扣子生态开发平台新版开发平台界面扣子编程你的 AI 开发伙伴 Vibe Coding 基础设施自然语言对话开发智能体、工作流、网页应用、移动应用一键部署上线旧版开发平台界面扣子 - AI Agent智能办公平台 - 扣子用AI重塑生产力与工作效率扣子罗盘扣子罗盘eino框架GitHub - cloudwego/eino: The ultimate LLM/AI application development framework in Go.扣子空间扣子 - AI Agent智能办公平台 - 扣子用AI重塑生产力与工作效率智能体开发创建智能体项目开发智能体开发输入标题和介绍自动生成图标模型是豆包回答也是豆包切换成deepseekv3模式选择模式生活比喻特点适用场景单 Agent自主规划能干的总秘书自我驱动思考型。你给目标它自己拆解和执行。目标明确但路径未知的复杂任务如深度数据分析、复杂规划。单 Agent对话流按清单行事的助理流程固定引导型。你跟着它的步骤走一步步提供信息。客服、信息收集、标准化流程处理如订餐、预约。多 Agents专家委员会协作讨论群策群力。多个专家共同决策结果更均衡。需要多角度权衡的复杂决策如产品设计、战略规划、创意 brainstorm。模型设置与优化模型优势适用场景注意事项DeepSeek 系列推理能力突出在数学、代码、逻辑推理表现优异支持 DeepSeek-MoE 架构提升推理速度与成本效率编程辅助代码生成、代码解释、代码优化数据分析复杂数理统计学术研究论文写作和文档分析企业应用智能客服和自动化办公中文优化有限需额外微调以适应中文语境多模态支持需依赖外部工具资源消耗大参数模型对硬件要求高豆包系列中文理解能力针对中文语境和文化优化知识丰富积累了 1.5 亿级中文文本1.6Tb 常用知识库针对中文场景优化智能客服中文对话流畅自然内容创作文案生成和编辑跨文化语音识别和跨语言企业办公文档处理和数据分析长文本处理上下文窗口有限不适合超长文档场景限制定制化能力有限多模态支持主要优化中文场景互亿系列中文理解能力针对中文语境和文化优化功能丰富FunctionCall 精准调用工具通用能力强适合复杂场景智能客服中文对话流畅自然内容创作文案生成和编辑跨文化语音识别和跨语言企业办公文档处理和数据分析长文本处理上下文窗口有限不适合超长文档场景限制定制化能力有限多模态支持主要优化中文场景通义千问长文本理解能力支持 128k 上下文适合长文档多模态支持支持图文、语音、视频多模态融合应用个性化和安全个性化和安全合规工具生态完善内置丰富的行业解决方案企业知识库长文档检索和分析多模态内容生成图文并茂的内容创作跨境业务多语言客服和内容边缘设备低资源环境下的本地化运行推理速度较慢长文本处理时响应时间较长计算资源消耗算力消耗大开源协议限制部分高级功能需商业授权文心一言中文理解精准在医疗、教育等垂直领域理解精准知识覆盖全面百科知识和行业知识库安全合规符合国内数据安全要求工具生态完善内置丰富的行业解决方案医疗健康医学知识问答和辅助诊断教育教辅个性化学习和辅导政务服务政策解读和咨询内容审核文本合规性检查推理成本高API 调用费用较高开源程度低闭源模型多语言能力多语言能力有待提升模型⼯作原理数据准备预处理(Data Preparation)在训练之前模型需要数据。但这些数据不能是原始的、杂乱⽆章的。做什么从互联⽹、书籍、代码库等渠道收集巨量的⽂本数据通常是TB甚⾄PB级别。怎么做清洗去除重复、低质量、有害的内容。格式化将所有⽂本转换成统⼀的格式。分词将句⼦拆分成模型能理解的更⼩单元称为“Token”⽐如单词或词根。例如⽬标得到⼀份⼲净、庞⼤、可供模型“阅读”的⽂本数据集。模型训练(Model Training)这是最核⼼、最耗计算资源和时间的⼀步。其核⼼是⾃监督学习。做什么让模型从数据中⾃⾏学习语⾔的内在规律和知识⽽不需要⼈⼯标注。怎么学关键机制任务设计采⽤“遮蔽语⾔模型”任务。⽐如把⼀句话“今天天⽓真好我们⼀起去公园 吧”中的“公园”⼀词遮住变成“今天天⽓真好我们⼀起去___吧”。预测与纠错让模型根据上下⽂“今天天⽓真好我们⼀起去”来预测被遮住的词是什么。它可能会猜“散步”、“打球”、“公园”等并给出每个词的概率。参数调整模型⼀开始会乱猜。