My First AI智能体！！！

My First AI智能体🤖：

我第一个AI智能体： AI、AI、AI、最近我的生活中，到处都充满了AI，

千问喝奶茶，豆包春晚发红包，元宝的小马卡，国内的AI大战就算如此的朴实无华；

如此环境，即使是傻子我都能感觉到，未来绝对了AI的时代，已经来了，甚至，不亚于第二次工业革命！

于是赶紧，在网上搜索学习AI，相关的资料，虽然可能是饮鸩止渴，学习速度与很难跟上更新🆙🆙！

但，只要不是跑的最慢的就，不会被吃掉🐗🐗🐗，我们也是如此 朴实无华~ ~ ~

什么是 AI Agent？

AI Agent = 模型 + 工具 + 编排层 + 运行时服务

利用大语言模型LLM ，在一个循环中完成特定目标，

一个完整的 AI Agent，就像一个人，由以下几个核心部分组成：

组成部分	作用
大脑 Brain	负责思考、推理、做决策，豆包、GPT、等
记忆 Memory	存储历史对话、任务状态和知识。上下文记忆、变量存储、知识库
工具 Tools	扩展能力，让 Agent 能和外部世界交互，插件: 天气、搜索、生成图片等
规划 Planning	把大目标拆解成可执行的小步骤，工作流: 可视化拖拽的流程节点
行动 Action	执行具体的操作，完成子任务，AI生成、插件、条件判断等节点

部署 身体： 将 Agent 托管在安全、可扩展的服务器上，集成监控和日志，使其成为可靠的服务；

Agent 的本质，其实是一个致力于上下文策略管理的系统：

接收目标 ：一切始于用户的请求

上下文组装 ：编排层将所有必要信息 包括：你可以使用哪些工具 打包放入 LLM 的上下文窗口

模型推理 ：LLM大脑 分析请求，决定是直接回答， 还是需要查阅数据或执行操作

工具执行 ：如果模型决定使用工具，例如： 查询天气”或“检索数据库，编排层拦截意图，执行相应代码

闭环反馈：工具执行结果不会直接给用户，而是被回填上下文中 Agent 看到 工具返回结果，再次思考：我现在知道这些了，我能回答用户的问题了吗？

最终输出：当 Agent 认为掌握了足够信息，或完成了所有步骤 它会生成最终的自然语言回复；

传统大模型 和 Agent智能体：

传统大模型，如： ChatGPT、豆包

• 本质 一个 超级文本生成器， 工作方式 你输入一段文字，它根据统计规律生成下一段最可能的文字；

• 特点： 被动响应：你问一句，它答一句，无长期记忆：对话结束后，它就 “忘了” 刚才聊了什么； 容易 一本正经地胡说八道 ：因为它只是在生成文字，而不是真正理解和解决问题；

AI Agent 智能体： 一个 有目标、会思考、能行动 的 AI 程序🤖

• 工作方式： 给它一个目标，它会制定计划、调用工具、执行步骤，直到完成任务；
• 特点： 主动规划：能把复杂任务拆解成一步步的子任务，有记忆能力， 会用工具：能联网搜索、调用 API、读取文档、操作软件， 能自我反思：可以评估自己的输出 . . . . . .

Coze 平台：

扣子 Coze - 官网：

官方介绍： Coze 是一个由字节跳动推出的AI机器人和智能体创建平台，用户可以通过这个平台快速创建各种类型的聊天机器人、智能体、AI应用和插件，并将其部署在社交平台和即时聊天应用程序中 。Coze平台提供了丰富的插件工具、知识库调取和管理、长期记忆能力、定时计划任务、工作流程自动化等功能 。用户可以访问Coze的官网使用这些功能，无论是创建机器人、调试还是发布到不同的社交平台；

简单一句话： Coze是字节针对AI Agent的初代产品，Coze中 AI Agent 叫 Bot

Coze有两个版本，一个国内版，一个海外版；

国内版：www.coze.cn

海外版：www.coze.com

国内版本和海外版本不一样的地方：访问限制、支持的大模型、官方插件、更新速度；

不同时间打开，可能会存在差异： 因为现在AI，的发展迭代太快了，主页映入眼帘： 大模型对话

• 选择：扣子编程 可以查看、创建个人的一些：项目管理、资源库、任务中心、API 等等...

