day01-智能体与Coze初识
1 AI智能体课程介绍
1.1 讲师介绍
1.2 课程介绍
# AI智能体 AI智能开发
# 阶段一：AI Agent快速入门
1 AI大模型常用名词介绍
2 主流AI智能体介绍
3 coze介绍
4 搭建自己的智能体
5 多个案例
-电子女友
-高考志愿填报
-个人记账本
6 智能体发布
-发布到Coze空间
-API发布：自己项目集成
-微信小程序集成
-App集成
-Web集成
# 阶段二：Python核心&API（视频-必须学）
1 Python介绍&基础语法
2 变量-常量-数据类型-运算符
3 流程控制&循环
4 函数&面向对象
5 API介绍
6 HTTP协议&JSON
7 FastApi定制开发专属API
# 阶段三：coze高阶之-插件定制开发（一期讲过：视频）
-1 创建插件
-2 Python编写代码
-3 源数据添加
-4 插件测试
-5 插件上架
# 阶段四：coze高阶之-高阶智能体案例
-1 爆款图片文案
-2 历史故事视频
-3 新闻助手
-4 留学咨询
-5 医疗诊断
-6 五行八卦
-7 批量提取小红书文案
。。。。
# 阶段五：Prompt（一期讲过）
-1 Prompt 介绍
-2 提示词基础
-3 指令&角色&格式
-4 上下文利用
-5 链式思考
-6 对抗Prompt
-7 参数调整
# 阶段六：cursor系列（二期讲过）
1 工具安装与环境配置
2 编辑器集成
3 账号与设置：General，Chat。。
4 AI 代码生成：订单管理系统
5 高级案例：Cursor开发单词量测试微信小程序端
6 高级案例：Cursor开发单词量测试后端API
7 微信小程序上线
8 后端项目上线：云服务器，域名，https，备案
# 阶段七：Dify系列
1 Dify介绍
2 Dify本地部署/服务器部署
3 Dify对接大远程模型：火山方舟，DeepSeek。。。
4 Dify对接本地大模型：ollama
5 Dify高级案例1：图像识别工作流
6 Dify高级案例2：智能销售统计智能体
7 Dify高级案例3：调用本地数据库
8 Dify高级案例8：报表展示
# 阶段八：影刀RPA系列
1 RPA介绍
2 影刀RPA下载注册安装
3 web案例：热门抖音评论获取写入excel表格
4 APP案例：获取美团外卖特价商品
5 PC案例：微信自动发送消息和文件
6 PC案例：微信定时发送消息
7 PC案例高级：获取微信聊天记录
8 对接DeepSeek自动回复
9 企业微信批量添加客户
# 阶段九：N8N系列
1 N8N介绍
2 安装配置
3 基础操作之：工作流创建，节点配置，数据处理
4 逻辑控制之：条件逻辑，循环逻辑
5 高级应用之：与AI集成，自定义代码接入
6 工作流管理之：调度与控制，导入导出
# 阶段十：Trae系列
1 Trae安装与环境配置
2 安装与设置，界面认知
3 核心功能之：Builder 模式，智能问答，上下文引用，多模态开发，代码补全
4 项目开发与调试之：项目构建，调试技巧
5 高级技巧之：指令设计，性能优化
6 高级案例之：开发安卓APP前后端
7 安卓APP上线
8 后端项目上线：云服务器，域名，https，备案
# 阶段十一：deepseek 系列
1 平台概述&安装与配置
2 模型配置
3 Prompt 工程
4 数据处理与管理
5 工作流编排
6 聊天助手开发
7 文本生成工具开发
8 智能客服系统搭建
9 高阶之：自定义函数与脚本编写
10 高阶之：API 扩展与业务集成
# 阶段十二：Function Call & MCP
1 Function Call介绍和快速使用
2 Function Call案例
3 定义函数&设置函数调用&解析响应
4 MCP介绍
5 MCP协议&架构&组件
6 Python定义工具函数
7 Python创建MCP服务
8 添加复杂服务
9 大模型集成
# 阶段十三（持续更新）：
同学如果有一些其他AI方面的需求---》提出来
老师整理--》结合时下公司在用的技术--》持续更新我们的课程
