“扣子”开发之一：“扣子”初体验

从爆火的AI聊天apps中发现豆包，从认识豆包了解到火山引擎，从探索火山引擎又接触到“扣子”，从熟悉“扣子”到进入AI应用开发，一路就这么走来了。

什么是“扣子”呢？

“扣子”的英文名叫Coze，这个名字大概同时匹配了其中英文的发音，也同时契合了扣子的目标功能定位。
扣子是新一代 AI 应用开发平台。它是字节跳动公司基于火山引擎（也就是字节跳动提供互联网云服务的平台）和豆包大模型而推出的，供用户定制开发各种AI应用的平台。核心特征：
第一、扣子是个开发平台；
第二、用扣子开发的是AI应用，包括智能体和功能更为全面的AI应用。

什么是智能体？

简单理解就是电脑虚拟人。由于有了AI大语言模型，电脑可以学习到至今所有的人类知识，能够理解普通人的话（自然语言），然后根据它学习到的知识与人对话，回答普通人的任何问题，包括普通常识和专业知识，攘括一切已知的能公开搜集到的人类知识。正是因为能够与人通话，又具有所有的人类知识，所以电脑就变成了一个虚拟的人！
这个虚拟人比普通的真人强大得多。它并不仅仅是一个电脑程序，它背后是全世界最先进的机器学习算法和计算能力，像字节跳动、阿里、百度，以及国外的OpenAI、Google、Tesla等，都是全球最顶尖的大公司，花了巨额的资金，建设了最先进的AI云计算中心，搜集了互联网至今所有的人类知识，才训练出了各种大语言模型，并提供了大语言模型的服务平台，开发了各种AI聊天apps，包括ChatGPT和豆包。普通人见到的聊天apps就是智能体的典型。

为什么要开发智能体？

既然有这么多聊天apps，为什么还要开发其他的智能体呢？顶尖AI公司开发的聊天apps是通用于所有人的，但现实社会存在着各行各业，有千千万万的公司，更有亿万人民的丰富多彩彼此不同的生活。人们工作和生活的各个不同方面，都有特殊的更贴合这些方面的事务内容和形式，千千万万的人也有不同的风格，它们需要更专注于某个特定方面的工具，需要有不同的服务呈现方式，换句话说就是，人们需要形式更为丰富的定制的虚拟人。

为什么叫“扣子”？

本质上，虚拟人都是基于大语言模型开发的，大语言模型虽然有很多种，但主流的总归也就那么几种。虚拟人的工作模式都是背靠大语言模型，区别只是选择不同的模型，专注于特定的方面，用不同的语气风格说话，亦或者，用图片或3D动画呈现出一个人的形象来，可以修饰发型，穿上虚拟的衣服，做些虚拟的动作。。。等等，总之就是装扮出一个人的形象。不管是可见的虚拟人形象，还是不可见的程序给你回答文字、语音、图片等内容，开发智能体的本质都是对大语言模型进行包装、打扮，就像是给一个人穿衣服，扣扣子，于是“扣子”这个名字就应运而生了。
英文名“Coze”首先是对中文名发音的模拟，其次它也是从code这个词变形而来，code可作名词表示代码，也可作动词表示编码，代表编程，代表开发，确实就很贴合“扣子”作为AI应用开发平台的功能定位。
这一段纯属我个人的揣测，官方并未明确解释。不过这么理解，应该更能把握扣子的功能定位，有利于后续理解和发挥扣子的各种操作方法。

智能体与AI应用的区别

智能体就是虚拟人，它的表现形式主要是听话（接受输入，包括文字、语音、图片等），理解（利用大语言模型进行推理），和说话（输出，根据人的要求输出文字、语音、图片等，甚至包括视频）。比说话进一步的是，虚拟人可以在电脑系统内（包括电脑、平板、手机等）执行搜索、播放音乐、视频，设置闹钟等等这些“电脑能做的事情”，目前主要就是这些。如果再进一步，AI很快会跟物联网结合，比如在家里自动帮你开关灯，开关窗帘，让家门口的摄像头自动守护和报警，让洗衣机自动洗衣服烘干等等，现在可能有些电器已经能分别做到这些，以后都跟家里的AI管家联动起来，就真的有了“智能管家”，这些都还在发展中，应该会很快了。
总之，扣子平台上的智能体开发，就是这种以“听话、理解、说话”为主要特点的简单AI应用。开发这类应用非常简单，甚至根本不需要写代码，你直接跟平台“说”就可以了，告诉它怎么设置，需要哪些组件，有哪些要求，选什么风格等等，普通人就能做得到，对信息技术有点了解的人操作起来就更轻松。
除了简单的以AI对话模式为主的智能体开发外，前面已经提到，社会上还有各行各业，有千千万万的公司，它们都有各自的业务。在AI时代，这些业务都需要进行AI赋能，进行流程再造。而这些流程比简单的说话肯定复杂得多，它们的输入内容有不同形式和规模，比如大型的数据库，特殊行业的巨量音视频库等；它们的处理流程可能涉及多个环节多种不同身份的人，它们的输出也可能有更复杂的内容、形式和规模等等，总之它们需要更复杂的应用。扣子平台也对开发这类复杂应用进行了支持，这类应用就是真正的，或者说一般意义上的AI应用了。