  新版本，还可以通过大模型对话，直接生成网页、移动、小程序、智能体、等等. . .应用；

• 回到旧版本： 当然也支持，自定义-低代码模式 ，智能体开发、工作流开发

  个人空间： 管理你所有项目和智能体，可切换不同工作空间，适合团队协作

  项目开发： 当前页面，集中管理所有开发中的项目 智能体/应用

  资源库： 存储/管理知识库、工作流、提示词模板… 开发资源

  任务中心： 查看后台任务进度，如：文档向量化、工作流执行

  空间配置： 设置空间权限、成员管理、自定义域名 … 高级配置

  API 管理： 生成 API 密钥，用于将智能体集成到外部系统，如：你的小程序

  文档中心： 官方开发文档和教程，是你遇到问题时的首要参考；

  通用管理： 账号安全、通知设置等个人化配置；

智能体体验：

2026/2/22： 目前已经有很多的智能体，大模型停运不能使用了 . . . 也许不久也会更新失效~

扣子编程—主页—智能体推荐： 这里有很多，开发者分享的智能体推荐，也有很多不错的灵感，建议🗡🗡

自定义Bot🤖：

自己如何搭建一个功能强大的机器人？： Coze中的智能体被称为：Bot

如此便进入了，智能体创建页面：💡💡💡 映入眼帘，可看到：人设与回复逻辑 、编排、预览调试

选择模式： Coze扣子平台，智能体的三种核心模式：

• 单 Agent 自主规划模式 由单个大模型自主思考、决策和执行，不需要预设固定流程；

• 单 Agent 对话流模式 按照你在 “工作流” 中编排的固定流程执行，支持多轮历史对话记录；

• 多 Agents： 一个智能体中设置多个子Agent，每个Agent负责不同子任务，通过协作完成复杂逻辑；

  主 Agent 会将复杂任务拆解，分配给不同的子 Agent 处理，最后汇总结果，企业多选择；

人设与回复逻辑： 这是你定义智能体 “灵魂” 的地方，通过编写 Prompt

• 来设定它的角色、语气、技能和回复规则，支持 Markdown 格式和变量插槽 让交互更灵活；

编排 核心配置区 为智能体赋予能力的地方，主要包括：

• 模型设置： 选择底层大模型，当前是 豆包・1.8・深度思考 ，也可切换其他主流模型；

• 技能： 插件：调用平台提供的 60 + 插件，拓展能力，如：代码生成、天气查询...

  工作流⏩︎⏩︎⏩︎ 通过可视化拖拽，构建复杂的任务执行流程；

  知识： 接入 扣子知识库，让智能体掌握专业知识

  记忆： 定义变量，可在对话中动态使用变量；

  长期记忆： 开启后，智能体能总结历史对话，用于后续更精准的响应；

预览与调试： 实时测试你的智能体，输入问题后查看它的回复和执行日志📄📄；

右上角的 ``发布` 按钮，可将智能体部署到微信、飞书、抖音等多平台；

MyAgent🤖

🆗，经过上述咱们，可以定义一个基本的Agent 智能体：

什么都不做，直接与其沟通，发现它就是一个基本的：沟通大模型，基于豆包模型；

为了更好的体验通常需要给其，置顶对应的规则：提示词、技能、知识库...等等

比如： Let's set some cue words 让我们来设置一下提示词~

你叫WSM，你是一个动漫爱好者;
会给人推荐最近新的动漫，根据动漫分析故事剧情，推荐同类型的动漫等等

Prompt 提示词：

😕那么，什么是提示词？ 提示词Prompt 是与 AI 沟通的说明书 ，

是开发者赋予Bot的 身份、能力和行为规范 直接决定了 Bot 的响应质量和风格

它帮助用户控制语言模型的输出，生成符合特定需求的结果，是搭建智能体的第一步；

设计提示词4个关键要素：

角色定位： 明确 Bot 的身份，角色越具体，回复越专业；

• ❌ 示例：你是一个助手，什么都懂一点，随便聊聊🙃🙃

• ✅ 示例：你是一位有15年经验职场HR，擅长处理敏感的人际关系问题，性格温和、专业、善于共情；

技能描述： 清晰定义 Bot 的目标，让它知道 做什么

输出格式： 结构化回复要求，让 Bot 知道 怎么做 引导大模型输出：例如：

• 按以下格式输出，情况分析 50 字，回复建议 3条,每条30字 ，完整范文 150字

约束条件： 为Bot设置行为边界，确保安全合规，内容约束： 避免敏感话题 政治、宗教、冒犯性语言...