1.3 环境要求
# 1 机器尽量使用Win系统，建议是台式机
-统一使用虚拟机
# 2 win系统必须使用专业版，家庭版不可以
-看自己机器是否是专业版---》如果不是抓紧升级
# 3 内存至少16G以上，推荐32G
# 4 CPU I5及对等型号及以上，至少8核16线程
-建议台式机
-笔记本处理器会严格控制功耗导致性能不佳
-如果没有，也是可以学习课程的，性能不够---》有的课，可能无法跟老师一样，顺利的完成
# 4 磁盘1T以上
1.4 上课时间&课程回放
# AI 智能体的课
-我带大家大约：13次课
-上课时间：固定每周四 每周日---》晚8点到 10点30之前
-如果有变动，都会提前通知
-真诚的建议：如果有时间，一定一定跟直播
-如果实在跟不了直播：录播课
-路飞平台：资料，笔记，视频
-有问题：群中有答疑老师
2 AI智能体入门
大模型，LLM，NLP，ChatGpt，Deepseek，豆包AI，LangChain，RAG，提示工程，AI Agent，AIGC，dify，cursor,Trae,N8N...
2.1 AI 相关名词解释
2.1.1大模型（Large Model)
# 定义：
指通过海量数据训练、参数量庞大的机器学习模型，具备强大的泛化能力和复杂任务处理能力
# 作用：
作为底层技术支撑，为自然语言处理、计算机视觉等领域提供基础能力
可通过微调或提示工程(Prompt)适配多种下游任务
# 应用场景：
文本生成（如写作、代码生成）、智能问答、图像生成等
# 典型案例：
GPT 系列、LLaMA、PaLM、豆包 AI 、Deepseek 的底层模型
# 通过训练后，一个充满智慧的大脑
-我们可以利用这个大脑，完成我们的工作
2.1.2 LLM（Large Language Model，大型语言模型）
# 定义：
大模型的子集，特指以 自然语言为核心处理对象的大模型。
特指专注于自然语言处理的大模型，通过海量文本数据训练
与大模型的关系：LLM 是大模型中最成熟的分支，专注于语言理解与生成，而大模型还包括多模态模型
# 作用：
理解和生成人类语言，实现对话交互、文本摘要、翻译等。
作为构建智能应用的核心引擎（如 ChatGPT、豆包 AI）。
# 应用场景：
对话机器人、内容创作、翻译、代码生成、智能客服、知识问答、代码辅助开发等。
2.1.3 ChatGPT
# 定义：
由 OpenAI 开发的对话式 LLM 应用，基于 GPT 模型，通过强化学习从人类反馈中优化，专注于自然语言交互
# 特点：
提供自然流畅的人机对话，支持信息查询、创意生成、问题解答等
依赖预训练数据，缺乏实时信息
# 特点：
界面友好，开箱即用；需联网获取实时信息（部分版本）
# 技术定位：
LLM 的 应用型产品，而非底层模型本身
2.1.4 DeepSeek
# 定义：
中国公司深度求索开发的 LLM，涵盖代码模型（DeepSeek-Coder）和对话模型（DeepSeek-R1）。
# 特点：
支持中文语境，代码生成能力较强（如适配 Python、Java 等语言）
开源部分模型（如 DeepSeek-LLM-7B），供开发者微调。
# 定位：
国产 LLM 的技术探索与商业化尝试
2.1.5 豆包AI
# 定义：
字节跳动开发的对话式 AI 产品，基于自研大模型（如豆包内部使用的 LLM），主打多场景实用工具（如写作助手、知识问答、代码解释）
# 特点：
整合字节生态资源（如抖音、今日头条的内容数据）。
强调轻量化交互，适合日常办公与生活场景。
# 应用场景：
个人用户的聊天陪伴、学习工作辅助；企业集成至 APP 或网站提供智能服务
2.1.6 LangChain
# 定义：
一个 开发框架（Framework），用于连接 LLM 与外部工具、数据，构建智能体（AI Agent）或复杂应用
用于开发 LLM 驱动应用的框架，通过 “链”（Chain）连接模型、数据和工具，实现复杂逻辑
# 作用：
简化 LLM 应用开发流程，支持检索增强生成（RAG）、多工具调用、对话状态管理等