用扣子开发第一个智能体

接下来我就开始动手了，尝试开发第一个智能体，以获得直观体验。
首先参照 官方指南 https://www.coze.cn/docs/guides/welcome 进行基本操作，创建了智能体后的界面如下：

界面分为三个栏目，左边栏是“人设与回复逻辑”的编排栏，中间栏是“技能”设计——各种工具调用，右边栏是"预览与调试”。
默认的编排模式是“单Agent”，Agent是什么意思？不清楚，但是官方指南中有这么一句话："智能体默认采用单 Agent 模式，即通过一个智能体独立完成所有任务。当需要搭建更复杂、功能更全面的智能体时，可选择多 Agent 模式。你可以为不同的 Agent 配置不同的提示，将复杂的任务分解为一组更简单的任务，而不是在一个智能体的提示中设置所有的判断条件和使用限制。”如果简单理解的话，应该就相当于单任务系统与多任务系统的区别，或者说，是一个虚拟人为你服务，还是多个虚拟人同时为你服务。具体先不管它了，体验下再说。

“人设与回复逻辑”下方有个小箭头，点击它后会拉伸出提示标签，这里有很多选项栏（称为“模板”），可以左右移动看到更多的类型提示，鼠标悬浮在某个类型标签上会弹出具体的解释和一个命令按钮“插入提示词”，点击它，就会出现类似注释的提示：

官方指南中有个“夸夸机器人”的例子可供参考。填写完这些提示后，可以点击“优化”按钮，让大模型帮你优化刚填写的提示词。官方“建议在人设与回复逻辑中指定模型的角色、设计回复的语言风格、限制模型的回答范围，让对话更符合用户预期。” 我的理解，这个“人设与回复逻辑”的定义实际上就是跟大模型交互时输入给大模型的提示词（prompt），给大模型细化了问题描述，明确了生成回答时的具体要求，实际就是对提示词的包装，是附加在真正的“用户输入”前面的一般性要求，每轮对话的输入信息中都包括了这部分提示。

第一次测试

完成人设和回复逻辑的设定之后，就算是定制了一个智能体了，就这么简单。马上在右侧的“预览与调试”栏的下方提问，试试效果。下面就是我定制的第一个智能体的第一次测试：

果然，结果印证了我的理解和推测，就是附加了提示词，给了大模型更明确的指示。
简单扼要做到了，5条建议做到了，其他几条要求暂时还未体现出来，可能跟问题的内容有关系吧。
但是有个问题很明显，每次回答都是5条建议，直愣愣的来5条，这个感觉不爽。所以我就修改了下，在输出格式中加入了“首先要对我的提问要有礼貌的回应，然后给出三到五条建议”的要求，再试：

好像并没有产生效果啊，怎么改才行呢? 调整了下输出格式要求中的语句顺序，再试：

问题的关键核心是抓住了，顺序做了调整，但礼貌性回应还是没有啊，尝试着再调整下人设：

还是不理想，再来调整输出格式要求，再试：

无效啊?有点困扰了，这不是我跟豆包对话时的那种印象啊！怎么才能做得到呢？来试试“优化”？

哦，不对，不是直接点击右上角的“优化"按钮，而是要先选中提示语，然后再点击浮动出来的这个“优化”按钮：

给出的优化建议是这样的：它在输出格式得要求种加了一句“并且可以适当加入一些幽默元素”，其他基本没变，这就是“优化”！

点击“替换”按钮，替换提示词，然后再试，但结果还是不理想，没有明显变化。而且还有个问题，如果在优化弹窗中连续地对话，它会失掉目标，脱离了前面的提示词这个中心，变成了纯粹的一问一答，信马由缰了，看来功能还不成熟啊！
我准备放弃，做个结论：“人设和回复逻辑”采用自然语言定义，仅仅只是补充提示词，并不容易达到预期目的；而且“优化”功能也不成熟，效果不好！