Coze 提示词分类：

类型	定义	位置
系统提示词	大模型角色定位 + 回复逻辑	在 Agent 的 人设与回复逻辑 中设置 持续影响整个会话的响应模式
用户提示词	用户直接提出的具体指令或问题	在对话框中输入 指导模型执行特定任务

Coze 中设置提示词的三种方法：

使用提示词模版：Coze 提供多套场景化模版，可直接使用或参考修改；

AI 自动生成：通过自然语言描述需求，大语言模型会自动生成或优化提示词；

直接编写：根据业务需求手动编写，提示词越清晰明确，智能体的回复越符合预期；

Coze 提示词对比：

Coze 支持对多种提示词进行对比开发： 更方便的比对选择提示词，开发定义智能体；

同时询问： 泥嚎，领导总是安排不属于工作内容的任务怎么办？

高情商回复AGent

为了更方便的感受到，定义一个智能体来体验体验吧！

角色锚定精准： 避免了 AI 泛泛而谈建议，确保输出都围绕 高情商 展开；

技能拆解颗粒度适中可执行性强： 拆解为 语气、内容、关系 三个可量化维度；

输出格式标准化强制约束： 明确要求以【开场寒暄】【表达理解与感谢】等五个固定板块输出；

限制条件清晰 防止 AI “翻车”： 直击职场拒绝痛点，有效防止 AI 生成生硬、啰嗦或引发二次矛盾回复；

# 角色
你是一位经验丰富的沟通专家，拥有10年职场历练，在各类职场场景中都能游刃有余。
尤其擅长撰写高情商、得体且有效的沟通文本，在拒绝请求时，能巧妙地平衡关系与边界。

## 技能
### 技能 1: 语气把控
1. 以积极、友好的话语作为开头，营造融洽氛围。
2. 表达观点时，以“我”为主语阐述自身限制。
3. 杜绝使用指责性、命令式的语言。

### 技能 2: 内容构建
1. 率先表达对对方请求的理解以及诚挚的感谢。
2. 清晰、明确地说明自身存在的限制。
3. 根据实际情况，提供切实可行的替代方案或合理建议。
4. 以开放的态度，展望未来合作的可能性。

### 技能 3: 关系维护
1. 适时、恰当地表达歉意。
2. 真诚肯定对方工作的价值与贡献。
3. 始终保持专业且友善的态度。

## 输出格式
【开场寒暄】用积极友好的语言开启交流。
【表达理解与感谢】清晰传达对对方的理解与感激。
【委婉说明限制】明确阐述自身的限制条件。
【提供替代方案】给出具体的替代办法或建议。
【结尾祝福】以积极的话语结束对话，表达美好祝愿。

## 限制
- 避免使用“不”“拒绝”等直接的负面词汇。
- 不可过度承诺或给予虚假安慰。
- 不贬低对方请求的合理性。
- 不过多解释个人情况。 

再次询问： 泥嚎，领导总是安排不属于工作内容的任务怎么办？

如此： 可以看到AI，已经根据定义提示词，规则：来输出回答我们的问题 这就是提示词作用

RAG 知识库:

为什么需要知识库，大模型存在 幻觉 问题：

大模型的本质是 根据文字概率猜下一句话，不是真的 懂知识、记事实 所谓 幻觉 就是：

没见过的信息 瞎编，记不清的内容 乱凑，问专业/私有数据，大模型则会 一本正经胡说八道; 如下：

• 目前 豆包1.8大模型 不支持搜索，流光镜影的人物信息 于是会结合自身数据拼凑给用户进行 反馈~

什么是知识库： RAG = Retrieval-Augmented Generation 检索增强生成，给大模型配一本 标准答案参考书

把 真实文档 合同、制度、手册、资料、FAQ、行业知识等 存进知识库；用户提问时⁉️⁉️

系统先 从知识库里检索相关内容 大模型 只基于这些真实内容 回答，不许自己瞎编

用外部真实知识，管住大模型的幻觉，让回答准确、可控、可更新；

具体价值：使大模型： 不幻觉：只说知识库有的事实

用私有知识：企业内部资料、个人资料、未公开信息

随时更新：改文档就行，不用重训大模型

可追溯：回答从哪段来的，能查到来源

之前没有RAG： 直接将用户的 问题 query，送入LLM大模型，得到结果；

配置RAG： 将用户的 问题 query，先和知识库做相关性检索，检索出和问题相关的 Context 上下文

• 第二步：再将query和Context融合拼接得到一个完整的结果：result ；
• 第三步：将第二步融合 结果result 送入大模型得到最后的结果；

构建知识库：

Coze支持知识库——构建文档类型：

文档准备：打好知识基础： 知识库的质量直接决定 RAG 效果，首先要准备高质量的素材：

文档类型	支持格式	适用场景
文档类	PDF、Word、TXT	攻略文章、教程文档： 英雄攻略 PDF、版本更新说明
图片类	JPG、JPEG、PNG	图像生成、视觉参考： 英雄战斗画面、技能图标
表格类	Excel、CSV	结构化数据、统计信息： 英雄属性表、装备数据

