【文心智能体】使用文心一言来给智能体设计一段稳定调用工作流的提示词

优质文章学习记录

— 10 min read
【文心智能体】使用文心一言来给智能体设计一段稳定调用工作流的提示词
🌹欢迎来到《小5讲堂》🌹
🌹这是《文心智能体》系列文章，每篇文章将以博主理解的角度展开讲解。🌹
🌹温馨提示：博主能力有限，理解水平有限，若有不对之处望指正！🌹
在这里插入图片描述

目录

前言

文心一言已经升级到版本为4.5 Turbo和X1 Turbo，效果应该会比之前会更加好，那就用TA来生成一段智能体提示词吧，来看看效果如何。

在这里插入图片描述

智能体信息

名称

职业卡通形象生成器

简介

一键生成专属职业卡通头像，趣味职场新形象！

人设

work_to_head是工作流名称。

# 角色设定 你是一个「职业卡通形象生成器」，专门将用户的职业名称转化为可爱的卡通形象。你的核心能力是通过插件 `work_to_head` 生成符合职业特征的卡通图片。 # 规则1.**输入必须为职业名称**（如"消防员"、"程序员"、"教师"）。 2. 如果输入内容不是职业名称或无法识别，必须拒绝请求并给出友好提示。 3. 禁止回答与职业卡通形象无关的问题。 # 交互流程1. 用户输入后，首先判断是否为有效职业名称： - 如果是 → 调用插件 `work_to_head` 生成卡通形象。 - 如果不是 → 触发以下回复： "请输入真实的职业名称哦！比如：护士、画家、工程师～（*´▽`*)ﾉ"2. 插件调用成功后，返回卡通形象图片，并附带一句职业特征描述： "为您生成【XX职业】的卡通形象：阳光笑容+职业工具+标志性服装～"# 语气风格 活泼可爱，带有表情符号和颜文字，例如： "程序员卡通来啦！(＞ω＜)/ 黑框眼镜+咖啡杯+格子衫标配～"

开场白

开场文案

告诉我你的职业，马上变卡通！🚀

开场白问题
生成一个【消防员】的卡通形象！🚒👨‍🚒
帮我画一个【插画师】的可爱卡通！✏️🖌️
来个【程序员】的卡通形象！👓💾
想要一个【魔法师】的卡通版！✨🔮
能不能生成一个【美食博主】的卡通？🍕🎤

工作流

这里为什么要使用工作流，有个小技巧。
目的之一是使用工作流的消息能够让智能体快速响应，从而让智能体通过质量分析达到百度搜索分发效果。

在这里插入图片描述

消息节点

这个消息节点费用灵活好用，可以在工作流的任意环节插入，会在工作流节点流程过程中，即时响应消息，让用户能够第一时间感知智能体正在操作。

在这里插入图片描述


在这里插入图片描述


消息节点输出效果

在这里插入图片描述

文本处理节点

其实这里可以使用大模型节点，博主这里为了让节点执行的更快，直接使用了固定文本+用户输入文本来组合输出一段新的文本。
目的是直接使用这一组合文本作为生成图片的提示词。

在这里插入图片描述

插件节点

使用插件节点里的官方图片处理插件【AI绘画助手】

在这里插入图片描述


固定高宽度输出，并且是1张图片数量。
用户的图片描述-query，就是上一个文本处理节点的值。

在这里插入图片描述

图片消息节点

博主这里同样使用了消息节点，直接根据图片Markdown格式输出。
其实如果后面没有其他节点了，直接在结束节点输出也是可以的。

在这里插入图片描述

输出效果

体验地址：https://mbd.baidu.com/ma/s/MXVhinsx

在这里插入图片描述


在这里插入图片描述

小技巧

博主这里使用文心一言输出一段创建智能体的小技巧。

在这里插入图片描述

一、结构化框架设计

1. 角色定位+任务拆解

  • 示例
    你是一位专业的旅游规划师，需根据用户输入的旅行天数、预算、偏好（如自然风光/人文历史），生成包含行程安排、交通建议、住宿推荐的3日杭州旅行方案。
  • 分析
  • 明确角色（旅游规划师）与任务（生成行程方案）
  • 细化用户需求维度（天数、预算、偏好），确保输出精准

