只需三步,定制属于自己的AI旅游计划:Coze工作流与大模型的完美结合

6,958 阅读6分钟

一: 引言

亲们,准备好告别繁琐的旅行规划了吗?试试coze,它能帮你量身定制专属的旅行计划,让你的旅程更加轻松愉快!不想漏掉重要景点,又不知道怎么安排更合理的,请把想去的城市告诉它,它能够为你提供各景点详尽信息,并根据你的实际需求,定制旅行计划。那么,怎么才能让AI给我们提供一份完美的旅行计划呢?

只需三步,让我们一起动手吧

  • 在coze创建一个工作流
  • 在工作流中不断的加节点,把一个笼统性的需求,一步步细化
  • 利用大模型一步步完善节点功能

二:通过coze使用大模型,生成一个简单的工作流

在实操之前,我们要先明确什么是工作流,为什么要用工作流?简单来说,工作流可以看成AI应用的一个模块,可以更好的定制AI应用的流程,将AI工作细化,每一步交给一个节点,更精确的支配LLM完成工作。

在coze创建一个工作流

微信图片_20240606000710.png

编辑起始节点

起始节点接收用户输入(input),类型变量为String,描述的是用户输入的内容

微信图片_20240606000952.png

添加大模型,细化需求

  • 从左侧栏选择大模型,拖拽至工作流中,将其与起始结点和结束结点相连
  • 编辑大模型中的输入输出,输入内容为起始节点中的input,输出为我们想要的答案
  • 给大模型提示词,告诉大模型它应该怎么做,变量需要用{{}}扩起来(用户可自由选择大模型,按个人喜好)

微信图片_20240606001639.png

编写最终节点

设置回答模式为:使用设定的内容直接回答 输出变量和回答内容根据我们的需求自由编写,注意要与之前结点设置的变量名相同 微信图片_20240606002347.png

到此为止,恭喜你已经使用大模型,形成了一个简单的工作流。现在,让我们来运行试试看,点击试运行,在input中输入“6月10~6月12去北京”,然后运行,大模型能够成功完成我们给的指令

微信图片_20240606003521.png

三:添加大模型节点,细化功能

在继续添加大模型之前,我们要明确,我们需要AI为我们做什么,怎么用AI能听懂的语句,使结果能够达到我们的预期。简单举例,我想给AI一个时间和城市,AI可以返回该城市的热门景点及其图片,同时介绍景点,包括景点简介,建议游玩时长,景点所在行政区以及景点在室内还是室外,根据以上,我们添加具有以下功能的三个大模型

  • 获取该城市十个值得去的景点
  • 获取景点信息,包括景点名称,景点介绍,建议游玩时长,景点是室内还是室外,景点所在行政区
  • 获取景点图片,该部分需引入插件,不仅能得到图片,还好获取到图片的原出处,并汇总所有已得到的信息,生成完整的旅行计划

微信图片_20240606123629.png

大模型1

第一步当然是添加一个大模型,连接前后节点,承接上文,前节点是解析input的大模型,后节点是终止节点,形成一个工作流。然后处理输入输出,我们的需求是根据输入的城市得到该城市的十个热门景点,所以,输入就是上文解析出来的变量city(城市),并选择输入值(大模型-city),输出就是我们想要的答案--热门景点,输出用数组储存,并添加描述。最后再添加提示词,告诉AI应该做什么,怎么做。具体如下图

微信图片_20240606083907.png

大模型2

现在,我们的工作流中,已经有两个大模型,配合之下,可以完成想要的第一个功能,对于第二个功能,与大模型1的添加类似,只是在此处的输入处理有所不同,由于接收的是一个数组,应该使用批处理,再处理输出和描述,具体步骤省略,详细见下图

微信图片_20240606090422.png

大模型3

在添加大模型之前,我们先需要在左侧栏的插件图标,下载一个“binglmageSearch”插件,用于对景点进行图片查找,查询图片信息。该插件应该插入到大模型2与大模型3之间,读入大模型2中输出的景点名称数组,采用批处理,该插件会自动输出景点的各类图片信息,我们只拿取“binglmageSearch-value”,作为大模型3的输入。对于大模型3,同其他模型一样还需要处理输出和描述,这里不再赘述,详见下图

微信图片_20240606091719.png

微信图片_20240606092223.png

至此,一个属于自己的AI旅游计划,已经完成,让我们开始试运行,输入input的内容“6月10~6月12去北京”,给AI一点时间,专属于你的计划即将生成!

微信图片_20240606093116.png

四:知识点get

通过以上实操,相信大家已经对工作流和大模型的结合有了一定的理解。Coze工作流是一种用于构建、部署和管理大规模深度学习模型的工作流程。能够简化模型开发和部署过程,使用户能够更高效地利用大规模模型的潜力。与传统的深度学习工作流相比,除了上文实操中所提及的,Coze还提供了一些独特的优势:

  • 自动化和标准化: 自动化了许多繁琐的任务,如数据准备、模型训练和评估
  • 弹性的基础架构: 能够在不同的基础设施上运行,包括本地服务器、云服务和边缘设备
  • 模型版本控制: 提供了模型版本控制功能,使用户能够轻松地跟踪模型的演变历史
  • 集成式部署: 能够将训练好的模型直接部署到生产环境,无需额外的转换或配置

总的来说,Coze工作流与大模型的完美结合在于其高度自动化、灵活的基础架构、版本控制、集成式部署和监控调试等特性,使用户能够更有效地开发、部署和管理大规模深度学习模型。利用好Coze工作流与大模型,能够定制出属于自己的各类AI助手。