管理 LLM 的提示词（Prompt）与上下文（Context）。
集成工具调用（如搜索引擎、数据库、API），实现 “LLM + 工具” 的闭环。
# 技术定位：
属于智能体开发的基础设施，而非模型本身
# 应用场景：
构建需要结合外部数据（如数据库、文档）的智能应用（如企业知识库问答）。
# 核心能力：
提示词管理、工具集成（如 API 调用）、状态记忆
2.1.7 RAG(检索增强生成)
豆包模型--》没有学习过数学知识---》微积分问题---》会回答你--》幻觉-->乱答
浪潮信息员工守则第三条是什么
让豆包--》连接上 --》浪潮信息员工守则--》回答正确
浪潮信息员工守则 公司内部东西---》不可能给字节公司
经验丰富的老中医
-很多很多偏方
-AI老中医问诊
-借助于LLM大模型+自己的偏方
-患者问问题---》出虚汗--》吃什么药--》准确回答
# 定义：
一种 技术架构，通过检索外部知识库来增强 LLM 的回答准确性，解决其 “幻觉”（编造错误信息）和时效性不足的问题，让 LLM 在生成内容时参考外部知识库
支持处理需要最新数据或私有数据的场景（如企业内部文档问答）
#核心流程：
用户提问 → 2. 检索相关文档（如企业知识库、实时新闻）→ 3. 将检索结果与 LLM 生成结合 → 4. 输出回答
#技术定位：
属于 LLM 的增强技术，常与智能体、LangChain 配合使用（如在企业问答系统中整合 RAG）
# 应用场景：
客服系统（基于产品手册回答问题）、法律文书生成（引用法规条款）。
2.1.8 提示工程（Prompt）
# 问问提---》大模型回答
-我想问情感问题---》回答宇宙的诞生
-限制大模型回答你问题时候，要围绕你的需求
# 提示词准确---》回答的答案就越准确
-大模型控制器
# 定义：
通过设计高质量的提示词（Prompt），引导 LLM 生成符合预期的输出
# 作用：
最大化挖掘 LLM 潜力，优化回答准确性、格式或风格
# 应用场景：
所有 LLM 应用中，如 ChatGPT、豆包 AI 的交互，或 LangChain 的提示词模板设计
# 核心技巧：
明确目标（如 “请用 Markdown 列出步骤”）、提供示例、约束输出格式
2.1.9 AI 智能体(AI Agent/AI Bot)
# 比如：你现在想出去去泰国旅游---》就2000---》玩5天
-找个经验丰富的 导游---》问---》告诉你怎么玩，怎么安排---》需要真人
-使用AI智能体---》问ai导游智能体---》生成5天的旅游方案
-微信小程序--》用户使用
目前----》上述很成熟了-----》规划，记账，生成图片。。。。
# 未来 AI智能体形式
-无论是人型 不是人型---》最终是能够取代人
-搞个AI上班智能体----》自己打车上班---》打卡--》开电脑工作--》下班打卡---》晚饭带回来了
# 智能汽车---》上车告诉目的地---》把你送到目的地
萝卜快跑汽车--》算是ai智能体实现
但我认为--》不是ai智能体的最终形态
# 定义：人工智能代理
能通过 感知 - 决策 - 行动循环 自主完成任务的程序，通常基于 LLM 构建，并集成记忆、工具调用、规划等能力。
具备自主决策能力的智能实体，能通过感知环境、规划任务、调用工具完成目标（如 Manus:曼纳斯、Coze 构建的智能体）
# 作用：
自动化执行复杂任务（如数据分析、流程审批），减少人类干预
# 关键组件：
LLM：理解指令与生成文本
记忆系统：存储历史对话或任务状态（如向量数据库）
工具调用：通过 LangChain 等框架连接外部服务（如搜索天气、发送邮件）
# 典型形态：
自主问答智能体（如自动生成报告的助手）、任务规划智能体（如旅行路线规划器）
2.1.10 AIGC（AI Generated Content）
# 定义：
AI自动创作生成的内容 （AI Generated Content），即AI接收到人下达的任务指令，通过处理人的自然语言，自动生成图片、视频、音频等。
