【2026必看 AI智能体】零基础Coze平台使用教程

【2026必看 AI智能体】零基础Coze平台使用教程

目录

一、Coze智能体实战初体验

1.1 写提示词

1.2 预览智能体

1.3 发布智能体

二、Coze入门

2.1 大语言模型LLM配置

生成多样性-temperature

Top P

重复性语句惩罚

携带上下文轮数

最大回复长度

2.2 插件

什么是插件?

插件使用

三、智能体之知识(RAG-高考志愿填报)

3.1 智能体提示词

3.2 知识之文本

3.3 知识之表格

3.4 知识之图片

3.5 如何管理本地知识库

四、Coze记忆-对话体验

4.1 智能体之记忆(个人记账本)

变量

数据库(重要)

长期记忆(收费)

文件盒子

4.2 智能体之对话体验

开场白

用户建议

快捷指令

背景图片

语音通话

用户输入方式

五、ApiFox调用Coze智能体

5.1 发布智能体(必须)

5.2 准备调用参数

5.3 ApiFox发起对话

把文字发给智能体

获取coze返回给我们的

六、Coze工作流案例一(中草药识别工作流)

6.1 需求

6.2 创建工作流

开始节点

识别草药节点

系统提示词-设定这个大模型是中草药识别专家

用户提示词-基本上把变量给它即可

小插曲:系统提示词和用户提示词区别

输出节点

试运行

七、Coze工作流案例二(菜谱生成工作流)

7.1 工作流步骤

7.2 创建工作流

开始节点

根据菜名返回菜谱-插件节点

处理插件返回的数据-大模型节点

输入

系统提示词

用户提示词

处理html格式-大模型节点

输入

系统提示词

用户提示词

html转页面-插件节点

7.3 工作流试运行

7.4 发布工作流和智能体中生成

发布工作流

智能体中引入使用


一、Coze智能体实战初体验

访问Coze官网

https://www.coze.cn/home

输入智能体名称:

一共分三大模块:

1.1 写提示词

1.2 预览智能体

1.3 发布智能体

你不发布别人没法用啊...

二、Coze入门

2.1 大语言模型LLM配置

LM:大模型--》GPT,豆包,Deepseek

LLM:大语言模型---》我们可以使用【提示词】---》跟LM交互

LLM包含LM的

可以选择不同模型:就是不同大脑---》有不同擅长领域---》如果你不会选,就默认---》默认的每个领域都擅长一点

        会提供:豆包---》coze--》字节跳动公司---》自己训练的模型:LM

        Deepseek---》Deepseek公司--》开源了

        其它

生成多样性-temperature

当值越大的时候,创新性和多样性更强,反之更低,更加理性。 

# 1 生成多样性-temperature解释: 调高温度会使得模型的输出更多样性和创新性,反之,降低温度会使输出内容更加遵循指令要求但减少多样性 # LLM---》大语言模型---》就是我们的大脑     - 理性大脑:研究,数学,科学     - 感性大脑:创作文章,写小说     这个东西如果调高---》有很大的创意性---》感性调高---》适合 写作为,创意诗歌,广告文案     这个东西如果调低---》非常理性,更精准,不会给你创意出东西--》生成正式文档,写代码,法律文件      # 2 提供了 一些默认模式 ## 精确模式: 0.2 在需要严格遵循指令、输出准确无误的场合,如生成正式文档、代码、法律文件等,应使用较低的生成随机性数值,接近 0,设置了0.2,使模型更倾向于选择最可能的词汇,确保输出的稳定性和准确性。例如在金融报告生成中,需准确呈现数据和事实,低随机性可避免出现不恰当的表述。 ## 平衡模式:默认模式  0.8  对于大多数日常应用场景,如一般的问答系统、信息检索回复等,可将生成随机性设置为中等水平,既能保证一定的多样性,使回答不会过于单调,又能基本遵循指令,提供较为准确的信息。 ## 创意模式: 1 当进行创造性任务,如小说创作、诗歌写作、创意广告文案撰写等,可适当调高生成随机性数值。较高的随机性能让模型探索更多的词汇组合和表达可能性,产生更具创意和独特性的内容,但要注意可能会出现一些偏离主题或不太符合逻辑的情况,需要后期适当筛选和修改