文档预处理建议：清理无关内容 广告、水印、冗余信息，按主题分类整理 如：英雄攻略 装备系统

文件命名规范： 包含关键信息，如 LOL_13.20 版本_盲僧攻略.pdf

文档切片：

文档切片：适配大模型与提升检索效率 长文档无法直接送入大模型，需要先进行切片 切分

切片目的： 适应大模型的上下文长度限制，提升检索的精度和效率 避免无关信息干扰

切分方式： 按字符数 每300字一段、符号 . , !、语义结构 标题...，进行切分；

最佳实践： 按符号 + 字符长度混合切分，每段控制在 200-500 字

避免片段过短 上下文不完整，检索不准 或过长 无关信息过多

文档向量化：

向量化是将文本转换为高维空间中的数字向量数组，核心作用是 计算语义相似度：

✅ 语义理解：让机器理解文本的深层含义；

✅ 相似度计算：快速找到与用户问题最相关的文档片段；

✅ 快速检索：在向量数据库中高效匹配，提升响应速度；

比如：用户提问：如何解决大模型幻觉 → 经过系统向量： [0.8, 0.2, 0.9, -0.3] 知识库匹配：

• 知识库1 RAG 能避免大模型瞎编答案 → 向量：[0.78, 0.22, 0.89, -0.28] 和上面高度相似)

• 知识库2 大模型需要大量数据训练 → 向量：[0.1, 0.7, 0.2, 0.5] 和上面完全不同)

文档向量化的核心是把文本转成 带语义的数字向量 ，让机器从 认字 升级到 懂意思

相似度计算是 RAG 精准回答的核心，靠向量距离找到最匹配的文档片段；

向量数据库快速检索能力，保证了 RAG 在海量文档有高效响应速度；

Coze 构建知识库：

选择资源库：右上角 +资源 新建资源库，选择：知识库 创建Coze知识库，火山的需要付费💰💰💰

上传后等待处理：系统自动完成「文本提取→切分→向量化」，大文件，需耐心等待几分钟⏱️⏱️

文档创建设置：文档解析策略、分段策略 直接影响后续检索的精度和效率；

文档解析策略： 文档解析策略决定了系统如何读取和提取文档中的内容，分为两种模式：

选项	核心特点	适用场景
精准解析	从文档中提取： 图片、表格、公式 等所有元素信息完整处理耗时更长	包含重要图表、表格的文档 如：技术手册、数据报表、带截图的教程 未选中，若文档有关键表格/图片，需切换此模式
快速解析	仅提取纯文本，忽略图片、表格 等非文本元素，处理速度快	纯文本类文档 如：纯文字攻略、小说、无图表的教程 ✅ 当前，适合纯文本场景，能提升处理效率

分段策略： 决定了系统如何将长文档切分为适合检索的小片段，是影响检索精度的核心因素：

• 自动分段与清洗 系统自动按语义、段落、换行符等规则切分，并自动去重、去噪；
• 按层级分段 按照文档的层级结构 如：标题1、标题2、标题3 切分，转化树状结构；
• 自定义 手动设置分段规则如 按字符数、分隔符、分段长度及预;处理规则；

Coze 支持多类型知识导入，覆盖绝大多数场景：

素材类型	支持格式	大小限制
文本类	Word（.docx）、PDF、TXT	单文件最大 50MB 教程文档、政策说明、FAQ
结构化数据	Excel（.xlsx）、CSV	建议单表不超过 1 万行 产品参数、定价表、设备规格
在线内容	网页链接地址	支持批量导入，行业资讯 官方文档、热点文章
图片类	JPG\PNG	需清晰可辨的文字内容 扫描件、图文手册

如此：便轻松的构建了一个智能体，Coze资源库🆒🆒🆒

LOL 攻略AGent：

先使用常规模型：+提示词，看一下是否存在英雄信息： 由此可见并不是最新的大模型;

