编程语言SaaSAI
利用 Coze 构建企业级知识库与 AI Agent 开发指南
Coze 是字节推出的一站式 AI Bot 开发平台，支持快速搭建基于大模型的问答机器人。 AI Agent 的核心构成（LLM、规划、记忆、工具），对比 Copilot 与 Agent 的差异。重点介绍 Coze 的提示词、插件系统、工作流及知识库（RAG）功能。通过构建产品问答机器人的实操案例，演示如何收集知识、创建数据库、设计工作流节点及调试发布，帮助开发者利用低代码方式实现企业级知识库应用。
Coze 是字节推出的一站式 AI Bot 开发平台，支持快速搭建基于大模型的问答机器人。 AI Agent 的核心构成（LLM、规划、记忆、工具），对比 Copilot 与 Agent 的差异。重点介绍 Coze 的提示词、插件系统、工作流及知识库（RAG）功能。通过构建产品问答机器人的实操案例，演示如何收集知识、创建数据库、设计工作流节点及调试发布，帮助开发者利用低代码方式实现企业级知识库应用。
Coze 是字节推出的一站式 AI Bot 开发平台，支持快速搭建基于大模型的问答机器人。本文详解 AI Agent 的核心构成（LLM、规划、记忆、工具），对比 Copilot 与 Agent 的差异。重点介绍 Coze 的提示词、插件系统、工作流及知识库（RAG）功能。通过构建产品问答机器人的实操案例，演示如何收集知识、创建数据库、设计工作流节点及调试发布，帮助开发者利用低代码方式实现企业级知识库应用。
讲到 Coze 这款产品，必须要先了解其背后的技术 AI Agent！
Agent，我们一般将其翻译为代理人、代理商等。
在人工智能领域，Agent 通常被定义为一种具有感知能力的实体，它能够通过对其所处环境的观察来做出相应的决策和反应。这种 Agent 既可以是软件形式的程序，例如对话机器人，也可以具备物理形态，比如扫地机器人。
在了解 AI Agent 之前，我们先考虑一个场景：我们要写一本 20 万字的关于人工智能最新技术的书。
在没有大模型之前，我们一般会按照如下流程：
在大模型出现之后，我们可能会这样使用：
请你帮忙生成一篇 20 万字的关于人工智能最新技术的
这个时候我们会发现 AI 写出来的书根本就无法阅读，是大模型的能力不行么？不仅仅因为这个，相比于第一种写书的方式，第二种方式明显缺少了几个环节：
而 AI Agent 就是为了解决这个问题。
AI Agent 是应用了大模型（LLM）能力的 Agent。
以 GPT 为代表的大模型的出现，将 Agent 的能力提高到了前所未有的高度。AI Agent 又被称为智能体。
OpenAI 的 Lilian Weng 将以 LLM 为驱动的 AI Agent，形式化为如下的公式：
AI Agent = LLM（大模型） + Planning（规划） + Memory（记忆） + Tools（工具）
[图：AI Agent 组成结构]
也就是说：AI Agent 由如下几部分组成，我用一个管理花园的园丁的例子来说明每个模块的作用：
我们也可以认为 LLM + Planning + Memory 是人类的大脑，而 Tools 则是人类的四肢。
在大模型出现之前，Planning 和 Memory 已经有比较成熟的技术。
大模型的出现则补足了 AI Agent 发展的最后一环
目前大模型的产品类型，主要有两种：
我们从核心功能、流程决策、应用范围和开发重点几个方面对比 Copilot 和 Agent：
核心功能
流程决策
应用范围
开发重点
LLM 可以成为 AI Agent 的'大脑'主要是因为它具备了以下的关键能力：
目前社区中有许多优秀的开源项目致力于 AI Agent 的开发，如 LangChain、AutoGen 等，这些项目为构建复杂的 Agent 系统提供了基础框架。
这一章节我会先从比较无趣的概念讲起，后面会有一个非常详细的例子手把手帮助大家理解。
字节的官方解释如下：
Coze 是新一代一站式 AI Bot 开发平台。无论你是否有编程基础，都可以在 Coze 平台上快速搭建基于 AI 模型的各类问答 Bot，从解决简单的问答到处理复杂逻辑的对话。并且，你可以将搭建的 Bot 发布到各类社交平台和通讯软件上，与这些平台/软件上的用户互动
我个人认为：Coze 是字节针对 AI Agent 这一领域的初代产品，在 Coze 中将 AI Agent 称之为 Bot。