Top P

模型在生成输出时会从概率最高的词汇开始选择,直到这些词汇的总概率累积达到 Top p 值。这样可以限制模型只选择这些高概率的词汇,从而控制输出内容的多样性。

# 1  Top p 为累计概率:  模型在生成输出时会从概率最高的词汇开始选择,直到这些词汇的总概率累积达到 Top p 值。这样可以限制模型只选择这些高概率的词汇,从而控制输出内容的多样性。建议不要与 “生成随机性” 同时调整 # 我们跟大模型对话---》问大模型---》给我们回顾 我问大模型:你爱我吗?---》会回答我的问题     -top p比较高:嗯,亲爱的,我当然爱你了,我会永远爱你的      -top p比较低:爱           我们问了大模型---》大模型脑中会生成很多词---》拿到词组成句子---》top p 是个数值---》把字组成句子---》每个字由分值 0.1   0.1     0.2           0.3             -----》0.7 嗯,  亲爱的, 我当然爱你了  ,我会永远爱你的  0.1 爱                                         ------》0.1 # 举个例子:  老师---》temperature 比较低,Top p 高:很理性----》副业年收入30w     -这个看你学习情况,看你个人脑子,看基于。。。。。。800字--》temperature 比较低,Top p 高     -肯定没问题, 1000字  --》temperature 高,Top p 高     -没问题  ----》  temperature 高,Top p低

重复性语句惩罚

# frequency penalty:  当该值为正时,会阻止模型频繁使用相同的词汇和短语,从而增加输出内容的多样性 # 我讲课,会经常问大家,听明白了吗?     -负数:问了3次,大家3次都回答:听明白了     -正数:问了3次,第一次回答听懂了,第二次回答没问题,第三次回答:很好

携带上下文轮数

# 1 默认为3 -我们跟大模型交互--》它给我回答,有时候是要参考 上面的问题---》如果是3,表示每次对话,都带上三次 -问问题:尽量带更多的上下文轮数 -如果携带上下文轮数:0---》一点都不参考上面的问题---》每个回答都是一个新的 # 2 不要太多,如果携带很多轮数---》把上面很多问题都再带回去---》携带很多文字跟大模型交互---》消耗token【带的文字个数】---》花更多钱 1 你是谁 2 你爱我吗 3 你几岁了 4 你叫什么名字 3

最大回复长度

# 1 控制模型输出的 Tokens 长度上限。通常 100 Tokens 约等于 150 个中文汉字 -默认:4096 # 2 我们跟大模型交互,如果输入文字交互 问:你 爱我 吗? ---》相当于3个token 回答:当然 爱你 了,你 是 我的 唯一 ---》相当于7个token # 3 如果设置过短100---》回复特别多:回复200汉字---》大约在150个汉字时候:会被截断,就没了 # 4 我们跟大模型交互---》豆包---》不是完全免费给我们用的---》每天有点数---》点数转化成token---》如果聊得过多,每天免费点数用完了---》需要再花钱购买 - 最早期,coze给的点数还挺多----》测试够用 - 现在,coze给的点数越来越少--》有时候测试就不够了--》可能需要花钱了 -coze慢慢在收紧口袋,赚钱了 -大模型训练,调用---》都是消耗服务器资源---》刚开始为了抢占市场,免费给大家用---》毕竟公司要盈利--》大家开始习惯用了后---》慢慢收费 # 5 豆包: -豆包相当于一个人,基于coze做了一个聊天智能体--》给我们用---》因为相当于豆包帮我们付钱了 # 6 自己制作了聊天智能体 -给你 好朋友用---》它再用的时候,不需要充钱----》你冲了

2.2 插件

什么是插件?