猜错后它会通过⼀种叫做“反向传播”的算法微调其内部数百万、乃⾄万亿个“参数”可以理解为脑细胞之间的连接强度和⽅式。每次调整都让它对语⾔的理解更精准⼀点。⽬标通过海量重复上述过程让模型的“参数”调整到最佳状态使得它能够⾮常准确地根据上⽂预测下⼀个词Token。模型推理(Model Inference)训练好的模型就可以⽤来为⽤⼾服务了这个过程就叫推理。做什么根据⽤⼾的输⼊提⽰词-Prompt⽣成相应的输出Completion。怎么⼯作理解输⼊模型将你的提⽰词进⾏分词等处理。迭代⽣成模型从你给的最后⼀个词开始基于它学到的所有规律计算下⼀个最可能出现的词是什么。把这个新⽣成的词加到原来的句⼦上形成新的上下⽂。再基于新的上下⽂预测再下⼀个词。如此循环往复就像⼀个“逐词接⻰”直到⽣成⼀个完整的回答或达到⻓度限制。⽬标快速、流畅地⽣成符合⽤⼾要求和上下⽂逻辑的⽂本。对⻬与微调(AlignmentFine-Tuning)⼀个只知道预测下⼀个词的模型可能会⽣成⽆⽤、有害或不准确的回答。因此需要⼀个“打磨”过程让它更符合⼈类的价值观和偏好。做什么让模型的输出更安全、有⽤、符合预期。怎么做监督微调雇佣⼈类专家编写⾼质量的问答对例如“问天空为什么是蓝⾊的因为瑞利散射…”⽤这些数据进⼀步训练模型教它“应该如何回答问题”。⼈类反馈强化学习这是更关键的⼀步。让模型对同⼀个问题⽣成多个答案。⼈类评审员对这些答案从好到坏进⾏排序。训练⼀个“奖励模型”来学习⼈类的偏好。⽤这个奖励模型去指导原始⼤模型进⾏优化让它倾向于⽣成能被奖励模型打⾼分的回答即⼈类更喜欢的回答。⽬标确保模型不仅“聪明”⽽且“善良、有⽤、诚实”。模型参数配置调精确模式上下文轮数参考需求提⽰词编写提⽰词是与⼤模型交流的载体⼀般情况下提⽰词可以分为系统提⽰词和⽤⼾提⽰词系统提⽰词奶茶店的《员⼯培训⼿册》⾝份设定(Role):“你的⾝份是‘快乐奶茶⼩专家’必须热情、有耐⼼且熟知所有产品。”⾏为准则(Behavior):“必须主动向顾客问好‘您好欢迎光临’必须向每位顾客复述⼀遍他们点的订单以防出错最后必须说‘这是您的奶茶请拿好祝您⼀天愉快’”技能边界(Capability):“只能制作菜单上有的饮品如果顾客想要菜单外的可以建议相似款式但不能⾃⾏发明。”安全规范(Safety):“绝不能使⽤过期原料。如果顾客询问奇怪的⾮饮品问题⽐如‘怎么修电脑’应礼貌表⽰⽆法帮忙并引导回点单话题。”⽤⼾提⽰词你下的订单⾛到柜台前对店员说的⼀句话就是⽤⼾提⽰词。这是⼀个具体的、⼀次的指令。你⽤⼾说“你好我要⼀杯⼤杯的冰珍珠奶茶三分糖多加⼀份椰果。只有系统提⽰词⼿册没有⽤⼾提⽰词订单店员会微笑着对你说“您好欢迎光临”然后就开始等你点单。他⾏为规范但不知道具体要做什么。只有⽤⼾提⽰词订单没有系统提⽰词⼿册你可能会遇到⼀个冷漠、机械的店员。你说完“要⼤杯冰珍珠奶茶…”他可能直接扔给你⼀杯全糖、没加椰果的普通奶茶甚⾄反问你“珍珠奶茶是什么我们没这东西。”场景系统提示词 (System Prompt)用户提示词 (User Prompt)奶茶店例子《员工培训手册》顾客下的订单核心作用定义 “如何做”定义 “做什么”可见性隐藏后台规则可见你的具体命令特点全局性、持续性影响整个对话具体性、一次性的针对当前请求系统提⽰词结构优质提⽰词需清晰定义⻆⾊、⽬标、约束、流程、⽰例推荐使⽤CO-STAR框架模块说明示例Context任务背景与上下文“你是电商客服需解答用户关于 iPhone 15 的咨询知识库包含最新价格和库存”Objective核心目标“准确回答价格、发货时间推荐适配配件”Steps执行步骤“1. 识别用户问题类型2. 检索知识库3. 用亲切语气整理回复”Tone语言风格“口语化避免专业术语使用‘亲’‘呢’等语气词”Audience目标用户“20-35 岁年轻消费者对价格敏感关注性价比”Response输出格式“价格XXX 元 \n 库存XXX 件 \n 推荐配件XXX链接”智能体调试并发布⽤⼾体验优化开场白扣子资源插件无法获取最新的消息添加墨迹天气高德地图修改系统提示词可以获取到当地的天气可以规划出行路线插件的分类按功能场景分类插件类型核心作用插件实例数据查询类获取外部实时数据墨迹天气业务工具类执行特定功能生成图片编写技能5按照收费⽅式分类扣资源点型每次调⽤都会扣除coze资源点申请密钥型在调⽤之前需要先申请密钥调试插件插件在本质上也是⼀个第三⽅服务我们在调⽤的过程中可能会⾯临调⽤失败或者参数不合法的场景当⽆法得到结果或者得到的结果与我们的预期相差⽐较远的时候我们可以调试插件即观察插件的调⽤过程请求⼊参和响应出参。