字节针对 Coze 这个产品部署了两个站点，分别是国内版和海外版。
国内版
海外版
Bot 的开发和调试页面布局如下，主要分为如下几个区块：
[图：Bot 开发界面布局]
下面我们则会逐一讲解每个组件的能力以及使用方式
人设和提示词的目的是：设定 Bot 的身份及其目标和技能，例如产品问答助手、新闻播报员、翻译助理等等。Bot 的人设和提示词决定了 Bot 如何与你的用户进行互动。
提示词编写的越明确，Bot 的回复也越符合预期
AI Agent = LLM + Planning + Memory + Tools
插件系统则对应 Tools，主要目的是扩展 Bot 的能力边界
Coze 的插件系统对应的就是 AI Agent 的工具箱。Coze 官方是这样解释插件系统的：
插件是一个工具集，一个插件内可以包含一个或多个工具（API）。目前，Coze 集成了超过 60 种类型的插件，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。使用这些插件，可以帮助你拓展 Bot 能力边界。例如，在你的 Bot 内添加新闻搜索插件，那么你的 Bot 将拥有搜索新闻资讯的能力。如果 Coze 集成的插件不满足你的使用需求，你还可以创建自定义插件来集成需要使用的 API。
Coze 提供了丰富的插件，这些插件涵盖了从搜索引擎、文本分析以及图像识别等各种领域。
这些插件的能力如果我们个人接入都是要收费的，但是在 Coze 平台则是免费使用的，例如：
Coze 国内版本：
而且国内版本还提供了很多便民的服务，例如：
这些生活化的插件，可以让你的 AI bot 变得贴近生活，贴近用户的需求。
说白了，你想想你自己做的一个 AI 应用，可以直接分享给你爸妈拿来通过对话查快递，买飞机票等等，不像以前那种机械学习的 APP 机器人管家，还有各种 APP 繁杂的点击交互操作，一切用人类自然对话的方式就能实现。
Coze 国外版本：
作为开发者，国外版本的能力更加强大和令人心动。
参考官方文档，创建插件的流程如下：
工作流是由多个节点构成，节点是组成工作流的基本单元。
节点的本质就是一个包含输入和输出的函数
[图：工作流节点示意图]
Coze 平台支持的节点类型：
AI Agent = LLM + Planning + Memory + Tools
Coze 中的知识库、数据库以及变量功能来实现 Agent 的 Memory 模块
大模型并不是 100% 准确的，它会产生幻觉，主要是因为以下两点：
因此知识库的出现就是为了解决大模型的数据准确性的问题。
大模型可以额外学习外接知识库中的知识，从而来精准回复用户。
知识库中最典型的一个应用就是客服系统：
公司可以将用户所有问题以及答案记录在文档中，然后以知识库的形式投喂给大模型。这样当用户通过自然语言询问问题时，大模型就可以根据知识库中的内容给出更加准确的回答。
我们都知道大模型的训练数据是有截止日期的，那当我们需要依靠不包含在大模型训练集中的数据时，我们该怎么做呢？实现这一点的主要方法就是通过检索增强生成 RAG（Retrieval Augmented Generation）。
在这个过程中，首先检索外部数据，然后在生成步骤中将这些数据传递给 LLM。
我们可以将一个 RAG 的应用抽象为下图的 5 个过程：
[图：RAG 流程示意图]
参考官方文档进行操作。
这个是 Coze 官方提供的一个 Chrome 插件，目的在于帮助用户提取网页上的内容，然后快速上传到自己的知识库中。
数据库是偏编程的概念，非编程同学可以直接参考官方文档的教程操作一遍。
数据库和知识库的区别主要有几点：
变量是 Bot 的数据记忆功能，以 key-value 形式存储数据。一个变量只能保存一种信息，一般用于记录用户的某一行为或偏好。
大语言模型会根据用户输入内容进行语义匹配，为定义的变量赋值并保存值。你可以在提示词中为 Bot 声明某个变量的具体使用场景。
在创建 Bot 的页面，我们可以创建变量。
[图：创建变量界面]
创建好变量之后，该如何使用呢？
你可以在提示词中为 Bot 声明某个变量的具体使用场景。
首先，可以在给大模型的提示词中做如下声明：
与您的用户进行互动，并根据
user_language变量，用他们偏好的语言在线搜索。除非另有设置，用户查询的语言应指导您的回答和搜索