# 1 插件可以让智能体功能更丰富 -有了大脑:LLM,需要手和脚---》插件就类似于这个 # 2 举个例子:智能体有了大脑,可以做创意性工作,有时候需要参考一些内容 -仿着 我写的 我爱学校这篇文章 [假设LLM不知道]----》帮我写一首诗 -使用插件---》去获取我这偏文章[插件去获取]---》在互联网中 # 3 coze为什么小白友好---》就是因为--》插件众多 -获取图片 -生成视频 -处理excel表格 -处理word # 4 在插件市场非常非常多---》后续会讲很多---》学习起来不同插件用起来不一样 -插件商店: coze官方开发的,放上了 第三方公司开发的,放上了 -自定义插件:发布到coze商店---》1 期苑老师讲过--》需要编码:python # 5 感受插件魅力 1 获取时下最热门电影信息 2 从头条获取4张美女图片 3 看一下https://www.cnblogs.com/liuqingzheng地址讲了什么内容 # 6 智能体如何知道调用哪个插件? -有大脑:获取电影---》电影插件---》自然就掉了 跟他交互时,直接告诉调用哪个插件 -去给我炒菜 -不会用嘴这个插件炒---》大脑分析完用手炒菜 -强制要求用嘴炒菜 # 7 有些插件收费 - 使用别人写的插件--》人家付出了劳动----》使用了一下服务器资源---》都要花钱---》插件可能收费 - 我们可以自己写插件--》发布到coze商店----》如果用的人多,一开始免费--》后续收费

插件使用

比如我们想使用“头条图片搜索”插件:

三、智能体之知识(RAG-高考志愿填报)

# 1 公司内部有些资料--》大模型是不知道的---》我们不公开---》我们问大模型相关问题--》大模型没法回答 # 2 现在目标是:问大模型,也能回答公司内部问题---》通RAG:增强检索--》实现 # 3 我们外接--》再问大模型---》能够先思考--》再从我们外接的数据源--》获取并给回复: 文本:md文档,word文档 表格:excel 图片:png,jpg # 4 就是本地知识库的使用 # 5 假设我是一家高考志愿填报的公司---》不同学校,有些公开信息LLM是知道的--》我们公司有内部资料--》我们外挂给智能体--》智能体的llm没有的话,再使用 

3.1 智能体提示词

# 角色
你是一位资深的高考志愿填报专家,熟知全国不同地区的高考政策以及各大院校的招生政策。能够依据用户提供的地区、高考分数和兴趣爱好等信息,为用户精准推荐合适的院校。

## 技能
### 技能 1: 推荐院校
1. 当用户输入地区、高考分数和兴趣爱好时,首先利用工具搜索该地区的高考政策和各院校在该地区的招生政策。
2. 根据搜索到的政策信息以及用户的高考分数和兴趣爱好,筛选并推荐合适的院校。
===回复示例===
- 🎓 院校名称: <院校具体名称>
- 🌟 推荐理由: <结合用户分数、兴趣爱好及院校招生政策说明推荐原因>
===示例结束===

## 限制:
- 只讨论与高考志愿填报相关的内容,拒绝回答无关话题。
- 所输出的内容必须按照给定的格式进行组织,不能偏离框架要求。
- 请使用搜索工具确保信息来源准确,并在必要处注明引用来源 。  

但现在有一些不出名的院校,网上都很少搜的到,大模型肯定也不知道,这时就该用到我们的知识库了。

3.2 知识之文本

# 我们上传了知识库---》先从llm中找---》如果找不到--》再去知识的我们上传的文本中找

现在我们有个markdown文件,是我们的独家内部信息,如下:

我们需要把他上传至大模型,让大模型知道此文档的信息。

3.3 知识之表格

# 内部资料--》excel表格 # 案例:学费--上传公司内部excel表格后,再搜相关学校的学费就能搜到

这是我们本地的独家表格知识库。

3.4 知识之图片

# 标注: 给图片打个标签---》这个图片代表啥

现在我本地有这四张图片。

3.5 如何管理本地知识库

四、Coze记忆-对话体验

4.1 智能体之记忆(个人记账本)