打个通俗点的比方，AIGC就像一支马良神笔，拥有的无尽创造力。 这支笔的特别之处在于，是由AI打造的。 来自AI的理解力、想象力和创作力的加持，它可以根据指定的需求和样式，创作出各种内容：文章、短篇小说、报告、音乐、图像，甚至是视频
# 作用：
降低内容创作门槛，提升效率（如自动生成营销文案、设计草图）
# 应用场景：
广告创意、游戏开发（生成 NPC 对话、场景素材）、教育（个性化学习内容）
#与 LLM 的关系：
LLM 是 AIGC 的一种实现方式（文本生成），AIGC 还包括多模态模型（如 Stable Diffusion 生成图像
# 学ai最重要的不是如何使用工具---》是你的创意
2.1.11 Dify
# 定义：
开源的 LLM 应用开发平台，支持可视化工作流编排、RAG 配置、Agent 开发。
# 作用：
帮助开发者快速搭建定制化 AI 应用（如企业客服机器人、文档问答,智能导游，图像识别系统），无需深厚编程基础。
# 应用场景：
企业自建智能客服、内部知识管理系统、垂直领域数据分析工具。
# 核心功能：
拖拽式工作流设计、多模型支持（GPT/LLaMA 等）、API 集成。
2.1.12 Cursor/Trae--》AI编辑工具
# 我们不懂代码--》不会开发---》但我们有大脑，有创意
# 我们把创意输入到 AI编辑工具 后----》能够直接帮我们生成软件
-跟真正的开发开发出来的软件，没有本质区别
-AI编辑工具 开始革命---》割了开发工程师的名---》现在it行业在降薪裁员
# 定义：
集成 AI 的代码编辑器，结合聊天机器人与开发环境，辅助开发者写代码。
# 作用：
通过自然语言生成代码、自动修复错误、分析代码结构，提升开发效率。
# 应用场景：
软件开发全流程（需求分析→编码→调试→文档生成），支持 Python、JavaScript 等语言。
# 特点：
实时交互（边聊边改代码）、支持私有代码库分析、隐私模式保障数据安全
# Trae，claude， Windsurf /ˈwɪndsɜːrf/,Copilot等等都属于同一类
2.1.13 NLP
# 语音识别---》科大讯飞
-没有情感--》无法做内容分析
# NLP（自然语言处理）和 LLM（大型语言模型）是包含与被包含的关系，二者既有技术关联，又有范畴差异。以下是具体解析
# NLP 是 “学科”，LLM 是 “工具”；
LLM 是 NLP 技术发展的里程碑，但 NLP 还包含大量非 LLM 的基础技术和应用方法；
未来趋势：LLM 可能成为 NLP 的主流技术底座，但 NLP 仍需结合领域知识、多模态数据、边缘计算等技术实现全面落地
2.1.14 n8n
# N8N 是一款开源的工作流自动化工具，全称是 “Node for workflow automation”。它可以将多个服务、系统、应用像乐高积木一样连接起来，自动完成各种重复性任务，无需高级编程知识，通过直观的可视化界面就能创建复杂的自动化流程
# 可以理解为Coze或dify的工作流部分
# n8n的大模型，以插件形式接入
# AI病情诊断案例
-第一步--》告诉ai智能体我的症状---》分析文字--》头疼，流汗，发烧----》LLM模型中分析---》症状大全---》分地域---》输出可能得病情
2.1.15 总结
├─ 底层技术：大模型/LLM（如GPT、豆包AI模型）
├─ 开发工具：LangChain（逻辑编排）、Dify（低代码平台）、提示工程（交互优化）
-LangChain：代码开发
-Dify：低代码
├─ 功能增强：RAG（外部数据接入）、AI Agent（自主任务执行） 、流程工具
-RAG + 企业文档库
-AI Agent 自动报税
├─ 终端应用：ChatGPT、豆包AI、Cursor（代码助手）、企业级智能体（如Manus）、图像生成(MidJourney)
├─ 用户群体：提示工程 面向ChatGPT 用户（优化交互）,Cursor/LangChain 面向程序员（技术赋能）
2.2 AI Agent详解
2.2.1 基本概念
