用,旨在帮助开发者掌握多Agent系统的调用与实践技巧。
742 5
|
10月前
|
机器学习/深度学习 传感器 人工智能
2024.11|全球具身智能的端到端AI和具身Agent技术发展到哪里了
2024年,具身智能领域取得显著进展,特别是在端到端AI控制系统和多模态感知技术方面。这些技术不仅推动了学术研究的深入,也为科技公司在实际应用中带来了突破。文章详细介绍了端到端AI的演化、自监督学习的应用、多模态感知技术的突破、基于强化学习的策略优化、模拟环境与现实环境的迁移学习、长程任务规划与任务分解、人机协作与社会交互能力,以及伦理与安全问题。未来几年,具身智能将在多模态感知、自监督学习、任务规划和人机协作等方面继续取得重要突破。
555 2
|
11月前
|
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。
1463 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