Coze 保姆级教程（上）：从 0 到 1 上手，新手也能轻松搞定

本文是学习完黑马程序员的coze教程做的笔记，适合不想看视频快速入门的人，或者是想要回顾视频知识点使用

1. Agent和大模型的区别

企业面临的痛点

• 客服困境：重复问题占比80%
• 创作瓶颈：日产出低
• 数据门槛：需要专业分析师
• 个性化难题：人工成本高

为什么ChatGPT不够？

• 知识过时：无法获取最新信息
• 无法联网：知识停留在训练时间
• 深度不足：缺乏专业领域知识
• 不能执行：无法完成实际操作

AI Agent = AI管家
AI Agent是能够感知环境、自主决策、使用工具完成任务的智能体

• Tools：工具，调用各种外部能力，突破大模型自身限制
• Memory：记忆，得要有短期记忆和长期记忆
  • 短期记忆：根据上下文
  • 长期记忆：外挂知识库，根据经验学习
• Planning：自主性，将复杂的任务拆解成子任务

AI Agent vs ChatGPT：能力对比&核心区别

2. 了解Coze智能体开发平台

什么是coze？

1. 个人空间：存储和管理Bot
2. 创建Bot：快速创建AI-Bot
3. 资源库：为Bot提供数据等资源
4. 插件商店：为Bot提供扩展能力
5. 作品社区：优秀Bot作品开放平台

coze空间: https://www.coze.cn/space

接下来的章节其实就是在coze完成下面任务

完整步骤
Step1：让Bot听懂人话

• 重点：实现提示词工程
  ⬇
  Step2：让Bot专业
• 重点：实现RAG应用
  ⬇
  Step3：让Bot做事
• 重点：实现插件制作
  ⬇
  Step4：让Bot工作
• 重点：实现工作流的编排
  ⬇
  Step5：让Bot应用
• 重点：发布运营，触达用户

掌握提示词的技巧

1. 什么是Prompt提示词

提示词=与AI沟通的“说明书”
提示词prompt 开发者赋予bot的身份、能力和行为规划，它决定了bot的响应质量和风格
提示词是搭建智能体的第一步

如何设计提示词
提示词4个关键要素

1. 角色定位
   让bot扮演某个角色：角色越具体=回复越专业
   
2. 技能描述
   让bot知道做什么，什么动作，什么目标，动作是唯一的
   
3. 输出格式
   让bot知道怎么做，明确格式要求
   
4. 约束条件
   给bot设定边界
   

2. Coze中如何应用到prompt

系统提示词：

• 定义：大模型角色定位+回复逻辑
• 位置：在agent的人设与回复逻辑中设置
• 作用：持续影响整个会话响应模型

用户提示词：

• 定义：用户直接提出的具体指令或问题
• 位置：对话框中输入
• 作用：指导模型执行特定任务

系统提示词+用户提示词共同作用，bot才能更能理解人话

如何在coze中设置提示词
coze目前支持的提示词设计方法：

常用方式：编写提示词+AI调优

3. 案例实践：高情商职场回复助手

创建智能体

输入智能体的功能、名称

这个时候就进入到创建的智能体工作页面
在没有提示词的时候提问是默认场景

找到小灯泡，里面有coze官方的提示词库

这个通用的结构，实际上就是prompt 如何设计提示词，提示词4个关键要素再多加一个工作流

使用自动提示词优化，将提示词扩展为专业的格式

掌握知识库和RAG技术

1. 什么是RAG

问题所在：

• 知识过时，无法回答
• 用户体验感差
• Bot价值大打折扣

解决方案：RAG检索增强技术

rag是结合知识检索和语言生成的人工智能技术，主要用于大语言模型幻觉问题

• 没有rag时：直接将用户的问题quary送入llm大扣子 Coze 教程模型得到结果
  • 完全依赖于大模型自身的能力，大模型想说什么就说什么
• 有了rag：
  • 将用户的问题query先和知识库做相关性检索，检索出和问题相关的Context（上下文）
  • 再将query和context融合拼接得到一个完整的结果，result
  • 将第二步融合的结果result送入大模型得到最后的结果

基本原理：

在生成回答时，先从知识库中检索相关文档，将检索到的文档与原始问题一起输入llm，llm基于检索内容生成最终答案

rag解决什么问题？

大模型幻觉问题或企业中的私有化问题

2. RAG中的知识库如何构建

知识库构建：文档准备

文档预处理建议:

• 清理无关内容（广告、水印）
• 按主题分类整理
• 文件命名规范（含关键信息）

1. 知识库构建：文档切片
2. 文档切片：为了适应大语言模型的上下文长度限制，并提升检索的精确度和效率
   

一般选择方式：

3. 知识库构建：文档向量化
4. 文档向量化：将切分后的文本进行向量数字化，便于计算问题和文档的相似性
   

向量化作用：

• 语义理解
• 相似度计算
• 快速检索

从关键词匹配到语义匹配的飞跃

3. 案例实战：《红楼梦》人物关系图谱

需求：再看群像类作品，如《红楼梦》时，时常会出现记不住人物的情况，所以做了这个人物关系图谱，结构化人物关系数据

1. 创建《红楼梦》人物关系图谱知识库

基本操作步骤(有的步骤是一体化执行的)
Step1:进入资源库

• Coze左侧菜单资源库
  ⬇

Step 2:创建知识库

• 资源知识库命名“《红楼梦》人物关系图谱”
  ⬇

Step 3:上传文件

• 拖拽/上传文件一支持批量上传
  ⬇

Step 4:文档切块

• 自动切块300/500字
  ⬇

Step 5:向量化预处理

• 分段预处理
  ⬇

Step 6:查看结果

• 预览文本处理的效果

创建知识库

>- 火山知识库：企业开发>- 扣子知识库：个人>>这里就直接用简单的扣子知识库好了
上传文件

如果本地上传的pdf没有任何的图片，纯文本，就可以选择快速解析

自动分段，将后面的内容融为一体了，不合适，所以使用下面一种

分段重叠度越大，关联度就越大

但是这种将文本切的太细了

但是其实我最后还是用的层级的方式切分的

最后创建就可以了

2. 应用知识库

• Coze创建智能体
  ⬇

Step2:构建提示词

• 明确角色一说明功能一规范回复格式
  ⬇

Step 3:选择知识库

• 编排模块一知识库一点击”添加知识库”
  ⬇

Step 4:结果验证

• 调试一输入问题一验证结果

像上面一样创建一个智能体

关键提示：一个bot可以关联多个知识库，设置优先级可以控制检索顺序

总结一下实现流程：

1. 上传文件
2. 文档切分
3. 文档向量化
4. 存储知识库
5. 问题检索知识库
6. 获取相关上下文
7. 问题和上下文融合
8. 送入LLM
9. 得到预测结果