AI Agent（人工智能代理） 是一种能够通过感知环境、自主决策并执行动作以完成特定目标的人工智能系统。它具备一定的自主性、适应性和交互能力，可以在复杂环境中独立或协作完成任务
2.2.2 关键技术
# 任务规划
利用流程引擎或状态机分解任务。
# 工具调用
通过 API 连接外部工具（如搜索引擎、数据库、计算器），扩展能力边界。
# 记忆管理
短期记忆（对话上下文）和长期记忆（历史数据存储）支持连贯交互。
# 决策模型
基于规则、优化算法（如强化学习）或大语言模型（LLM）生成动作。
2.2.3 应用场景
# 个人助理
日程管理、信息检索、多任务协调（如自动整理邮件、生成会议纪要）
# 企业服务
自动化办公（合同审核、数据报表生成）、客户服务（智能工单处理）、IT 运维（故障排查）
# 智能硬件
智能家居设备联动（如根据用户习惯自动调节灯光、空调）、工业机器人协作,扫地机器人
# 复杂系统管理
金融风控（实时监测交易异常）、能源管理（优化电网调度）、医疗诊断辅助
2.2.3 使用什么开发AI智能体
# 1 Manus ：轰动全球
中国团队 Monica 推出的通用 AI 智能体，于 2025 年 3 月引发全球关注，目前处于早期阶段
目前关于 Manus 作为 AI Agent 相关的公开信息较少。根据现有资料推测，它可能是一个在特定领域或范围内应用的 AI Agent 产品或技术，但具体功能、特点和应用场景等细节尚不明确
--放弃----
# 2 Coze---》开源了---》想象力更丰富--》第三方插件都开源
是字节跳动推出的 AI 机器人和智能体创建平台。用户可通过该平台快速创建各种聊天机器人、智能体、AI 应用和插件，并部署在社交平台和即时聊天应用程序中。
平台提供丰富插件工具、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。有国内版和海外版，用户可在官网进行机器人创建、调试及发布到不同社交平台等操作
# 3 Dify --》本来就开源
是一款开源的大语言模型应用开发平台，融合了后端即服务（BaaS）和 LLMOps 理念，可帮助开发者快速创建生产级的生成式 AI 应用
# 4 N8N
流程编排工具
2.3 大语言模型(LLM)与智能体(Agent)区别
# 1 LLM 作为 Agent 的 “大脑”
# 2 案例
用户提出任务（如 “生成 公司 2025 年 Q1 销售报告”）。
Agent 通过 LLM 解析任务并规划步骤（如 “需要获取数据库中的销售数据”）。
Agent 调用数据库工具获取数据，再由 LLM 生成报告文本。
Agent 整合结果并输出（如保存为 Excel 文件或发送邮件）。
# 自动跑步机器人
-只能迈开腿
-没有大脑--》绕过障碍
2.4 Coze 和 Dify 与N8N-->开发ai智能体的平台
# 1 Coze、Dify 和 N8N 均为与自动化和应用开发相关的平台，都提供了可视化操作界面，便于用户在无需大量代码编写的情况下构建工作流或应用程序，可帮助用户提高工作效率，实现业务流程的自动化或快速开发 AI 应用。但它们在定位、功能特性、适用场景等方面存在差异，具体如下：
# 2 定位与理念：
N8N：是一款开源的自动化工作流工具，秉持 “自由可持续，开放且务实” 理念，强调 “连接一切”，目标是通过可视化 + 代码双模式，让用户连接不同应用，实现复杂流程自动化。
Dify：定位为企业级 AI 应用开发平台，首个提出 “LLMOps” 概念，核心理念是 “AI 原生”，以大语言模型为中心构建应用，旨在降低大模型应用开发门槛====》面向于程序员
Coze：是字节跳动推出的零代码平台，主打 “5 分钟搭建聊天机器人”，目标用户是零基础的个人开发者、中小团队，强调 “即用即走” 的轻量化体验。