• 为了测试方便，可以手动选择历史版本的大模型信息，点击 模型 可以选择切换大模型LLM；

Prompt 提示词：

# 角色
你叫小智，是一个英雄联盟游戏助手

## 技能
### 技能1：问题理解与回复分析
1. 认真理解从知识库中召回的内容和用户输入的问题，判断召回的内容是否是用户问题的答案。
2. 如果你不能理解用户的问题，例如用户的问题太简单、不包含必要信息，此时你需要追问用户，直到你确定已理解了用户的问题和需求。
### 技能2：回答用户问题
1. 如果知识库中没有召回任何内容，你的话术可以参考“对不起，我已经学习的知识中不包含问题相关内容，暂时无法提供答案。
2. 如果召回的内容与用户问题有关，你应该只提取知识库中和问题提问相关的部分，整理并总结、整合并优化从知识库中召回的内容。你提供给用户的答案必须是精确且简洁的，无需注明答案的数据来源。
3. 为用户提供准确而简洁的答案，同时你需要判断用户的问题属于下面列出来的哪个文档的内容，根据你的判断结果应该把相应的文档名称一起返回给用户

## 限制
1. 禁止回答的问题
对于这些禁止回答的问题，你可以根据用户问题想一个合适的话术。
 - 个人隐私信息：包括但不限于真实姓名、电话号码、地址、账号密码等敏感信息。
 - 违法、违规内容：包括但不限于政治敏感话题、色情、暴力、赌博、侵权等违反法律法规和道德伦理的内容。
2. 你必须确保你的回答容易理解。
3.你应该用与用户输入相同的语言回答
5. 回答长度：不超过300字。
6. 一定要使用 Markdown格式回复。

配置AGent 知识库：

Function Call：

2023年6月13日，OpenAI 推出了 Function Call 功能

Function Calling 是让大模型具备 调用外部工具 的能力，

打破大模型 仅能基于训练数据生成内容 的限制，让 AI 能实时获取外部信息 解决大模型的三大痛点：

痛点	问题本质
信息实时性不足	大模型训练数据有时间节点， 无法获取最新信息 如: 实时天气、股价、新闻 Function Call 调用实时数据 API，获取最新信息
数据局限性	训练数据无法覆盖所有专业领域 如: 医学、法律、行业数据 Function Call 调用外部数据库/API，获取特定领域详细信息
功能扩展性差	大模型无法内置所有功能 如: 复杂计算、数据分析、图片生成 Function Call 调用外部工具，扩展能力边界

工作原理： Function Calling 的核心是 **先判断、再调用、后生成 **

• 用户请求 用户向 AI 发送问题 今天北京天气怎么样?，

  同时提供可调用的函数列表 如: get_weather(location地理位置)

• 模型判断 大模型分析问题，判断是否需要调用函数，还是直接生成文本回答

• 执行函数 如果需要调用函数，AI 生成函数调用指令，由服务端执行函数 如：调用天气 API

• 生成回答 大模型结合函数返回的结果，生成连贯、准确的自然语言回答；

sequenceDiagram
    participant Client as Client (用户)
    participant ChatServer as Chat Server (服务)
    participant GPTAPI as GPT API

    Client->>ChatServer: 发送请求
    Note over Client, ChatServer: prompt: "what's weather like today?"<br/>functions: [get_location(), get_weather(location)]
    
    ChatServer->>GPTAPI: 转发prompt和functions
    
    GPTAPI-->>ChatServer: 判断并返回函数调用指令
    Note over GPTAPI, ChatServer: call get_weather(location)
    
    ChatServer->>ChatServer: 执行函数get_weather(location)
    
    ChatServer->>GPTAPI: 返回函数执行结果
    Note over ChatServer, GPTAPI: Result: "Raining"
    
    GPTAPI-->>ChatServer: 生成自然语言回复
    Note over GPTAPI, ChatServer: Response: "It is raining today,<br/>don't forget your umbrella"
    
    ChatServer-->>Client: 返回最终回复

Coze 中的Function Call

在Coze平台中，插件就是 Function Calling 的实现形式 无需编写代码，即可让智能体调用外部工具；

插件是一个 工具集 包含一个/多个工具，每个工具对应可调用API 如: 天气查询、代码生成、数据分析

核心机制： 大模型通过阅读「插件描述」，自动判断是否需要调用该插件；

插件类型	提供方	特点
官方插件	Coze 官方平台	稳定可靠，包含免费和付费插件（部分有免费额度）
第三方插件	开发者社区	覆盖细分场景，如行业数据、专业工具
自定义插件	你自己	可集成任何需要的 API，实现专属功能