关于技能

1）可以在中间的“技能”栏下找到想要的技能来扩展智能体的能力，有很多其他人预定义的插件可以调用，还可以自定义插件，如果做得好，也可以将自定义插件分享给其他人使用。
2）知识库和记忆功能都很有用，知识库相当于提供自己定义数据或文件规范，让智能体从其中选择然后形成回答，是一种范围约束，用大语言模型的术语来讲，这就叫“精调”，用专业知识训练大模型；记忆功能就是把对话过程中的重要信息记录到存储系统中，后面可以查询。
3）角色语音选择很有趣，可以选跟角色定位贴近的语音，选择很多，可以先试听，然后选择自己喜欢的就行；
4）对话体验里面的开场白、用户问题建议、背景图片等都是辅助性的细节，根据需要选择。
上面4条中，我觉得硬核的“技能”是前两条吧，也就是插件、知识库、记忆这三种技能是真正很有用的，第三条语音选择好玩，第四条是辅助补充。

“技能”要用起来，也需要在提示词中进行明确，增加一组关于技能的说明。
但是我设定好技能的提示语后，尝试着问答，经过多轮并未得到满意的答复，也未见技能被调用，是哪里出了问题呢? 有没有客服支持啊，我这种探索很费时，关键是根据官网指南并不能立竿见影啊！

原来在每个页面的右下角有个助手图标，只露了半个头，不容易发现：

点击它，弹出一个助手页面，也是问答形式，它就是个智能体，下面是求助过程：

这就无解了啊，它根本不看我的现场，只通过语言沟通哪里说得清楚?!
官方指南上还提供了另外两种帮助途径，一个是加入交流群，一个是发邮件：

如果扣子助手不能解决你的问题，你可以加入交流群，在社区中和其他开发者展开讨论；也可以发送邮件至feedback@coze.cn，反馈你的问题，扣子团队会尽快回复你。

好吧，都试试！
交流群是个微信群（编号177了，看来有很多群)，我加入的时候里面有147个人(确定里面有权威回答吗?) 管它三七二十一，先问一把再说，邮件也同时发了。

但是过了很久答复还没来，我自己继续试吧！鉴于后面几个回答它都是在设置定时安排，为什么会这样呢？观察了下，刚才选插件时，顺便把“允许用户在对话中创建定时任务”选项勾选了，去掉了这个选项，回答就改善多了，也调用了抖音的插件：

这次回答好多了。没搞懂，就算我勾选了“允许用户在对话中创建定时任务”选项，也不能每次答复都只设定时器吧？！

关于调试

打开右侧预览与调试栏上的“调试”按钮（小扳手图标），可以打开“调试详情”页面：

默认是显示最后一轮问答的调试信息，我们可以把鼠标放在每一轮的回答上面，本轮回答信息下面就会出现几个功能按钮，包括“调试”，点击这个调式按钮，就会显示本轮问答的调试信息，这个就很好用了，赞一个！
在“调用树”这张图上，可以选择具体的某一个步骤，点击，下面就会出现该步骤的详细调用数据，包括了输入输出的详细参数和时间信息：

好用，这个必须夸！通过对调试信息解读，可以进一步明确地总结：
1）智能体的开发主要是通过为大模型定制输入提示词，然后调用大模型来实现；
2）在调用大模型之外，还可以扩展很多的API接口，调用外部功能，称为插件，插件大大扩展了智能体的能力；
3）从调用树来看，首先是调用豆包大模型；然后调用扩展插件，根据定制的情况，以我的测试用例来说，依次调用了头条新闻、抖音视频，以及数据库读写接口；最后扣子平台自己又把前面的多轮问答内容组成一个提示词，自己又问了豆包大模型一个建议型问题；为什么是这样的四轮调用?暂时还没搞明白，有待继续研究；
4）在调用豆包大模型时，消息体中携带了对话上下文中多轮的问答内容，其中最开始的部分就是我们在编排栏中输入的提示词，这也就证实了我开头的猜测：所谓的“人设与回复逻辑”其实就是每一轮对话都要携带的提示词的第一个部分，它对大模型进行提示和限定，从而让大模型的回答更贴近我们的设计目的——也就是人设，这就是智能体设计的本质。而技能部分则是通过插件来外扩的功能，它丰富了智能体的能力表现。

以上就是我对在扣子平台开发智能体的初体验。