知识库资源没有知识库只能依靠它受训时的通⽤知识来回答但⽆法提供你公司内部特定的信息。缺点回答正确但⽆⽤。它不知道你公司的具体规定⽐如是⽤“钉钉”还是“⻜书”审批额度是多少需要什么附件。它成了⼀个“正确的废话⽣成器”。有了知识库上传⼀个知识库。这个知识库包含《新员⼯⼊职指南.pdf》包含Wi-Fi密码、各部⻔联系⽅式《财务报销制度.docx》包含报销流程、截图⽰例《考勤与休假规定.xlsx》⼀份“公司周边美⻝推荐”的Word⽂档⼀些内部技术⽂档的链接和简介可以回答个性化问题方面解释是什么知识库是智能体专属的、可信任的 “私人图书馆” 或 “大脑外挂硬盘”。它存储了公共 AI 模型不知道的、你私有的信息。做什么赋予智能体深度领域知识和事实依据。让它的回答不再是泛泛而谈而是精准、具体、有据可查的。核心价值解决 “幻觉” 问题提供权威答案。它将一个通用的聊天机器人变成了一个真正能解决内部问题的专家系统极大提升了信息的准确性和获取效率。RAGRAGRetrieval-Augmented Generation检索增强⽣成。RAG是⼀种将“信息检索”与“⽂本⽣成”相结合的技术框架。它的核⼼思想很简单在让⼤模型⽣成答案之前先让它去⼀个指定的知识库⽐如公司⽂档、数据库、⽹⻚等⾥查找相关的信息然后根据查找到的这些准确、最新的信息来组织和⽣成答案。没有RAG的普通⼤模型像⼀个在做闭卷考试的学⽣只能依靠⾃⼰记忆训练数据中的知识来答题。如果问题超出了它的记忆范围或者记忆是错的它就会答错或“编造答案”幻觉。有RAG的⼤模型像⼀个在做开卷考试的学⽣。遇到问题时先跑去翻阅指定的参考书知识库找到最相关的段落和证据然后结合⾃⼰的理解⽣成能⼒组织成⼀个准确的答案。RAG的过程通常分为三个核⼼步骤知识库的分类⽂本、表格和照⽚按照构建知识库来源可以包括本地⽂件上传⽀持直接上传本地设备中的⽂件。格式⽀持 .txt , .pdf , .docx , .csv , .xlsx 等。这是最常⽤、最快捷的初始化知识库的⽅式适⽤于将已有的产品⽂档、报告、⼿册等数字化材料导⼊。在线⽹站抓取可以通过输⼊URL⽹址将指定⽹⻚或整个站点的内容抓取到知识库中。⽀持⾃动采集和⼿动采集两种⽅式。此⽅式⾮常适合⽤于整合最新的在线资讯、博客⽂章、官⽅公告等实时性较强的信息确保Bot知识的时效性。第三⽅平台集成Coze提供了与常⻅协作平台的集成能⼒例如可以直接从⻜书⽂档Feishu、Notion等平台导⼊内容。这⽅便企业将已有的知识管理体系快速对接到AI助⼿⽆需重复上传⽂件。API接⼝同步对于表格类型的知识库⽀持通过API⽅式将JSON数据上传⾄知识库。这种⽅式可以实现数据的⾃动化、周期性更新将知识库与业务数据库或其它系统打通适⽤于⾼度动态变化的数据如商品库存、实时价格等。⼿动⾃定义输⼊⽀持直接在Coze平台界⾯上⼿动输⼊⽂本或表格数据。适⽤于添加⼀些零散的、需要补充的知识点或者进⾏快速的测试和调试。数据库资源Coze数据库是字节跳动扣⼦平台提供的结构化数据存储服务采⽤类NoSQL的⽂档模型⽀持通过⾃然语⾔或SQL语句进⾏数据的增删改查操作。作为智能体的⻓期记忆组件它能够持久化存储⽤⼾交互数据、业务配置信息和应⽤状态是构建复杂AI应⽤的核⼼基础设施。有了数据库智能体就拥有了“⻓期记忆”数据类型String(字符串)、Integer(整数)、Number(浮点数)、Boolean(布尔值)、Time(时间)方面解释是什么数据库是智能体结构化、可查询的 “长期记忆系统”。它用来存储需要长期保存和随时查询的用户个人数据和交易数据。做什么实现数据的 “增删改查”。智能体可以1. 创建新记录。2. 读取历史记录。3. 更新已有记录。4. 删除记录。与知识库的区别知识库存储的是供查阅的文档是什么是只读的。数据库存储的是可操作的记录做了什么是可读写的。核心价值实现真正的个性化服务。它让智能体不再是 “一视同仁” 的百科全书而是一个真正了解你个人历史和行为的专属助手能够基于你的数据提供动态反馈和决策。记录所有对话内容