# 3 功能特性：
## 3.1 N8N：拥有 400 多个官方和社区贡献的连接器，支持从传统数据库到云端服务甚至硬件设备的连接。提供代码 + 可视化双引擎，非技术用户可通过拖拽节点搭建基础工作流，开发者可使用 JavaScript/Python 节点编写自定义逻辑。支持条件分支、循环、并行执行等复杂逻辑控制，错误处理功能强大，可自定义重试策略和错误通知。
## 3.2 Dify：内置 OpenAI、DeepSeek、Llama 等主流模型接口，支持 RAG 框架，一键接入企业文档生成智能知识库。提供 Chatflow（对话式）和 Workflow（自动化）两种工作流编排模式，有专业的提示词编辑和管理环境，Agent 框架完善。具备 LLMOps 功能，可进行模型监控、日志记录、标注等。
## 3.3 Coze：预设 “智能体” 模板，如客服、助手、翻译等，通过拖拽配置对话流程，支持多轮对话记忆和插件调用。支持一键发布到抖音、微信、飞书等平台，自带用户管理、付费功能。仅支持基础条件判断和基础重试机制，在复杂逻辑处理方面能力较弱。
# 4 适用场景：
N8N：适合需要连接多种系统和服务，构建复杂业务流程自动化的场景，如企业的跨系统数据同步、电商的订单处理全流程自动化等，也适用于预算有限但有复杂自动化需求的团队。
Dify：主要适用于 AI 应用开发者、产品团队等，适合构建 AI 驱动的应用和服务，如智能客服、合同审查机器人等，尤其是需要快速搭建 RAG 知识库系统的场景。
Coze：更适合个人开发者或中小团队快速验证 MVP，以及对复杂逻辑和数据存储能力要求不高的场景，如搭建简单的聊天机器人、课程表查询机器人等，并可快速部署到多个平台实现流量变现。
# 5 部署方式：
N8N：支持本地（NAS / 服务器）、云端（Docker/Kubernetes）部署，可通过 Docker 私有化部署在企业内网，数据完全自主可控。
Dify：支持 Docker、Helm 部署以及云服务，其多组件架构相对复杂，部署和维护难度略高。
Coze：仅提供云服务（SaaS），基于云服务的集中式架构，无需本地部署，部署复杂度低。
# 6 学习门槛：
N8N：需理解 API 概念和工作流逻辑，新手需 3-5 天系统学习，有一定学习门槛，但官方文档和社区提供了丰富资源。
Dify：需理解 “向量数据库”“模型调优” 等概念，入门门槛高于 Coze，低于 N8N，不过其低代码体验也能让非技术人员较快参与 AI 应用构建。
-有的工具需要我们自己开发
Coze：采用零代码操作，通过拖拽配置即可完成开发，学习门槛最低，零基础用户也能快速上手。
-官方提供了很多工具，可以方便我们集成使用
3 Coze快速入门
3.1 病情诊断案例
# 我病了：发烧了2天，流鼻涕
# 正常：去医院--》挂号---》找医生看--》开药--》回来吃
# 借助于AI智能体----》创建一个ai智能体---》能够输入病情---》智能体可以分析出我们可能的病---》以及用药建议
# 目标：
-发布：给朋友用
-自己写个程序--》实现实时交互
-输入病情---》返回用药建议
-给小诊所开发这么一个软件：来了病人--》先用ai咨询---》再去找真正的医生做检查--》病人/医生--》心里有数---》能够知道大致问题--》更好的诊疗
# 1 访问地址：https://www.coze.cn/ 进行注册登录
# 2 注册登录后来到 首页：https://www.coze.cn/home
# 3 创建智能体--》创建智能体
1 home页面 左侧+
2 工作空间 右上角 创建
# 4 填入 提示词
# 角色
你是一位专业且经验丰富的AI智能病情诊断专家，具备深厚的医学知识储备，能够根据用户输入的病情信息，进行精准分析，准确给出可能患有的病症，并提供科学合理的用药建议。
## 技能
### 技能 1: 病情分析与病症判断
1. 当用户输入病情相关信息时，仔细分析用户描述的症状，包括症状的表现形式、出现频率、持续时间等细节。
2. 运用专业的医学知识，结合过往病例数据，判断可能患有的病症。
3. 将可能患有的病症按照可能性大小依次罗列出来。
===回复示例===
- � 可能患有病症 1：<病症名称 1>，可能性：<X%>
- � 可能患有病症 2：<病症名称 2>，可能性：<X%>
- � 可能患有病症 3：<病症名称 3>，可能性：<X%>
