人工智能應用通識教程 課件 -第七次課（智能體與工作流）

1第三章：

智能體應用——智能體與工作流目錄01THEORYCLASS智能體認知與

工作流思維構建課程導入與核心概念辨析了解智能體平臺生態工作流思維構建02PRACTICALLAB基于工作流的智能摘要Agent開發實戰明確實驗目標與開發環境快速準備Coze平臺核心功能與Agent搭建步驟應用效果測試驗證與運行日志分析實驗總結復盤與智能體應用拓展思考第1部分：

智能體認知與工作流思維構建案例導入：從“機器人”到“智能體”??場景A：傳統機器人客服你：“你好，我的訂單什么時候到？”機器人：“您好，請問您的訂單號是多少？”你：“我的訂單號是12345。”→“那如果明天我不在家怎么辦？”機器人：“您好，請問您的訂單號是多少？”(循環往復...)??場景B：AI智能體助手你：“查下訂單12345狀態，看看明天天氣，如果下雨就改到后天派送。”智能體：“已查，訂單明早達。您處明有中雨，已自動為您改派至后天，請查收短信確認。”??思考時刻：對比兩個場景，你更愿意與誰交互？為什么？它們之間最本質的區別是什么？??核心變革：從“被動響應、機械執行”到“主動規劃、理解并解決問題”核心概念：什么是AI智能體？??一句話概括AI智能體（AIAgent）是一個能夠自主理解任務、制定計劃、調用工具并完成目標的AI“數字員工”。??形象比喻如果說大語言模型（如ChatGPT）是博學但只能“動口”的顧問，那么AI智能體就是既“懂腦”又“會動手”的全能助理。大腦

（大模型）負責理解用戶的自然語言指令，進行核心的推理與決策。思考

（規劃力）將復雜的宏觀任務，拆解成一系列可執行、可驗證的簡單步驟。手腳

（工具/插件）連接外部世界的物理接口，靈活調用搜索引擎、數據庫等資源。經驗

（記憶系統）具備長短期記憶，記住用戶偏好、歷史對話上下文及任務狀態。大腦（LLM）+思考（規劃）+手腳（工具）+經驗（記憶）=AI智能體傳統智能體vsAI智能體傳統智能體(TraditionalAgent)驅動方式：規則驅動(Rule-based)嚴格遵循預設的IF-THEN邏輯執行，無自主決策能力。靈活性：低(LowFlexibility)僅能處理規則庫覆蓋的場景，面對未定義的新情況會失效。交互方式：機械、呆板通常是一問一答的固定模式，缺乏上下文理解能力。能力來源：人工編程所有行為邏輯、知識庫均由程序員預先編寫和植入。AI智能體(AIAgent)驅動方式：目標驅動(Goal-driven)理解用戶最終意圖，自主拆解任務并規劃執行路徑。靈活性：高(HighAdaptability)具備泛化能力，可處理模糊指令及未曾編程的新任務。交互方式：擬人化、自然支持多輪對話，理解上下文語境，交互過程自然流暢。能力來源：模型訓練+工具調用知識源于海量數據訓練，通過調用外部工具持續擴展能力。AI智能體的核心能力感知與理解能力深度理解自然語言指令，精準捕捉用戶隱含的意圖與上下文，不僅能識別“做什么”，更能洞察“為什么做”和“怎么做”。案例：理解“去上海出差”的需求，自動關聯行程規劃、機票酒店預訂等任務。規劃與決策能力具備任務拆解能力，將宏觀的復雜目標分解為一系列具體、有序且可執行的子任務，并能為每個子任務智能匹配最優的執行路徑。案例：制作銷售數據PPT時，規劃出“獲取數據→生成圖表→整合文案”的完整執行步驟。工具調用與執行能力打破模型內部閉環，主動調用外部API、插件或函數獲取實時信息或完成物理操作，是智能體從“理論”走向“實踐”的關鍵橋梁。案例：自動調用地圖API計算兩地距離，或調用郵件插件自動發送整理好的報告。記憶與反思能力能夠長期記憶用戶的偏好、歷史交互記錄及任務狀態，并能基于用戶的反饋進行自我評估與迭代優化，實現個性化的持續進化。案例：記住用戶喜歡的咖啡口味，在后續對話中主動推薦符合口味的新品。主流智能體開發平臺概覽??為什么需要平臺？平臺提供可視化工具與豐富組件，讓我們無需編寫大量底層代碼，即可像“搭積木”一樣快速構建、調試并部署智能體應用，大幅降低了開發門檻。OpenAIGPTs生態強大，與GPT系列模型無縫集成，應用生態最完善。Dify開源靈活，支持私有化部署，適合企業級定制開發需求。Coze(扣子)字節跳動旗下，界面交互友好，上手門檻極低，適合新手。文心智能體百度出品，中文語義理解能力強，本地化服務支持完善。訊飛星火在語音交互與多模態融合領域實力雄厚，技術積累深厚。???技術自主與科技自信積極嘗試和使用國產AI平臺，是支持我國AI生態發展的重要一步。這些平臺正在解決大模型落地的“最后一公里”問題，為我們提供了廣闊的創新舞臺。工作流思維構建▍什么是工作流？工作流是將一個復雜任務，拆解成一系列按順序執行、自動化的步驟集合，它是連接“想法”與“落地”的橋梁。類比：工業流水線就像手機工廠的生產流程：零件入庫→組裝→檢測→包裝每個“工位”只做一件事，數據像產品一樣在節點間流動。核心要素輸入Input：任務的起點（如用戶請求）節點Node：執行特定操作的“工位”輸出Output：任務的最終結果交付為什么需要它？它能將模糊的創意（如“做一個智能助手”）轉化為清晰、可執行的技術藍圖。這是構建復雜AI智能體系統時，不可或缺的底層思維模型。第2部分：