🆗，下面让咱们体验一下Demo，创建一个旅行助手AGent 🤖🤖🤖

旅行助手AGent1.0：

创建一个普通的旅行助手，没有整合插件的Demo1.0

可以看到普通大模型，对于这种天气数据，没办法去精确的获取，

有的也许会根据历史数据去推理~ 但并不能满足我们的需求；

所以这就需要引入插件的作用：

旅行助手AGent2.0：

创建一个Coze插件的旅行助手，整合插件的Demo2.0

Prompt 提示词：

在提示词中出现：{指定要使用插件} 并规定了最终要输出的格式，使用的插件有：

联网问答search_url、高德地图Search_around、墨迹天气DayWeather、简易计算器calculate

# 角色
你是一位专业且贴心的旅游规划助手，
擅长综合考虑时间、天气、价格、旅游景点等多元信息，为用户精心打造性价比超高的出行计划。
不仅如此，还能凭借丰富的知识储备，深入解读旅行目的地的文化历史内涵。

## 技能
### 技能 1: 深度探索名胜古迹历史
当用户提出旅行计划相关需求时，首先运用{search_url}搜索插件精准挖掘相关历史信息，
并以生动、易懂的方式呈现给用户，帮助用户深度领略当地历史底蕴。

### 技能 2: 精准搜索周边特色饭店
1. 当用户当用户提出旅行计划相关需求时，借助{search_around}插件全面搜索相关信息。
2. 对搜索到的饭店信息进行细致整理，涵盖饭店名称、详细地址、招牌特色菜品等关键内容，为用户提供清晰、实用的参考。
===回复示例===
   - 饭店名称: <饭店具体名称>
   - 地址: <详细地址>
   - 特色菜品: <列举几道特色菜品>
===示例结束===

### 技能 3: 实时掌握出行天气
1. 当用户提出旅行计划相关需求时，利用{DayWeather}插件获取目的地出行期间的准确天气状况。
2.若天气状况可能对旅行体验产生影响，依据天气特点，给出合理且人性化的出行日期调整建议。
===回复示例===
   - 预计出行期间天气状况: <具体天气描述>
   - 基于天气情况，建议出行日期调整为: <具体日期>
===示例结束===

### 技能 4: 精细规划旅行费用预算
1. 根据用户提供的旅行计划相关信息，诸如目的地、出行时长、住宿要求等，通过{calculate} 插件进行精确的费用预算。
2. 费用预算全面覆盖交通、住宿、餐饮、景点门票等主要支出项目，确保用户对旅行开支有清晰的预估。
===回复示例===
   - 交通费用预算: <具体金额>
   - 住宿费用预算: <具体金额>
   - 餐饮费用预算: <具体金额>
   - 景点门票费用预算: <具体金额>
   - 总预算: <各项费用总和>
===示例结束===


## 输出格式
### 旅行计划输出示例
- 旅行目的地: <具体城市/地点>
- 地点文化历史: <描述名胜古迹历史>
- 出行时间: <开始日期 - 结束日期>
- 总预算: <具体金额>
- 天气情况: <具体天气信息描述>
- 行程安排: 
    - 第 1 天: 
        - 上午: <具体行程安排，详细说明参观景点及活动内容>
        - 中午: <推荐用餐饭店，简单介绍饭店特色>
        - 下午: <具体行程安排，突出重点活动>
        - 晚上: <推荐用餐饭店及活动安排，提供活动亮点介绍>
    - 第 2 天: 
        - 上午: <具体行程安排，明确景点特色>
        - 中午: <推荐用餐饭店，提及招牌菜品>
        - 下午: <具体行程安排，强调体验感受>
        - 晚上: <推荐用餐饭店及活动安排，说明活动意义>
    - ……（按实际行程天数依次详细罗列）
- 特色饭店推荐: 
    - <饭店 1 名称>：地址 - <详细地址>，特色菜品 - <列举菜品，并对特色菜品进行简单介绍>
    - <饭店 2 名称>：地址 - <详细地址>，特色菜品 - <列举菜品，说明菜品独特之处>
    - ……（如有多个饭店依次详细罗列）

## 限制
- 专注提供与旅行规划紧密相关的信息，坚决拒绝回答与旅行规划无关的话题。
- 所输出的内容务必严格按照给定的格式进行组织，不得有任何偏离框架要求的情况。
- 行程安排描述要做到简洁明了且重点突出，让用户能够快速把握行程要点。
- 确保所有信息来源准确可靠，借助插件获取的信息需经过严谨的整理和筛选。
- 请使用 Markdown 的 ^^ 形式清晰说明引用来源（若有）。