这段提示词相当于告诉了 LLM，user_language 这个变量该如何赋值以及使用。下面我们演示下变量的使用方式以及效果。
这个变量 user_language 接下来就可以用在工作流中作为变量使用。
这一块解释起来有些抽象，具体可以参考后面的例子，真正用一遍就懂了。
这个能力是海外 Coze 专属的能力，目前国内暂时不支持
你可以认为文件盒子就是一个像内存卡一样的存储工具，他可以存储图片、文档、视频等多模态的内容。
如果我们开启了文件盒子，我们可以使用如下功能：
在这里就不一一展示 Filebox 的能力了，他的指令都很好理解。看十遍不如实践一遍。
这里使用 Coze 海外版本进行讲解
Coze 支持将 Bot 发布到不同的渠道，然后在这些渠道中与用户互动。
不同渠道的发布方式以及最终体验请参考官方文档。
看十遍不如动手做一遍，这里进入到实操阶段。
这一块使用海外版本进行讲解：主要原因是因为海外 Coze 的能力更强大。
但是不能突破网络限制的同学不用担心，国内版本的使用和海外是一模一样的
这个是在 Home 页面直接通过对话的方式告诉 Coze，让它帮你创建一个 Bot。
[图：快速创建 Bot 界面]
所谓的预制的 AI Bot 则是 Coze 提供了快速复制 Bot 商店中别人创建的 Bot，然后在此基础上进行修改。
需要注意的是：并不是所有 Bot 商店中的 Bot 都可以复制，这个取决于创建者是否允许复制。
目前只有公开配置下的 Bot 才可以被允许复制：
[图：Bot 商店复制界面]
国内参考文档：
前面铺垫了那么多！本章最重要的例子来喽！
现代产品更新换代速度快，用户在使用产品时经常会有疑问，而且新产品的上市会伴随大量的信息和数据。利用 RAG 检索增强生成框架，我们能够将这些零散的信息整合成一个知识库。
通过这个知识库，用户能够快速获得到需要问题的答案，它的出现让用户不必再翻看厚重的说明书或漫无边际地搜索网络，省时又省力，极大地提升了用户体验。
产品资料问答 Bot 的目标用户非常广泛，包括不限于普通消费者、产品销售人员、客服人员、以及那些对特定产品感兴趣的潜在购买者。通过问答系统，他们可以更深入地了解产品，加快决策的效率，例如：
在利用 Coze 搭建知识库时，需要如下几个流程：
在收集知识之前却确认先了解过知识库支持的数据类型。
收集知识通常有三种方式：
这里我使用一款名为外贸大师产品的帮助文档进行演示。
其帮助文档的地址为：[外贸大师使用秘籍 · Yuque]
为了简单，我选择其中一个文档来创建知识库：[购买后新人常见问题汇总 · 语雀]
[图：创建知识库按钮]
为了更好的检索效果，这个例子里使用 Local documents 的方式，并且上传的 Markdown 格式文档。
首先看下文档数据的格式：每个问题都是使用###作为开头（这是 Markdown 的语法）
[图：Markdown 文档示例]
准备开始上传文件：
[图：上传文件界面]
至此，一个完整的知识库就构建完成啦！接下来我们就可以去创建我们的产品资料问答机器人。
特别需要注意的是：文档的分片策略会严重影响查询的结果，这是当前 RAG 自身的方案原理导致的。
基于 Coze 的知识库问答是典型的 RAG 方案，其重要一环就是文档切片（Segment）。然而，不管是单分片是 800 token 还是 2000 token，都显著暴露了 RAG 方案的缺点：
在这里我们不讨论如何组织文档形式，从而可以更好的分片。后面我会专门研究这块，并产出教程。
首先我们创建一个机器人：外贸大师产品资料问答机器人，进入到 Bot 的开发和预览页面。
由于我们的需求中有这样一条：
记录下用户的问题和机器人的回答，方便我们进行统计用户最关心的问题，然后进行优化
这个需求就需要依赖数据库，将用户的每一次提问都保存到数据库中。
[图：创建数据库界面]
[图：定义数据库字段]
这里我使用变量的能力，创建了一个 user_language 的变量，目的是为了控制工作流的输出语言。
现在不懂没有关系，跟着教程往下走，很快你就理解啦
[图：创建变量界面]
在创建工作流的时候，我们先思考下整个的流程：
[图：工作流编辑器]
Start 节点：每个工作流默认都有的节点，是工作流的开始
这里我定义了一个输入变量：question，question 会在启动工作流的时候由 Bot 从外部获取信息传递过来。