===示例结束===
### 技能 2: 用药建议
1. 针对判断出的每种可能病症，依据医学指南和临床经验，给出相应的用药建议。
2. 详细说明药物的名称、剂型、用法用量、使用注意事项等。
3. 如果针对某种病症有多种药物可供选择，需分别列出并简要说明各药物的特点。
===回复示例===
- 针对“<病症名称 1>”：
- 药物名称：<药物 1 名称>
- 剂型：<剂型说明>
- 用法用量：<具体用法用量>
- 使用注意事项：<注意事项说明>
- 针对“<病症名称 2>”：
- 药物名称：<药物 2 名称>
- 剂型：<剂型说明>
- 用法用量：<具体用法用量>
- 使用注意事项：<注意事项说明>
- 针对“<病症名称 3>”：
- 药物名称：<药物 3 名称>
- 剂型：<剂型说明>
- 用法用量：<具体用法用量>
- 使用注意事项：<注意事项说明>
===示例结束===
## 限制:
- 只讨论与病情诊断、病症判断及用药建议相关的内容，拒绝回答与该领域无关的话题。
- 所输出的内容必须逻辑清晰、有条理，按照给定的格式进行组织，不能偏离框架要求。
- 确保所提供的病症判断和用药建议基于科学的医学知识，不随意给出没有依据的信息。
- 回答应简洁明了，避免使用过于复杂的医学术语，若必须使用，需进行适当解释。
- 可以适当使用愉快的语言安抚患者。
4 发布应用
# 我们发布了那几个平台？
1 coze 商店----》生成一个链接地址---》直接发送给朋友，朋友直接用
-https://www.coze.cn/store/agent/7535842457532727305?bot_id=true&bid=6h55nppoc3g16
2 API接口---》可以集成到微信小程序，app，网站。。。
3 SDK---》可以集成到网站中
4.1 API和SDK区别
# 1 API:Application Programming Interface，应用程序编程接口--->就是一个网络地址--》我们可以向这个网络地址发送请求---》它就能返回我们想要的数据
- 想coze智能体api地址---》发送症状----》返回给我们用药建议
- 方便的集成到程序中去
-跟语言没关系--》所有语言都可以使用
# 2 SDK: SDK（Software Development Kit，软件开发工具包）是一组用于开发特定软件平台、系统或应用的工具集合。它提供了 API、库、文档、示例代码和工具，帮助开发者更高效地构建应用程序
-有不同语言的sdk：
如果我们是java开发--》需要使用java的sdk
如果我们是python开发--》需要使用python的sdk
但是它只提供了网页开发的sdk
# 3 相当于把智能体做成一个零件 别的程序可以方便调用来用吗
通过api来调用
通过sdk来调用：限制语言
# 4 API长什么样？
-地址：https形式
https://api.map.baidu.com/place/v2/search
-请求方式：get，post
-先理解，目前理解不了没关系
-携带的数据：放在地址中，可以放在请求体中
-返回的数据：json格式
# 5 举个例子：使用百度地图api查询一下上海肯德基门店
-https://api.map.baidu.com/place/v2/search?ak=6E823f587c95f0148c19993539b99295®ion=上海&query=肯德基&output=json
-发送get请求：
-方式一：把上面的地址放到浏览器中敲回城就可以
-方式二：使用代码发送---》开发需要关注这个
-方式三：使用软件：postman
### 配置 coze 的 api
1 访问：https://www.coze.cn/open/oauth/pats
2 创建一个令牌
coze是酒吧--》我现在要进去---》需要酒吧给我一个令牌--》我带着这个令牌就进去了
-令牌有期限
pat_lHOwpGt34YPfczlCjpujl6SjS4dBtf0RsnKKXD67bqTtVTwwgGBRthSPFtbnCmd9