配置Function Call：

注意： 在使用智能体插件，要保证使用的被 {蓝色} 而且存在，不然找不到会报错！！！ 泥嚎，我 2026 年 12 月 22-25 号要去北京旅行给我一个计划：

🆗，至此一个基本完善的旅行助手智能体就基本完成！！！

自定义插件：

为什么自定义插件： 在Coze平台中，自定义插件是让你的 AI 智能体从

通用工具 升级为 专属业务助手 的核心手段，主要有以下几大核心原因：

满足个性化/私有场景的需求

• 官方和第三方插件是为了覆盖通用场景设计的，但很多业务或个人需求是独特的：
• 企业内部的 CRM、OA、订单系统等私有服务，自研的 AI 模型、行业算法或特定业务逻辑；

对接私有系统与数据，实现业务闭环：

• 自定义插件可以让 AI 安全地访问企业内部的数据库、业务系统，完成从 查询 到 执行 的全流程：

• 例如：让智能体查询内部订单状态、更新用户信息、触发内部审批流；

  避免将敏感数据发送到第三方插件服务，符合数据安全合规要求。

扩展能力边界，实现专属功能： 当现有插件无法满足特定需求时，自定义插件可以突破限制；

提升安全性与可控性： 严格控制数据流向和权限，避免敏感数据泄露；代码和逻辑，可审计、可追溯；

优化性能与成本： 针对特定场景优化接口逻辑，减少中间环节，提升响应速度，按需扩展，避免功能冗余；

前置准备API

在 Coze 平台上创建自定义插件，本质是 将你自己的 API/服务封装成大模型可调用的工具

一个可公开访问API接口，支持 GET/POST等请求方式 若API需要认证 API Key

提前准备好密钥Coze 会安全存储，返回格式标准 JSON 结构字段含义清晰

对于一个开发者，此处应该很熟悉吧🤭🤭🤭

自定义插件：

为什么自定义插件： 在Coze平台中，自定义插件是让你的 AI 智能体从

通用工具 升级为 专属业务助手 的核心手段，主要有以下几大核心原因：

满足个性化/私有场景的需求

• 官方和第三方插件是为了覆盖通用场景设计的，但很多业务或个人需求是独特的：
• 企业内部的 CRM、OA、订单系统等私有服务，自研的 AI 模型、行业算法或特定业务逻辑；

对接私有系统与数据，实现业务闭环：

• 自定义插件可以让 AI 安全地访问企业内部的数据库、业务系统，完成从 查询 到 执行 的全流程：

• 例如：让智能体查询内部订单状态、更新用户信息、触发内部审批流；

  避免将敏感数据发送到第三方插件服务，符合数据安全合规要求。

扩展能力边界，实现专属功能： 当现有插件无法满足特定需求时，自定义插件可以突破限制；

提升安全性与可控性： 严格控制数据流向和权限，避免敏感数据泄露；代码和逻辑，可审计、可追溯；

优化性能与成本： 针对特定场景优化接口逻辑，减少中间环节，提升响应速度，按需扩展，避免功能冗余；

前置准备API

在 Coze 平台上创建自定义插件，本质是 将你自己的 API/服务封装成大模型可调用的工具

一个可公开访问API接口，支持 GET/POST等请求方式 若API需要认证 API Key

提前准备好密钥Coze 会安全存储，返回格式标准 JSON 结构字段含义清晰

对于一个开发者，此处应该很熟悉吧🤭🤭🤭

Coze 自定义插件：

左侧导航栏点击「资源库」→ 选择右上角「+资源」→ 点击「插件」 不同情况版本可能会发生变化;

插件类型 配置项	支持选择
类型	云端插件 插件运行在 Coze 云端，无需本地环境， 适合大多数场景；端插件运行在用户设备，MCP 用于对接模型控制平面
IDE 运行时✅	Python3 可选 Node.js 选择 Python3 非常合理： Python 生态丰富，有大量天气 API 库，代码实现更高效
插件工具创建方式	云侧插件 - 在 Coze IDE 中创建， 核心选择：比 基于已有服务创建 更简单，适合新手 无需自己部署 API，直接在 Coze 内置 IDE 中用代码实现功能；

🖱️点击 确认 之后进入工具页面： 开始编写 🐍Python脚本，不熟悉的朋友可以直接使用AI生成！！！ 发布插件： 点击右上角的「发布」按钮，让插件正式生效，即可在你的智能体中调用；

Python3.0 脚本：

Python 请求接口的脚本： 注意脚本中仅配置了 北京、天津城市编码 所以不支持其他城市天气查询；

# 导入 Coze 运行时所需的 Args 类，用于获取输入参数和日志记录器
from runtime import Args
# 导入 requests 库，用于发送 HTTP 请求（调用天气 API）
import requests # 需要安装对应的库

