【AI智能体】Coze 基于关键词生成古诗词 + 配图智能体操作详解

【AI智能体】Coze 基于关键词生成古诗词 + 配图智能体操作详解

目录

一、前言

二、Coze 介绍

2.1 Coze 是什么

2.2 Coze 可以做什么

2.3 Coze 相比其他智能体平台优势

2.4 Coze 工作流介绍

2.5 Coze 工作流典型使用场景

2.6 搭建工作流核心步骤

三、完整案例操作步骤

3.1 前置说明

3.2 创建工作流

3.3 配置工作流过程

3.3.1 配置开始节点

3.3.2 添加大模型节点

3.3.3 增加大模型节点

3.3.4 增加文本处理节点

3.3.5 增加一个循环节点

3.3.5.1 配置外层循环体

3.3.5.2 配置内层循环

3.3.6 效果验证

四、写在文末


一、前言

2025年是AI人工智能大规模使用的一年。AI大模型能力在不断挖掘的同时,如何基于大模型做更进一步的升级呢,于是AI智能体就应运而生。AI智能体是结合了众多软件技术的合集,充分发掘大模型的能力,并且拓展大模型的能力,让更多使用者即使不懂大模型,也能低成本的快速掌握AI的使用。在众多的智能体平台中,像Coze , Dify ,FastGPT等,都在构筑自己的智能体平台,为普通的非互联网人员也能快速打造属于自己的智能体应用,接下来以Coze平台为例,基于Coze制作一个在新媒体行业非常流行的诗歌生成,并且为诗歌配图的完整过程。

二、Coze 介绍

2.1 Coze 是什么

coze是新一代AI应用发布平台,不管你是否有编程经验,都可以在coze这个平台上面快速搭建基于大模型的各类AI应用,并将AI应用发布到各个社交平台,通讯软件等,也可以通过API或者SDK将AI应用集成到你的业务系统中。平台入口:

Read more

从零搭建SpringBoot+Vue+Netty+WebSocket+WebRTC视频聊天系统

在实时通信场景中,音视频聊天是最核心的需求之一,比如在线会议、远程面试、社交视频等。本文将手把手教你搭建一套基于SpringBoot+Vue+Netty+WebSocket+WebRTC的全栈视频聊天系统,全程保留完整可运行代码,无需修改即可直接部署测试,同时拆解核心技术原理,让你不仅能“跑通项目”,更能“理解底层逻辑”。 本文适合有一定Java和Vue基础的开发者,核心目标是实现“两端内网设备实时视频通话”,无需第三方音视频SDK,完全基于原生技术栈开发,兼顾实用性与可扩展性。 一、核心技术栈原理铺垫 在动手开发前,我们先理清核心技术的作用,尤其是WebRTC相关的关键概念——很多开发者踩坑,本质是没搞懂NAT穿透和信令交互的逻辑。 1.1 WebRTC:浏览器原生的实时通信“利器” WebRTC(Web Real-Time Communication)是浏览器内置的实时通信技术标准,无需安装任何插件,就能让网页直接实现音视频采集、编码、传输和渲染。简单说,它帮我们搞定了“音视频流怎么从本地设备传到对方设备”的核心问题,是整个视频聊天的“核心引擎”

基于 Spring Boot 的 Web 三大核心交互案例精讲

基于 Spring Boot 的 Web 三大核心交互案例精讲

—知识点专栏——JavaEE专栏— 作为 Spring Boot 初学者,理解后端接口的编写和前端页面的交互至关重要。本文将通过三个经典的 Web 案例——表单提交、AJAX 登录与状态管理、以及 JSON 数据交互——带您掌握前后端联调的核心技巧和 Spring Boot 的关键注解。 1. 案例一:表单提交与参数绑定(计算求和) 本案例展示最基础、最传统的 Web 交互方式:HTML 表单提交。 1.1 后端代码:CalcController.java 使用 @RestController 简化接口编写,并通过方法参数接收表单数据。 packagecn.overthinker.springboot;importorg.springframework.web.bind.annotation.RequestMapping;importorg.springframework.

nomic-embed-text-v2-moe实战教程:基于Gradio构建多语言文本相似度WebUI

nomic-embed-text-v2-moe实战教程:基于Gradio构建多语言文本相似度WebUI 1. 模型简介与核心优势 nomic-embed-text-v2-moe是一款强大的多语言文本嵌入模型,专门用于处理多语言文本检索任务。这个模型在多个关键指标上表现出色,让我们来看看它的核心特点: 多语言能力突出:支持约100种语言,经过超过16亿对多语言文本的训练,能够准确理解不同语言的语义信息。 性能表现优异:虽然只有3.05亿参数,但在多语言检索任务上的表现超越了参数量更大的模型,真正做到了"小而精"。 灵活高效的嵌入维度:采用Matryoshka嵌入训练技术,可以将存储成本降低3倍,同时保持几乎不损失性能。 完全开源透明:模型权重、训练代码和训练数据全部开源,确保了使用的透明度和可复现性。 为了更直观地了解它的性能优势,我们来看一下与其他主流模型的对比: 模型参数量(百万)嵌入维度BEIR得分MIRACL得分开源状态Nomic Embed v230576852.8665.80完全开源mE5 Base27876848.8862.30部分开源mGTE Bas

前端Bug修复专家:从现象到根因,再到测试闭环的SOP

引言:Bug 排查的“猜谜游戏” 作为一名前端工程师,你是否经历过这样的场景:测试人员扔过来一个 Bug 描述——“用户点了某个按钮后,页面就卡死了,偶尔复现,请尽快修复”。你打开代码,面对几百行业务逻辑,只能凭感觉加个 try-catch 或 setTimeout,推上去后却被告知“还是不行”。更令人头疼的是,某些问题只在 iOS Safari 上出现,某些问题需要快速连续点击才能复现。 这种“面向猜测编程”的排查方式,往往导致修复方案治标不治本,甚至引入新的 Bug。如何摆脱这种困境?今天,我想向大家介绍一套我从多年实战中总结出的前端缺陷诊断与修复专家技能(可以称之为 bugfix-expert),它不仅帮你“修好代码”,更帮你建立一套“现象 → 根因 → 修复 → 测试”的标准化作业程序(SOP)。 技能概述:不仅仅是修 Bug