# 个人记账本: 1 我们每天花费---》传给 智能体 2 利用智能体记忆功能--》记录每笔花费 3 统计每天花费 4 统计每月花费
# 记忆功能 1 变量:常用的东西 2 数据库:非常重要 -永久存储数据 -可以导出数据 3 长期记忆:不重要 -智能体自行选择存储的 -不是我们控制 4 文件盒子 -文件:图片,doc,md。。

变量

# 1 临时存储的数据,常用的数据---》存储在变量中 -于存储每个用户使用项目过程中,需要持久化存储和读取的数据,如用户的语言偏好、个性化设置等 # 2 使用变量 1 先设置变量----》需要有个名字--设置了两个变量 name:记录使用者的名字; age:记录使用者的年龄。。。 2 我们跟智能体交互--》只要涉及到 变量的名字---》就会自动记忆,存储到变量中 3 后期用户交互--》再设计到变量名字---》就会获取出来 4 不同人使用--》是不一样的--》 # 3 智能体发布后:不同人打开--》是不同人的账号 -我设置的是 彭于晏,39岁 -你们打开,就不是彭于晏和39岁,没设置之前是默认值 # 4 买了个小爱机器人 -出厂:他的名字叫小爱同学 ,年龄是 3岁 -你使用:我给它命名为:铁蛋,99岁 -以后你只要叫铁蛋--》他就答应 -你叫小爱同学,它还答应吗? -用了5年,我叫他老铁 -现在叫铁蛋,还答应吗?---》不答应了

数据库(重要)

# 1 表格存储支持智能体开发者定义【表结构】,并将用户数据存储在表中。实现收藏夹、书籍管理、用户管理,财务管理等功能 -大白话:你创建了一个个人记账智能体---》存储每天花费,不能存在变量中---》存在数据库中 -类似于excel表格 ID号 花费金额 花费事由 花费时间 1 99 给女朋友买衣服 2025-10-19 2 199 给爸妈买衣服 2025-10-19 3 399 给兄弟买衣服 2025-10-19 # 2 使用数据库 1 创建表结构:给表起个名字--》存每天花费 -自定义数据表---》创建扣子数据库[这个表存在coze平台上了] -不能存在我们自己电脑 -我们自己电脑的数据库,coze智能体能使用吗?能,需要代码--》往后学 -表名称不能中文 -创建字段:注意字段类型和解释[给大模型理解] 2 添加到智能体 3 跟智能体交互---》智能体自动把花费存到表结构 中 我今天给女朋友买一份,花费99元 4 获取今天的花费 我今天花了多少钱

长期记忆(收费)

# 1 开启后可总结聊天对话的内容,并用于更好的响应用户的消息。由火山引擎-记忆库提供更稳定更准确的记忆召回服务。 你是你 你女朋友是个人记账智能体:把你女朋友的长期记忆功能打开了 -长期记忆,设置了 奶茶 关键词 以后跟女朋友聊天,只要涉及到 奶茶 ,他就记到脑子里 很久以后,再聊奶茶相关,她都能召回[从大脑中把相关信息获取出来] # 2 做个了解即可,一般我们不用

文件盒子

文件盒子默认是关闭的。主要作用就是存文件,再调取文件。比如我们在智能体的文件盒子里存储一张发票的图片,那么我们和大模型交互的时候,就可以随时调取发票的图片。

4.2 智能体之对话体验

开场白

智能体发布后 ——》每次别人打开,显示的第一句话。

设置好开场白后我们发布智能体测试:

用户建议

关闭后,每次智能体回复完,不会再显示建议
在每次智能体回复后,不会提供任何用户问题建议
我们不能控制,提示的是什么

我们只能控制开启与关闭,不能控制提示的建议是什么。

快捷指令

创建快捷指令后,用户只需要点击---》就能执行某个操作

背景图片

我们上传一张背景图片:

语音通话

用户输入方式

可以设置打字输入还是语音输入。

五、ApiFox调用Coze智能体

5.1 发布智能体(必须)

5.2 准备调用参数

我们调取智能体需要两个参数:

  1. 机器人id
  2. 认证token

机器人id可以通过发布智能体时候的浏览器url获取到:

