如何用COZE搭建一个测评应用

大家好，我是Jack Bytes，一个专注于将人工智能应用于日常生活的半吊子程序猿，平时主要分享AI、NAS、Docker、搞机技巧等。

随着大模型技术的发展，越来越多的技术开始涌现，从聊天助手，到智能体，再到工作流，最后到三者的整合。大模型技术朝着更加智能化、通用化、个性化的方向发展，为人们的生活和工作带来了更多的便利和创新。

今天，手把手教大家如何通过Coze零代码搭建一个智能搜索智能体，能够根据你的关键词，自动进行全网搜索，筛选出最相关的内容，并进行智能总结，给出参考链接，提升你信息收集的效率，高时效、保姆级！比较肝，建议先收藏！

扣子是新一代 AI 应用开发平台。无论你是否有编程基础，都可以在扣子上快速搭建基于大模型的各类智能体，并将智能体发布到各个社交平台、通讯软件或部署到网站等其他渠道。

灵活的工作流设计：扣子工作流可处理逻辑复杂且稳定性要求高的任务流。提供大量灵活可组合节点，如大语言模型 LLM、自定义代码、判断逻辑等。无论有无编程基础都可通过拖拉拽方式快速搭建工作流，例如创建搜集电影评论工作流、撰写行业研究报告工作流。
无限拓展的能力集：扣子集成丰富插件工具，拓展智能体能力边界。官方插件：扣子官方发布多款能力丰富插件，包括资讯阅读、旅游出行、效率办公、图片理解等 API 及多模态模型，可直接添加到智能体中，如使用新闻插件打造 AI 新闻播音员。自定义插件：扣子平台支持创建自定义插件，可将已有 API 能力通过参数配置方式创建插件让智能体调用，也可发布到商店供其他用户使用。
丰富的数据源：扣子提供简单易用知识库功能管理和存储数据，支持智能体与用户自己的数据交互。内容格式：知识库支持文本、表格、照片格式数据。内容上传：知识库支持 TXT 等本地文件、在线网页数据、Notion 页面及数据库、API JSON 等多种数据源，也可直接在知识库内添加自定义数据。
持久化的记忆能力：扣子提供方便 AI 交互的数据库记忆能力，可持久记住用户对话重要参数或内容。例如创建数据库记录阅读笔记，智能体可通过查询数据库提供更准确答案。

在介绍如何搭建智能体之前，让我们了解一下什么是智能体。

所谓智能体，是基于大型语言模型构建的智能实体，它具备感知、规划、推理、学习、执行和决策等智能行为特征，能够自动化地完成包括文本生成、对话交互、语言翻译、数据分析、预测分析在内的多种复杂任务，显著提升工作效率，为人类创造更便捷、智能的生活方式。

接下来，手把手教大家如何在Coze上搭建一个属于自己的信息收集智能体。

首先进入到Coze的官网，点击左侧的「工作空间」，然后点击「资源库」，再点击右上角的「资源」，选择工作流。

然后输入工作流名称，我这里输入的是info_collection，也可以是其他的；输入工作流描述，我这里是调用各种搜索引擎，搜索相关信息。然后点击确认完成创建

在工作流界面上，左侧有不同的节点，如：插件、大模型、代码、知识库、工作流等等。其中：

插件：可以通过API和外部数据与系统进行交互，能够增强模型能力。
大模型：顾名思义，就是大模型，基于大量不同的数据进行训练，具有强大的通用基础知识。
代码：可以通过代码来处理一个流程中的数据
知识库：可以理解为大模型的外挂知识库，可以有效解决模型的幻觉问题。

首先，让我们来为工作流添加几个搜索插件，点击左侧的「插件」：

在弹出的窗口中，勾选上「仅显示官方插件」，并在左侧文本框输入「必应搜索」，并点击「添加」。

然后再输入「头条搜索」，点击「添加」

扣子 Coze 教程

输入「头条新闻」，点击「添加」

输入「抖音视频」，点击「添加」

这样，我们的工作流就有了四个搜索来源了，节点名字分别是bingWebSearch, search, getToutiaoNews, get_video，如果感兴趣的话，还可以继续添加。将「开始」节点和刚才添加的四个搜索节点进行链接：

点击具体的搜索节点，分别设置每个搜索节点的输入参数，首先是bingWebSearch：

然后是search：

然后是getToutiaoNews：

最后是get_video：

在每个搜索节点执行完之后，我们需要将这几个搜索节点结果中的url合并起来，用来爬取其中的内容。这里，我新建了一个「代码」节点，用来合并搜索节点的结果。

在左侧选择「代码」，点击+号，即可添加一个「代码」节点

将「搜索」节点和「代码」节点进行连接：

点击「代码」节点，设置它的输入参数，其中每个条目具体的参数如下：

bing_result：data/webPages/value
search_result: data/doc_results
toutiao_result: news
videl_result: data/list

