bigchen

本文以智能体“日签卡片生成器”的制作来阐述 Coze 画板节点的使用方法。

Tweet Hunter 是在 COZE 中搭建的一个智能体机器人。## Skills一条 tweet 需要包含用户名，简单介绍，喜欢数，发布时间以及 tweet 的链接；如果原始 tweet 中包含图片清尽可能显示出来；并同时翻译为和用户输入一样的语言。整个 workflow 包含两个关键节点：query 拼接节点 和 twitter 搜索节点。Tweet Hunter 为使用者提供了一种便捷的方式来获取和整理 Twitter 上的热门信息。

这两款智能体的结合使用，提供了一个全面且高效的UML图绘制解决方案。用户只需通过简单的自然语言对话，就能快速生成标准的PlantUML语句，并通过UML 图片生成大师，将这些语句转换为高质量的UML图。整个过程高效、便捷，大大提高了工作效率，减少了绘图错误。

AGI系列（1）：掌握AI大模型提示词优化术，提问准确率飙升秘籍AGI系列（2）：掌握AI大模型提示词优化术，从容应对各种提问场景AGI系列（3）：2024年国内最新AI工具集（实时更新版）AGI系列（4）：提示词的优化、打分、迭代AGI系列（5）高质量公文报告撰写专家提示词AGI系列（6）行业知识学习提示词撰写AGI系列（7）Reflection 在 AI agent 中的应用实例【AIGC X UML 落地】通过多智能体实现自然语言绘制UML图【AIGC X UML 落地】从UML语句到U

从这个案例里，我们可以做一些深入的总分析。这种模式，是AI Agent的一种简单形式。我们可以把这个AI Agent，分为两种角色，每个角色都有其独特的职责和功能。角色1：负责提问的Agent，这个角色的主要任务是接收用户的问题，并将这些问题进行适当的封装，然后提交给角色2进行回答。角色2：负责解答的Agent，这个角色的职责是根据用户提出的问题，提供初步的回答。角色1，首先把用户的问题进行整理和封装，再将这些问题交给角色2进行回答。

因为大模型并不会查看你的代码来判断怎么使用插件，而是通过查看插件的描述和使用手册，而元数据就是插件的使用手册，所以这里要填清晰一点，不然大模型理解不了就调用不了啦~然后我们就到了代码编辑界面了，如果有点开发基础的话，相信这没有什么难度，一眼就看明白了。点击下方运行，如果前面操作没错，保持一致的话，你就看到，输出里面返回了一个图片链接。当左边的库安装完，并且中间的代码替换好后，还有一个东西需要添加，就是。如果没开发基础的话，我稍稍介绍一下，剩下的就照着我说的抄就行啦。这个包，点击 + 号，搜索。

对这块基本上该智能体的能力上限由 PlantUML 的能力所决定。PlantUML 能做什么事情，该智能体就能做。在此就仅举三例作为抛砖引玉，更多功能，欢迎使用者在用智能体的时候去体验。

【代码】AGI系列（6）行业知识学习提示词撰写。

一键式公文报告撰写。

伪代码格式可以指定输出代码的语言类型，案例以Python为例，比如您想要输出Java格式，则加上“请输出Java格式的伪代码”即可。

序号 类型 AI工具名称 入口 功能 1 聊天/内容生成 文心一言 https://yiyan.baidu.com 综合型AI：内容生成、文档分析、图像分析、图表制作、脑图…… 2 通义千问 https://tongyi.aliyun.com 综合型AI：内容生成、文档分析、图像分析…… 3 Kimi(月之暗面) https://kimi.moonshot.cn 综合型AI：内容生成、文档分析、互联网搜索……

对于这块的处理，笔者在参考了国外最新的大语言提示工程相关的论文，其中提炼出了26条建议，其均是对大模型的回复准确率有所提升，堪称覆盖各种场景。但是总有些小场景的需求，是没法满足的，或是差强人意的，对于这块漏洞，在本文中，我们也把它补上。次之的是：第2, 5，9, 15，16， 20， 21， 24， 25；在提问时说明目标受众，例如，告诉 LLM 你的受众是该领域的专家。

CO-STAR 法其实是一套框架，用框架或模板的方式来撰写提示词。CO-STAR是结构化的Prompt上下文：为任务提供背景信息 通过为大语言模型（LLM）提供详细的背景信息，可以帮助它精确理解讨论的具体场景，确保提供的反馈具有相关性。目标：明确你要求大语言模型完成的任务 清晰地界定任务目标，可以使大语言模型更专注地调整其回应，以实现这一具体目标。(S) Style风格：明确你期望的写作风格 你可以指定一个特定的著名人物或某个行业专家的写作风格，如商业分析师或 CEO。