基于工作流的智能摘要Agent開發實戰實驗目標與準備實驗目標GOALS01掌握在Coze平臺創建和配置智能體的基本流程，熟悉核心功能入口。02理解并實踐工作流的基本搭建方法，掌握節點連接與邏輯配置技巧。03成功創建一個可運行的智能摘要Agent。準備工作PREPARATIONStep1.訪問平臺官網打開任意主流瀏覽器，在地址欄輸入/home并回車，進入Coze平臺首頁。Step2.完成賬號登錄選擇手機號驗證碼登錄，或使用抖音/頭條賬號進行授權登錄，進入工作臺。Coze平臺工作流概覽可視化畫布：像搭積木一樣簡單提供直觀的拖拽式界面，無需復雜代碼，即可快速將各類功能節點組合成完整的智能體工作流。核心節點：構建邏輯的基石起止節點：定義輸入與輸出結果LLM節點：智能體的“大腦”核心代碼節點：自定義代碼處理復雜邏輯邏輯/知識：分支判斷與文檔查詢無縫數據流轉：節點互聯節點間支持靈活的數據管道，輕松將上游節點的輸出作為下游節點的輸入，實現自動化的信息處理鏈條。步驟1：創建一個新的智能體01登錄Coze平臺后，進入控制臺首頁，準備開始創建流程。02點擊頁面左上角的“+創建”按鈕。03配置基礎信息：?名稱：自定義命名(如“智能摘要助手”)?描述：簡述智能體的核心功能定位04確認信息無誤后，點擊彈窗底部的“創建”按鈕完成操作。步驟2：進入工作流編輯器01進入智能體配置頁創建成功后，系統將自動跳轉至智能體的專屬配置管理頁面。02創建工作流在頁面中部編排欄中，找到并點擊“添加工作流”選項卡→點擊“創建工作流”按鈕開始流程定義。03進入可視化畫布成功后將進入一個直觀的拖拽式畫布界面，這是我們搭建和配置工作流邏輯的核心場所。步驟3：搭建基礎工作流01.添加「開始」節點從左側組件面板中，拖拽「開始」節點到畫布空白區域，作為流程起點。02.添加「LLM」核心節點拖拽「LLM」節點至畫布，這是工作流中負責智能推理與處理的核心單元。03.添加「結束」節點拖拽「結束」節點到畫布，用于封裝工作流邏輯并返回最終的運行結果。04.連接節點形成閉環連線「開始」→「LLM」→「結束」，構建最基礎的智能處理工作流鏈路。Coze工作流編輯器操作界面示例配置核心目的定義用戶在使用智能體時，必須輸入的信息。對于“智能摘要Agent”，我們需要獲取用戶提供的文件作為處理對象。關鍵操作步驟01.打開面板：點擊畫布上的“開始”節點，展開右側配置面板。02.添加參數：點擊面板中的“輸入+”按鈕添加變量，開始配置。03.核心配置：修改“input”變量類型為文件，并勾選“必填”。步驟4：配置“開始”節點步驟5：配置LLM節點（核心步驟）01.打開配置面板點擊畫布上的“LLM”節點，右側側邊欄將自動彈出詳細的模型配置面板。02.選擇高性能模型在“模型”下拉菜單中，推薦選擇能力較強的模型，例如“豆包Pro”，以獲得最佳效果。??03.核心：編寫系統提示詞(Prompt)你是一個智能摘要助手，你可以重新組織和輸出混亂復雜的文章內容，并根據當前的內容{{input}}提取重點。你只負責智能摘要，不回答其他問題。提示：“{{input}}”是一個特殊的占位符，代表后續用戶實際輸入的文章內容。系統會自動將其替換為真實文本進行處理。步驟5：配置LLM節點（核心步驟）步驟6：配置“結束”節點配置目的“結束”節點是工作流的最終出口。它的核心任務是將上游“LLM”節點處理生成的摘要結果，進行標準化封裝后，直觀地返回給終端用戶。操作指南01.打開配置面板

點擊畫布中的“結束”節點，右側自動彈出配置窗口。02.關聯LLM輸出

在“返回文本”框中點擊“輸出變量+”按鈕，在變量列表中選擇“LLM”節點的輸出。步驟7：調試與測試操作指南·OperationGuide01點擊畫布下方“試運行”按鈕

進入工作流的實時交互調試模式0203輸入測試文件

例如上傳上節課的知識庫文檔作為樣本04點擊“運行”按鈕觸發工作流自動執行查看運行結果核對執行日志與最終輸出效果優化·OptimizationTips檢查提示詞

確認指令是否清晰、完整，是否遺漏了關鍵的約束條件或輸出格式要求。迭代調整指令

嘗試使用更具體的指令描述，或增加1-2個示例（Few-shot）來引導AI生成。更換AI模型

如果效果仍不理想，嘗試切換至更強大的模型版本，利用其更強的推理能力。步驟8：工作流發布與引用測試01執行發布操作找到右上角醒目的“發布”按鈕并點擊，觸發上線流程。02智能體引用工作流并測試在智能體配置頁面中，添加剛剛發布的工作流，并在“人設與回復邏輯”中申明觸發條件，最后進行測試。互