[图：Start 节点配置]
知识库节点的输入和输出：
在 Start 节点后面接入了一个知识库节点，这个节点的目的是将用户的问题跟知识库进行匹配。
知识库中需要注意的几个概念：
[图：知识库节点配置]
变量节点有两个能力：
我这里使用的能力是从 Bot 中获取 user_language 这个变量，目的是传给后面的大模型节点，控制其输出语言。
[图：变量节点配置]
大模型节点的输入和输出：
[图：大模型节点配置]
提示词如下：
# 角色
你是外贸大师产品的问答小助手。你会接收两个输入：
1. {{question}} 这个是用户询问的问题
2. {{knowledge}} 这个是从知识库中根据用户的问题{{question}} 查询出来的知识库内容
3. {{language}} 这个用户的语言偏好
## 技能
###技能 1: 问题理解
-理解用户的问题{{question}} ，并识别其关键信息。
###技能 2: 回答生成
- 基于检索到的信息{{knowledge}}，为用户生成准确、简洁的回答。
- 根据用户的语言偏好{{language}} 生成对应的语言的回答
##约束
-仅回答与产品相关的问题，不回答无关话题。
-尽量使用清晰简练的语言来回答用户的问题。
-整个回答过程中，始终以用户的需求为中心。
-全部以知识库中的内容为主，如果知识库中信息不足以支持你生成回答，直接生成如下回答：
'没有找到该问题的答案，请联系人工进行处理'
数据库节点的输入和输出：
注意：这里的 SQL 语句我是让 AI 帮我自动生成的哦，具体请看第二张图
但是我对 SQL 进行了一些改动：将 question 和 llm_answer 进行了变量替换，并且外围加上了""
INSERT INTO user_question_and_answer (question, answer) VALUES ("{{question}}", "{{llm_answer}}")
[图：数据库节点配置]
End 节点也是工作流中的默认节点，其作用是最终结果的输出。
其输出方式主要有两种：
我这里使用的是第二种，然后在 Answer content 中指定了回答的格式。
[图：End 节点配置]
编辑完成的工作流是无法直接提交的，需要进行测试。
[图：测试工作流界面]
[图：发布工作流界面]
当工作流完成之后，就可以去调试 Bot 啦。
# 你的角色
你是外贸大师产品资料问答机器人，你的职责是回答客户关于外贸大师产品的任何问题。
# 你的能力
## b2b_user_qa
首要的，你的能力依赖于`b2b_user_qa`。每当用户进行提问时，你都需要应用`b2b_user_qa`能力提升你的表现。
一定要注意使用纯净、未经修改的原始用户问题作为`question`输入。例如，如果被问到，'外贸大师为什么发品失败'，确保`b2b_user_qa`的`question`参数就是完全相同的句子，没有任何修改。
# 如何与用户互动
根据`user_language`变量，用用户偏好的语言与用户互动。除非另有设置，用户查询的语言应指导你的回应。
搭建好我们的机器人之后，就进入到最后一个环节：预览与调试啦！
[图：测试变量界面]
然后我们跟 Bot 说一句话：请使用英文与我交流
[图：英文交流测试]
测试知识库的方法非常简单，就是问一个只有跟知识库相关的问题即可。
[图：知识库有答案测试]
[图：知识库无答案测试]
我们在工作流中添加了数据库，每当用户询问问题时，都会将问答的数据记录下来。
[图：数据库记录查看]
通过本文的学习，我们了解了 AI Agent 的基本概念，掌握了 Coze 平台的核心功能，并成功搭建了一个基于知识库的产品问答机器人。在实际应用中，开发者可以根据业务需求灵活组合插件、工作流和知识库，构建出更加智能化、个性化的 AI 应用。随着大模型技术的不断发展，Coze 等平台将继续降低 AI 应用的开发门槛，推动人工智能在企业级场景中的普及与应用。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
将 HTML 片段转为 GitHub Flavored Markdown，支持标题、列表、链接、代码块与表格等；浏览器内处理，可链接预填。 在线工具，HTML转Markdown在线工具，online