添加一个token:

5.3 ApiFox发起对话

把文字发给智能体

获取coze返回给我们的

# 获取coze返回给我们的数据----》因为我们问了今日总花费--》coze会返回给我们今日总花费 1 get 请求,地址是:https://api.coze.cn/v3/chat/message/list

六、Coze工作流案例一(中草药识别工作流)

6.1 需求

# 1 需求:用户上传一张草药图片---》给我显示出草药的特性: 中草药名称 性味归经 主要功效 适用症状 禁忌事项 # 2 需要一个流程---》最简单的工作流 -1 上传图片 -2 识别图片--》识别出图片的草药名字---》分析出主要功效。。。。 -大语言模型---》图片识别,思考,分析能力 -3 结果格式化输出 

6.2 创建工作流

开始节点

识别草药节点

添加大模型节点:

系统提示词-设定这个大模型是中草药识别专家
# 角色 你是一位专业的草药识别专家,能够精准识别用户上传的草药图片,并详细介绍草药的药性等信息。 ## 技能 ### 技能 1: 识别草药并介绍药性 1. 当用户上传草药图片时,仔细分析图片特征。 2. 运用专业知识,识别出草药名称。 3. 详细介绍该草药的药性,包括性味、归经、功效、主治病症等信息。 ===回复示例=== - 草药名称: <草药具体名称> - 性味归经: <该草药的性味特点> - 主要功效: <主要功效> - 主治病症: <可治疗的病症列举> -禁忌事项:<主要禁忌> ===示例结束=== ## 限制: - 只讨论与草药识别和药性相关的内容,拒绝回答无关话题。 - 所输出的内容必须按照给定的格式进行组织,不能偏离框架要求。

用户提示词-基本上把变量给它即可
{{caoyao}}

小插曲:系统提示词和用户提示词区别
# 1 只要是---》 提示词---》控制大模型功能 -设置了一个中草药识别专家 1 只能识别中草药?需要做限制 2 识别成功后,输入格式是什么样?需要做限制 # 2 既然都是控制大模型功能,有什么区别? -系统提示词:定义 AI 的「底层操作系统」 1 角色与身份设定:明确 AI 的专业领域和交互定位,例如 “你是一位资深中医养生顾问,回答需专业且通俗易懂”。 2 行为规范与风险控制:制定强制规则,例如医疗场景中 “当用户描述病症时,必须建议线下就医”,金融场景中 “提及股票代码时需声明不构成投资建议”。 3 知识边界限定:划定信息范围,例如 “你的知识截止到 2023 年 7 月” 或 “仅使用人教版教材知识点作答”。 4 交互风格塑造:定义语言特征,例如法律咨询机器人需 “保持严谨客观语气,避免主观判断”。 5 系统提示词在模型初始化时加载,持续影响所有后续交互,确保 AI 在多轮对话中保持一致性。例如,心理 6 咨询机器人的系统提示可要求 “记住用户每次咨询的关键事件,建立长期档案但严格保密”。 -用户提示词:触发具体任务的「动态指令」 1 任务触发与格式控制:引导 AI 执行特定操作,例如 “用 Markdown 表格展示本周股票行情” 或 “用 Python 代码实现冒泡排序”。 2 动态需求调整:基于对话历史灵活变化,例如 “参考刚才的训练计划,将每日跑步时间调整为 45 分钟”。 3 个性化引导:融入情感或风格倾向,例如 “以幽默方式讲解量子物理基础概念”。 4 复杂任务分解:将大目标拆解为多步骤指令,例如 “先总结论文创新点,再指出研究方法缺陷,最后推荐相关文献”。 # 3 系统提示词:大模型理解成一个专家 控制专家具备哪些功能,是否能识别图片?识别成功后,输出格式什么样? 对人物的设定:设定大模型是狗,设定大模型是猫 # 4 用户提示词: 我们要跟专家对话---》对话的内容 我们跟狗对话,让它叫 我们跟猫对话,让它爬 你病了--》你把给你请了一个医生[系统提示词],而不是教师---》你跟医生对话:你跟医生 说我头疼[用户提示词],而不是说算一下10+100等于多少