2. 四要素公式法

  • 公式
    角色 + 背景 + 目标 + 行动要求
  • 示例
    你是一位小红书运营专家，用户希望推广一款国货美妆产品。目标是在3天内提升产品曝光量至10万+，需生成3篇符合平台调性的文案，包含产品卖点、用户痛点、互动话题，并附上相关话题标签。
  • 分析
  • 通过角色（小红书运营专家）与背景（推广国货美妆）明确场景
  • 目标（曝光量10万+）量化需求
  • 行动要求（文案内容、标签）细化执行标准

二、多轮对话优化

1. 分步骤引导

  • 示例
    第一轮：用户输入旅行天数与预算，生成基础行程框架。
    第二轮：根据用户反馈的偏好（如自然风光），细化每日行程，推荐景点与交通方式。
  • 分析
  • 通过分步骤提示词，将复杂任务拆解为多个子任务
  • 降低智能体理解难度，提升输出质量

2. 示例参考法

  • 示例
    参考以下案例生成回复：

用户：推荐杭州适合拍照的景点。
AI：西湖十景中的断桥残雪、雷峰塔，以及灵隐寺的黄墙青瓦，均为高人气拍照点。建议清晨或傍晚前往，光线更柔和。

  • 分析
  • 提供示例可帮助智能体理解回复风格与内容结构
  • 减少输出偏差

三、细节强化技巧

1. 输出格式标准化

  • 示例
    生成的产品推广文案需包含以下结构：

标题（15字内，突出产品核心卖点）
正文（分3段，首段痛点引入，中段产品功能解析，尾段引导互动）
话题标签（#国货之光 #美妆推荐）

  • 分析
  • 通过格式化要求，确保智能体输出符合平台规范
  • 提升内容可用性

2. 专业术语与风格

  • 示例
    你是一位法律顾问，回复需使用专业术语（如‘不可抗力’‘合同解除’），风格严谨客观，避免口语化表达。
  • 分析
  • 针对特定领域（如法律、医学），需明确术语与风格要求
  • 提升回复权威性

四、避免常见误区

1. 模糊需求导致输出偏差

  • 反例
    帮我写一篇文章。
  • 优化
    写一篇关于“人工智能在医疗领域的应用”的科普文章，面向普通读者，字数800字，需包含案例与未来展望。
  • 分析
  • 模糊需求易导致智能体输出偏离预期
  • 需细化主题、受众、字数、内容要求等

2. 过度复杂导致理解困难

  • 反例
    生成一篇涵盖历史、文化、经济、科技等多维度的杭州旅行攻略，要求语言优美、逻辑清晰、数据准确。
  • 优化
    生成一篇杭州3日旅行攻略，包含历史景点（如西湖、灵隐寺）、美食推荐（如东坡肉、龙井虾仁）、交通指南（地铁/公交路线），语言简洁实用。
  • 分析
  • 过度复杂的需求易导致智能体输出混乱
  • 需拆解维度并明确优先级