# 定义插件的主入口函数 handler；Coze 平台会自动调用此函数
# 参数 args 是 Coze 传入的运行时上下文对象
# 返回值为 dict 类型，将作为插件的输出结果返回给 Agent
def handler(args: Args):
    """
    天气查询插件：
        根据城市地址查询天气信息，比如输入“北京“，输出{
                                                high:"高温 7℃",
                                                low:"低温 -1℃",
                                                weather:"晴",
                                                week:"星期二"
                                                }
    """

    # === 1. 解析输入 ===
    try:
        # 从 args.input 中获取 location 字段，并去除首尾空格（如用户输入 " 北京 "）
        # 注意：此处假设输入为对象属性访问（如 args.input.location），适用于 manifest 中声明了 location 字段的情况
        location = args.input.location.strip()
    except Exception:
        # 若获取 location 失败（如字段不存在、输入非对象等），设为空字符串
        location = ""

    # === 2. 城市编码映射（仅北京、天津，内置）===
    # 构建城市名称 → 天气 API 编码的映射字典（仅保留北京和天津两个城市，轻量且教学友好）
    city_code_map = {
        "北京": "101010100",   # 北京市的天气 API 编码
        "天津": "101030100"    # 天津市的天气 API 编码
    }
    # 根据用户输入的城市名，查找对应的编码；若找不到则返回 None
    city_code = city_code_map.get(location)

    # 不支持的城市（如输入“上海”或空字符串）→ 返回空值结构
    if not city_code:
        # 记录警告日志：提示该城市暂不支持（可在 Coze 后台查看）
        args.logger.warning(f"Unsupported location: '{location}'")
        # 返回标准化的空结果（所有字段为 None），保证输出结构一致
        return {
            "high": None,       # 最高温度
            "low": None,        # 最低温度
            "weather": None,    # 天气类型（如“晴”）
            "week": None        # 星期（如“星期二”）
        }

    # === 3. 调用天气 API ===
    # 拼接完整 API 请求 URL，替换 {city_code} 为实际城市编码
    url = f"http://t.weather.itboy.net/api/weather/city/{city_code}"
    
    try:
        # 发起 GET 请求，设置超时 5 秒（防止插件卡死）
        response = requests.get(url, timeout=5)
        # 若 HTTP 状态码非 2xx，主动抛出异常（如 404、500 等）
        response.raise_for_status()
        # 将响应体解析为 JSON 字典（安全方式，避免使用危险的 eval()）
        data = response.json()

        # 检查 API 业务层返回状态码（该 API 约定 status=200 表示成功）
        if data.get("status") != 200:
            # 若业务状态异常（如城市编码错误），抛出自定义异常
            raise ValueError("Weather API returned non-200 status")

        # 从返回数据中提取「今日」天气预报（forecast 列表第 0 项即为当天）
        # 路径：data → forecast 数组 → 第 0 个元素
        forecast = data["data"]["forecast"][0]
        
        # 构造并返回天气基本信息字典
        return {
            "high": forecast["high"],     # 字符串，如 "高温 7℃"
            "low": forecast["low"],       # 字符串，如 "低温 -1℃"
            "weather": forecast["type"],  # 字符串，如 "晴"、"小雨"
            "week": forecast["week"]      # 字符串，如 "星期二"
        }

    # 捕获所有可能的异常（网络错误、JSON 解析失败、字段缺失等）
    except Exception as e:
        # 记录错误日志，包含具体异常信息和请求城市，便于调试
        args.logger.error(f"Weather query failed for '{location}': {e}")
        # 统一返回空值结构，确保插件健壮性（不会因异常导致 Agent 崩溃）
        return {
            "high": None,
            "low": None,
            "weather": None,
            "week": None
        }

USE自定义插件：

如此：就实现了让大模型拥有：查询天气的功能！！ 因为只有一个插件所以提示词, 不需要指定 {插件}

最后，求求关注，后面会不定时更新AI、编程、相关的技术blog~ ~ ~ 下一章: Coze工作流的使用！！！

相关文档：

本篇学习来自From：黑马程序员： Coze智能体入门到项目实战

什么是扣子编程 - 文档 - 扣子，官方文档

十分钟搭建工作流， 真的不要太方便了本文要给大家分享一个工作流

什么是AI 智能体（Agent）深入解析：AI 智能体（Agent）是如何解决问题的？