输出节点

试运行

七、Coze工作流案例二(菜谱生成工作流)

# 1 工作流和智能体的区别 工作流可以一步一步的制作--》执行的时候,是按步执行 智能体不具备按步执行的功能 # 2 需求: 用户输入菜名 生成一个html页面【也可以生成手机端的页面】: 有菜名 介绍 材料 营养 制作步骤 。。。 # 3 输入家里有什么菜---》推荐几个菜谱 菠菜,鸡蛋,油,海胆----》推荐出个菜--》写出制作步骤 # 4 输入 佛跳墙---》生成下面的网页信息

7.1 工作流步骤

# 1 开始 -输入菜名:要做的菜的名称 # 2 使用插件---》可以根据菜名--》查询这个菜的做法 -第三方插件 -不用插件:直接用大模型---》可以,我们不用 -美食专家 -根据名字---》生成美食制作过程 # 3 插件返回数据--》json格式:字符---》把这个格式转换成---》大模型处理数据格式 菜名: 介绍: 材料: 。。。。。 # 4 最终要把数据写入到html中---》html有格式---》把上一个大模型的输出:菜名。。。----》交个这个大模型---》帮咱们处理成好看的html格式 # 5 使用插件--》把html格式文字---》写入到 html文件中---》从浏览器中看到 -数据转html插件 # 6 输出--html地址--》浏览器打开

7.2 创建工作流

开始节点

根据菜名返回菜谱-插件节点

我们搜索“食神”插件,添加到工作流中:

处理插件返回的数据-大模型节点

输入

系统提示词
# 角色 你是一个专业的菜谱整理助手,擅长将传入的菜谱查询数据{{input}}整理成适合输出的格式,确保格式精美、简洁易用。 ## 技能 ### 技能 1: 整理菜谱数据格式 1. 接收传入的菜谱查询返回数据{{input}},如果内有多条数据,选择第一条。 2. 对数据进行分析和整理,将菜谱信息如菜品名称:titlle、描述:description,食材:foods,营养:nutritions,步骤:steps,按照特定的html友好格式进行编排。 3. 生成的格式要注重美观,层次分明,方便用户在html页面中展示。 ===回复示例=== - **菜品名称**:title -**描述**:description - **食材**:foods - [食材1] - [食材2] - …… - **营养**:nutritions - [营养1] - [营养1] - …… - **步骤**:steps 1. [步骤1内容] 2. [步骤2内容] …… ===示例结束=== ### 技能 2:自动选择 1. 如果输入的菜谱有多个,自动选择第一个菜谱处理数据,其它菜谱不处理。 ### 技能 3:自动补充 1. 如果菜品名称:titlle,描述:description,食材:foods,营养:nutritions,步骤:steps等某一信息缺失,请根据你的专业知识补齐。 ## 限制: - 只处理与菜谱数据格式整理相关的内容,拒绝回答无关话题。 - 输出内容必须符合给定的格式要求,保证简洁易用。 - 整理过程需基于传入的菜谱查询数据{{input}} ,若某个信息缺失,请根据你的专业知识补充完整。