相关文章

【文心智能体】使用文心一言来给智能体设计一段稳定调用工作流的提示词

【文心智能体】使用免费满血版DeepSeek模型创建智能体，用一句话来生成背景图，来看看是如何实现的

【文心智能体】通过工作流使用知识库来实现信息查询输出，一键查看旅游相关信息，让出行多一份信心

【文心智能体】通过低代码工作流编排创建应用《挑战奥运问答拿奖牌》

【文心智能体】梗图七夕版，一分钟让你看懂如何优化prompt，以及解析低代码工作流编排实现过程和零代码结合插件实现过程，依然是干货满满，进来康康吧

【AI人工智能】文心智能体，00后疯感工牌生成器，低代码工作流的简单应用以及图片快速响应解决方案，干货满满，不容错过哦

【文心智能体】前几天百度热搜有一条非常有趣的话题《00后疯感工牌》，看看如何通过低代码工作流方式实现图片显示

【文心智能体】通过工作流使用知识库来实现信息查询输出，一键查看旅游相关信息，让出行多一份信心

Read more

利用快马平台ai快速构建imtoken钱包交互原型，验证核心交易流程

最近在做一个区块链相关的项目，需要验证钱包应用的核心交互流程。大家都知道，像imToken这样的主流数字钱包，核心就是资产管理、交易签名和DApp交互。如果从零开始搭建完整的区块链测试环境，再开发一个钱包前端来验证逻辑，那周期可就太长了。正好，我最近在尝试用InsCode(快马)平台来做快速原型开发，发现用它来构建一个模拟imToken钱包的Web应用原型，效率出奇的高。整个过程基本不需要手动配置环境，思路验证起来非常快。 我的目标是构建一个具备核心功能的Web应用原型，重点验证几个关键交互点：钱包界面展示、模拟交易签名、以及一个简化的DApp连接演示。下面我就把整个构建思路和实现过程梳理一下，也算是个人的一次实践记录。 1. 项目目标与功能拆解 首先，我明确了原型需要验证的四个核心功能模块。第一是钱包主界面，需要清晰展示虚拟的账户余额、资产列表（比如模拟ETH、USDT等）和近期的交易记录。这个界面是用户最直观感知的部分，设计上要简洁，信息层级要分明。第二是交易功能，用户需要能输入一个模拟的“收款地址”和“转账金额”，然后触发一个模拟的签名流程，并给出明确的成功或失败反馈。第三
移动端也能玩转！OpenClaw iOS/Android 端部署教程，语音唤醒 + 全场景随身 AI 助手

移动端也能玩转！OpenClaw iOS/Android 端部署教程，语音唤醒 + 全场景随身 AI 助手

一、背景与价值：随身AI助手的刚需场景 随着大语言模型技术的普及，全场景AI助手的需求日益增长——无论是通勤途中的语音笔记、户外场景的实时翻译，还是离线环境下的知识查询，移动端随身AI都能解决传统桌面AI的场景局限。OpenClaw作为一款轻量级、可离线运行的开源AI框架，支持语音唤醒、多模态交互等核心功能，完美适配iOS/Android双平台部署，为用户打造真正的随身AI助手。 二、核心原理：OpenClaw移动端部署的技术逻辑 OpenClaw的移动端部署核心是将轻量化大语言模型（如Qwen-2-0.5B-Instruct）、语音唤醒模型（如PicoVoice Porcupine）与移动端推理引擎（如MLKit、TensorFlow Lite）进行整合，实现三大核心流程： 1. 低功耗语音唤醒：通过本地运行的轻量唤醒模型监听关键词，避免持续调用麦克风导致的高功耗； 2. 本地推理加速：利用移动端硬件加速（NNAPI、Core ML）运行量化后的大语言模型，实现离线交互； 3. 跨平台适配：通过Flutter或React Native统一代码底座，同时适配iOS的沙箱

Stable-Diffusion-3.5资源消耗分析：FP8版GPU使用实测报告

Stable-Diffusion-3.5资源消耗分析：FP8版GPU使用实测报告 1. 引言：为什么关注FP8版SD 3.5？ 如果你正在使用或者考虑使用Stable Diffusion 3.5来生成图片，那么有一个问题你肯定绕不开：它到底有多“吃”显卡？ 最近，Stable Diffusion 3.5的FP8版本镜像在ZEEKLOG星图镜像广场上线了。这个版本最大的卖点，就是通过一种叫做“量化”的技术，在保证图片质量基本不变的前提下，大幅降低了模型对GPU显存的需求，并且提升了生成速度。 听起来很美好，对吧？但实际效果到底怎么样？用起来到底能省多少显存？速度能快多少？生成的图片质量会不会打折扣？ 为了回答这些问题，我进行了一次详细的实测。这篇文章，就是一份关于Stable-Diffusion-3.5-FP8镜像的GPU资源消耗实测报告。我会用最直白的数据和对比，告诉你这个优化版本的真实表现，帮你判断它是否值得一试。 2. 测试环境与方法 在展示结果之前，我先交代一下测试的“考场”和“考题”，确保结果的参考价值。
LLaMA-Factory 入门（一）：Ubuntu20 下大模型微调与部署

LLaMA-Factory 入门（一）：Ubuntu20 下大模型微调与部署

参考链接： 目录 * 简介 * 安装 * 启动 * 微调 * 完整导出 * 评估 * 对话 简介 LLaMA-Factory 是一个面向大语言模型（LLM）的高效训练与微调框架，专为简化 LLaMA 系列以及各类开源大模型的训练流程而设计。它以“开箱即用、灵活高效”为核心理念，提供从数据准备、参数高效微调（PEFT）、训练配置管理到模型部署的一站式解决方案。 LLaMA-Factory 支持多种主流模型架构（如 LLaMA、Qwen、Gemma、Mistral 等），并集成了 LoRA、QLoRA、AdaLoRA、Prompt Tuning 等多种轻量化训练技术，使开发者能够以极低成本在单卡或多卡环境下完成高质量模型微调。 该框架提供直观易用的命令行工具与 Web UI，适配从科研实验到生产级应用的多场景需求。通过结构化的配置体系、完善的训练监控以及可扩展的数据加载管线，LLaMA-Factory 让大模型训练变得更加透明、可控且易于维护。