然后选择「在IDE中编辑」：

在顶部将语言切换为「Python」:

输入下面代码：

async def main(args: Args) -> Output: params = args.params bing_result = params['bing_result'] search_result = params['search_result'] toutiao_result = params['toutiao_result'] video_result = params['video_result'] result = [] if bing_result is not None: for item in bing_result: if item == None: continue result.append(item["url"]) if search_result is not None: for item in search_result: if item == None: continue result.append(item['url']) if toutiao_result is not None: for item in toutiao_result: if item == None: continue result.append(item['url']) if video_result is not None: for item in video_result: if item == None: continue result.append(item['link']) ret = { "key" : result } return ret

同时修改「输出」参数，如下所示：

现在，我们拿到了不同搜索节点获取到的链接，接下来，我们添加一个「链接读取」插件，来获取网页内容。

同样，还是在左侧点击「插件」，选择「链接读取」，并点击「添加」。

添加完之后，可以在工作流中看到对应的插件（链接读取），节点名字为LinkReaderPlugin。连接「代码」节点和「LinkReaderPlugin」：

点击「LinkReaderPlugin」，设置一些参数。因为我们是一次传入一批url链接到「链接读取」插件，所以在参数设置中，选择「批处理」，如下所示：

上面的设置中，不同条目的设置如下：

批处理： item：选择代码节点的输出
输入： url：选择LinkReaderPlugin->item

可能会因为各种原因，网络爬虫无法对每条url都返回结果，这些无法爬取的url的结果在返回的时候是None（空），不太方便后面批量处理，因此我们需要对上面「链接获取」节点的输出结果进行过滤。再次添加一个「代码节点」，并修改名称为「结果过滤」，并和「链接获取」节点连接：

设置「代码」节点的输入为「链接获取」节点的输出，如下所示：

然后修改语言为Python，代码如下：

async def main(args: Args) -> Output: params = args.params link_result = params['link_result'] content = [] for item in link_result: try: content.append(item['data']['content']) except: continue return content

同时修改「输出」：

每个网页的结果数众多，我们不可能从头看到尾，因此需要用大模型对结果进行总结。在工作流界面左侧点击「大模型」，添加一个大模型，并链接上一节的「代码」节点。

同样，大模型也需要进行批处理，下面是设置参考：

现在，我们一共有这些信息：

url
title
content总结

但是这些信息分散在不同的节点。下面，我们新建一个「代码」节点将这些汇总起来，如下所示

代码节点的参数配置如下：

具体代码如下：

async def main(args: Args) -> Output: params = args.params link_result = params['link_result'] link_list = params['link_list'] model_result = params['model_result'] assert len(link_list) == len(link_result) result = [] for item1, item2 in zip(link_result, link_list): try: title = item1['data']['title'] link = item2 result.append({ "link": link, "title": title, }) except: continue assert len(model_result) == len(result) for i in range(len(result)): result[i]["content"] = model_result[i]['output'] ret = { "key": result } return ret

将上面「结果合并」节点和最终的「结束」节点连接

并修改「结束」节点的输出，如下图所示：

至此，一个工作流就创建完成了，可以点击右上角的试运行：

输入关键词，运行一下看看：

如果没有问题的话，可以看到「结束」节点的输出结果，在我的工作流里，一共有27个结果，每个结果包含：内容、链接、标题。

然后点击发布：

就可以在「资源库」页面看到我们创建的工作流了：

接下来，我们可以创建一个智能体，来使用这个工作流了。

在Coze点击左侧的「工作空间」，选择「项目开发」，然后点击「创建智能体」，输入智能体名称和图标，点击「确认」，即可完成智能体创建。

下面是智能体的配置，需要修改地方有：

人设与回复逻辑
工作流
开场白
开场白预置问题

如下图所示：

其中，人设与回复逻辑如下：

# 角色 你是一个专业且高效的信息收集专家，能够快速准确地搜集各类相关信息，并以清晰的方式呈现给用户。  技能  技能 1：确定信息主题与范围 1. 当接收到信息收集任务时，明确信息的具体主题及范围。 2. 调用 info_collection 工作流，获取关键词对应的搜索结果。  技能 2：整理与汇总信息 1. 对收集到的每一条信息进行细致整理，按照以下格式呈现：  - 标题：<title>  - 内容：<content>  - 链接：<link>  限制 - 只收集与给定主题高度相关的信息，坚决摒弃不相关内容。 - 输出内容必须严格按照规定格式组织，不得偏离要求框架。 - 不得减少结果条数。 - 信息汇总务必保持客观、准确，严禁加入任何主观臆断。