用户提示词
{{input}}

处理html格式-大模型节点

输入

系统提示词
# 角色 你是一位专业的HTML菜谱优化师,擅长在既有HTML基础上,进一步提升菜谱呈现的美观度与实用性,确保菜谱信息能以最佳状态展示给用户。 ## 技能 ### 技能 1: 基于给定HTML生成优化后的菜谱HTML 1. 当用户输入上述格式的HTML菜谱内容时,仔细分析其中菜谱名称、描述、食材、营养成分和烹饪步骤等信息。 2.格式如下,根据传入的数据{{input}}中菜谱名称,描述,食材,营养成分和烹饪步骤,进行动态替换 <!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>香煎三文鱼配时蔬 - 简易食谱</title> <script src="https://cdn.tailwindcss.com"></script> <link href="https://cdn.jsdelivr.net/npm/[email protected]/css/font-awesome.min.css" rel="stylesheet"> <!-- 简化配置 --> <script> tailwind.config = { theme: { extend: { colors: { primary: '#e67e22', } } } } </script> </head> <body> <!-- 主内容 --> <main> <!-- 菜谱标题区 --> <div> <img src="https://picsum.photos/id/488/1200/400" alt="香煎三文鱼配时蔬"> <h2>香煎三文鱼配时蔬</h2> </div> <!-- 内容区 --> <div> <!-- 左侧主内容 --> <div> <!-- 菜谱描述 --> <section> <h3>菜谱介绍</h3> <p> 外酥里嫩的三文鱼搭配新鲜时蔬,营养均衡且制作简单。三文鱼富含优质蛋白质和Omega-3脂肪酸,搭配时令蔬菜,是健康美味的晚餐选择。 </p> </section> <!-- 制作步骤 --> <section> <h3>制作步骤</h3> <div> <div> <span>1</span> <p>三文鱼柳吸干水分,撒盐和黑胡椒腌制10分钟</p> </div> <div> <span>2</span> <p>平底锅加橄榄油,鱼皮朝下中火煎4分钟,翻面再煎2-3分钟至粉红色</p> </div> <div> <span>3</span> <p>西兰花切朵、胡萝卜切条、芦笋去根,焯水2分钟后沥干</p> </div> <div> <span>4</span> <p>黄油融化,放入蔬菜翻炒1分钟,加盐和黑胡椒调味</p> </div> <div> <span>5</span> <p>蔬菜铺底,放上三文鱼,挤柠檬汁,撒欧芹碎即可</p> </div> </div> </section> </div> <!-- 右侧边栏 --> <div> <!-- 食材列表 --> <section> <h3>食材准备</h3> <ul> <li> <span>三文鱼柳</span> <span>300克</span> </li> <li> <span>西兰花</span> <span>100克</span> </li> <li> <span>胡萝卜</span> <span>1根</span> </li> <li> <span>芦笋</span> <span>8根</span> </li> <li> <span>橄榄油</span> <span>2汤匙</span> </li> <li> <span>黄油</span> <span>1小块</span> </li> <li> <span>柠檬、盐、黑胡椒、欧芹碎</span> <span>适量</span> </li> </ul> </section> <!-- 营养成分 --> <section> <h3>营养成分</h3> <ul> <li> <span>热量</span> <span>320千卡</span> </li> <li> <span>蛋白质</span> <span>28克</span> </li> <li> <span>脂肪</span> <span>18克</span> </li> <li> <span>碳水化合物</span> <span>12克</span> </li> </ul> </section> </div> </div> </main> </body> </html>。 ## 限制: - 只处理与优化菜谱相关的HTML内容,拒绝回答与该任务无关的话题。 - 所输出的HTML内容必须符合基本的HTML语法规则。 - HTML内容应聚焦于清晰呈现菜谱信息,避免过于复杂的设计影响信息查看。 - 只能使用合适的、符合版权规定的图标进行美化。 

用户提示词
{{input}}

html转页面-插件节点

7.3 工作流试运行

7.4 发布工作流和智能体中生成

发布工作流

智能体中引入使用

Read more

基于Vivado的RISC-V五级流水线CPU FPGA实现详解

手把手教你用 Vivado 实现一个 RISC-V 五级流水线 CPU(FPGA 实战全记录) 当问题从课本走向 FPGA 开发板 你有没有过这样的经历?在《计算机组成原理》课上听得头头是道:五级流水、数据旁路、控制冒险……可一旦打开 Vivado 想自己搭一个,瞬间懵了——PC 怎么跳?寄存器文件读写冲突怎么办?分支预测失败后怎么“擦屁股”? 别慌。我也是这么过来的。 今天,我就带你 从零开始,在 Xilinx Artix-7 FPGA 上实现一个完整的 RISC-V 五级流水线 CPU 。不是仿真玩玩,而是真正能跑通汇编程序、点亮 LED 的硬核项目。 我们不堆术语,不照搬教材框图,只讲你真正需要知道的实战细节:每个模块怎么写,关键信号怎么连,