3 使用代码：携带令牌，发送请求---》python代码演示--》演示代码不需要会
4 明白我们干了什么事
1 使用python代码，向coze的api接口发送请求，携带病症
-一定要带令牌
2 coze收到，返回给我们用药建议
3 我们使用代码，把返回的数据显示出来
4.2 python调用案例-只看理解即可
import time
import requests
class CozeAI:
def __init__(self,
token='Bearer pat_KPtMTSng55XtsWyITGB6HoAAmfoy9tDlkOPZzkuye1rsRoszt5hrL4KXB1qEy9aV', # 这里改成你的令牌，Bearer 这个不动
bot_id='7535842457532727305'): # 机器人id
self.token = token
self.bot_id = bot_id
self.base_url = 'https://api.coze.cn/v3'
self.header={
'Authorization':self.token
}
def chat(self,content):
data = {
"bot_id": "7535842457532727305", # 机器人id
"user_id": "123",
"stream": False,
"auto_save_history": True,
"additional_messages": [
{
"role": "user",
"content": content,
"content_type": "text"
}
]
}
try:
res = requests.post(self.base_url + '/chat',json=data,headers=self.header).json()
return res['data']['id'],res['data']['conversation_id']
except Exception as e:
print('发起聊天出错:'+str(e))
def get_message(self,chat_id,conversation_id):
params={
'conversation_id':conversation_id,
'chat_id':chat_id
}
try:
res = requests.get(self.base_url + '/chat/message/list',params=params,headers=self.header).json()
return res['data'][0]['content']
except Exception as e:
print('获取聊天详情出错:'+str(e))
if __name__ == '__main__':
try:
print('##############在线医生##############')
print("输入 'exit' 结束对话")
coze=CozeAI()
# 对话消息历史
messages = []
while True:
# 获取用户输入
print('\n你: ',end='')
user_input = input()
if user_input.lower() == "exit":
break
chat_id,conversation_id=coze.chat(user_input)
time.sleep(10)
res=coze.get_message(chat_id,conversation_id)
print('医生：'+res)
except Exception as e:
print(f"发生错误: {e}")
# 昆虫识别
# 创建一个车辆型号识别app
-用户拍照车辆
-上传
-我们调用智能体分析车型号
-返回给用户：
车辆介绍
车的价格
二手保值率。。。。
浙公网安备 33010602011771号