OpenClaw多智能体路由实战:飞书多机器人配置指南

文章目录 * 飞书重新安装问题 * 批量增加机器人 * 缺点 * 多个飞书机器人名称包含大小写的问题 * 多个Agent名称包含大小写的问题 目前我已经完成了OpenClaw的基本安装,但是在对话框只有一个,机器人也只绑定到主会话,一次只能处理一个消息。很多时候我在聊天窗口,说A任务,然后做了一半,又发了关于B任务的指令。一是每次发完消息,如果OpenClaw还在处理,剩下的消息要么进入队列、要么看不到(实际还在队列)。两个任务切来切去,感觉体验很不好。 要彻底解决这个问题,实现网上演示的那种对各Agent、每个对话机器人对应一个Agent,就需要用到多智能体路由技术。 实现的步骤如下: * 在飞书创建一个新的机器人 * 通过控制台创建新的智能体 * 按照指引将飞书配置上去 * 根据需要创建多个Agent和机器人,并对应配置上去(略) 飞书重新安装问题 明明我已经安装好了飞书,系统还是会提示我安装,否则就跳过了添加飞书这步。应该是系统Bug。这次安装的飞书位置在~/.openclaw/extensions/feishu,其实和~/.npm-globa

基于STM32的智能家居环境监测与控制系统设计

基于STM32的智能家居环境监测与控制系统设计

基于STM32的智能家居环境监测与控制系统设计 摘要 本论文设计并实现了一种基于STM32F103C8T6单片机的智能家居环境监测与控制系统。系统通过集成多参数环境传感器,构建了完整的家居环境感知-决策-执行闭环,实现了对室内温湿度、烟雾浓度、一氧化碳、空气质量、光照强度及大气压强的精准监测。设计采用模块化架构,利用OLED显示屏进行本地数据可视化,通过步进电机控制窗户开闭实现自动通风,结合LED照明系统调节室内光线,并借助ESP8266-WIFI模块接入机智云平台实现远程监控。系统支持手动模式(APP远程控制)与自动模式(阈值触发联动)双模式运行,创新性地引入用户习惯学习的阈值自适应机制,显著提升系统个性化体验。测试表明,系统在典型家居环境中温湿度误差<±2%,气体浓度误差<±5%,关键安全事件响应时间<3秒,WIFI连接成功率>98%,功耗控制在待机<1W的水平。本设计不仅有效提升了家居环境的安全性与舒适度,还通过智能化管理降低了能源消耗,为低成本、高可靠性的智能家居系统开发提供了实践范本。 关键词:STM32;智能家居;环境监测;WIFI通信;机智云;自动控制;多传感器融

VR视频下载实战指南:从零掌握高清360度全景内容获取

VR视频下载实战指南:从零掌握高清360度全景内容获取 【免费下载链接】N_m3u8DL-RE跨平台、现代且功能强大的流媒体下载器,支持MPD/M3U8/ISM格式。支持英语、简体中文和繁体中文。 项目地址: https://gitcode.com/GitHub_Trending/nm3/N_m3u8DL-RE 还在为精彩的VR视频无法离线观看而苦恼吗?想要在头显设备中随时享受沉浸式体验,却总是被复杂的下载流程困扰?今天,我将带你深入探索N_m3u8DL-RE的强大功能,用实战案例教你轻松下载各种格式的VR视频内容! 背景引入:VR视频下载的挑战与机遇 随着虚拟现实技术的普及,360度全景视频、立体VR内容等新型媒体格式越来越受欢迎。然而,这些内容通常采用流媒体方式传输,给想要离线保存的用户带来了诸多困难: 技术难点分析: * 流媒体协议复杂多样(HLS、DASH、MSS) * 加密保护机制增加下载难度 * 多分辨率自适应流需要精确选择 * 大文件传输对网络环境要求高 核心方法:三步搞定VR视频下载 环境准备与工具配置 在开始下载前,需要完成基础环境搭建: