随着大模型技术的发展，越来越多的技术开始涌现，从聊天助手，到智能体，再到工作流，最后到三者的整合。大模型技术朝着更加智能化、通用化、个性化的方向发展，为人们的生活和工作带来了更多的便利和创新。
今天，手把手教大家如何通过Coze零代码搭建一个智能搜索智能体，能够根据你的关键词，自动进行全网搜索，筛选出最相关的内容，并进行智能总结，给出参考链接，提升你信息收集的效率，高时效、保姆级！比较肝，建议先收藏！
一、Coze介绍
1.1 什么是Coze
**扣子是新一代 AI 应用开发平台。**无论你是否有编程基础，都可以在扣子上快速搭建基于大模型的各类智能体，并将智能体发布到各个社交平台、通讯软件或部署到网站等其他渠道。
1.2 Coze的功能特性
-
- 灵活的工作流设计：
-
• 扣子工作流可处理逻辑复杂且稳定性要求高的任务流。
-
• 提供大量灵活可组合节点，如大语言模型 LLM、自定义代码、判断逻辑等。
-
• 无论有无编程基础都可通过拖拉拽方式快速搭建工作流，例如创建搜集电影评论工作流、撰写行业研究报告工作流。
-
- 无限拓展的能力集：
-
• 扣子集成丰富插件工具，拓展智能体能力边界。
-
• 官方插件：扣子官方发布多款能力丰富插件，包括资讯阅读、旅游出行、效率办公、图片理解等 API 及多模态模型，可直接添加到智能体中，如使用新闻插件打造 AI 新闻播音员。
-
• 自定义插件：扣子平台支持创建自定义插件，可将已有 API 能力通过参数配置方式创建插件让智能体调用，也可发布到商店供其他用户使用。
-
- 丰富的数据源：
-
• 扣子提供简单易用知识库功能管理和存储数据，支持智能体与用户自己的数据交互。
-
• 内容格式：知识库支持文本、表格、照片格式数据。
-
• 内容上传：知识库支持 TXT 等本地文件、在线网页数据、Notion 页面及数据库、API JSON 等多种数据源，也可直接在知识库内添加自定义数据。
-
- 持久化的记忆能力：
-
• 扣子提供方便 AI 交互的数据库记忆能力，可持久记住用户对话重要参数或内容。
-
• 例如创建数据库记录阅读笔记，智能体可通过查询数据库提供更准确答案。
二、什么是智能体
在介绍如何搭建智能体之前，让我们了解一下什么是智能体。
所谓智能体，是基于大型语言模型构建的智能实体，它具备感知、规划、推理、学习、执行和决策等智能行为特征，能够自动化地完成包括文本生成、对话交互、语言翻译、数据分析、预测分析在内的多种复杂任务，显著提升工作效率，为人类创造更便捷、智能的生活方式。
三、智能体搭建
接下来，手把手教大家如何在Coze上搭建一个属于自己的智能搜索智能体。
2.1 工作流创建
2.1.1 认识工作流界面
首先进入到Coze的官网，点击左侧的「工作空间」，然后点击「资源库」，再点击右上角的「资源」，选择工作流。
然后输入工作流名称，我这里输入的是info_collection，也可以是其他的；输入工作流描述，我这里是调用各种搜索引擎，搜索相关信息。然后点击确认完成创建
在工作流界面上，左侧有不同的节点，如：插件、大模型、代码、知识库、工作流等等。其中：
-
•
插件：可以通过API和外部数据与系统进行交互，能够增强模型能力。 -
•
大模型：顾名思义，就是大模型，基于大量不同的数据进行训练，具有强大的通用基础知识。 -
•
代码：可以通过代码来处理一个流程中的数据 -
•
知识库：可以理解为大模型的外挂知识库，可以有效解决模型的幻觉问题。
2.1.2 添加搜索插件
首先，让我们来为工作流添加几个搜索插件，点击左侧的「插件」：
在弹出的窗口中，勾选上「仅显示官方插件」
在左侧文本框输入「必应搜索」，并点击「添加」。
然后再输入「头条搜索」，点击「添加」
输入「头条新闻」，点击「添加」
输入「抖音视频」，点击「添加」
这样，我们的工作流就有了四个搜索来源了，节点名字分别是bingWebSearch, search, getToutiaoNews, get_video，如果感兴趣的话，还可以继续添加。将「开始」节点和刚才添加的四个搜索节点进行链接：
点击具体的搜索节点，分别设置每个搜索节点的输入参数，首先是bingWebSearch：
然后是search：
然后是getToutiaoNews：
最后是get_video：
2.1.3 添加代码插件
在每个搜索节点执行完之后，我们需要将这几个搜索节点结果中的url合并起来，用来爬取其中的内容。这里，我新建了一个「代码」节点，用来合并搜索节点的结果。
在左侧选择「代码」，点击+号，即可添加一个「代码」节点
将「搜索」节点和「代码」节点进行连接：
点击「代码」节点，设置它的输入参数，其中每个条目具体的参数如下：
-
•
bing_result：data/webPages/value -
•
search_result: data/doc_results -
•
toutiao_result: news -
•
videl_result: data/list
然后选择「在IDE中编辑」：
在顶部将语言切换为「Python」:
输入下面代码：
async def main(args: Args)->Output:
params = args.params
bing_result = params['bing_result']
search_result = params['search_result']
toutiao_result = params['toutiao_result']
video_result = params['video_result']
result = []
if bing_result is not None:
for item in bing_result:
if item == None:
continue
result.append(item["url"])
if search_result is not None:
for item in search_result:
if item == None:
continue
result.append(item['url'])
if toutiao_result is not None:
for item in toutiao_result:
if item == None:
continue
result.append(item['url'])
if video_result is not None:
for item in video_result:
if item == None:
continue
result.append(item['link'])
ret ={
"key": result
}
return ret
同时修改「输出」参数，如下所示：
2.1.4 爬取网页结果
现在，我们拿到了不同搜索节点获取到的链接，接下来，我们添加一个「链接读取」插件，来获取网页内容。
同样，还是在左侧点击「插件」，选择「链接读取」，并点击「添加」。
添加完之后，可以在工作流中看到对应的插件（链接读取），节点名字为LinkReaderPlugin。连接「代码」节点和「LinkReaderPlugin」：
点击「LinkReaderPlugin」，设置一些参数。因为我们是一次传入一批url链接到「链接读取」插件，所以在参数设置中，选择「批处理」，如下所示：
上面的设置中，不同条目的设置如下：
-
• 批处理：
-
•
item：选择代码节点的输出 -
• 输入：
-
•
url：选择LinkReaderPlugin->item
2.1.5 过滤爬取结果
可能会因为各种原因，网络爬虫无法对每条url都返回结果，这些无法爬取的url的结果在返回的时候是None（空），不太方便后面批量处理，因此我们需要对上面「链接获取」节点的输出结果进行过滤。再次添加一个「代码节点」，并修改名称为「结果过滤」，并和「链接获取」节点连接：
设置「代码」节点的输入为「链接获取」节点的输出，如下所示：
然后修改语言为Python，代码如下：
async def main(args: Args)->Output:
params = args.params
link_result = params['link_result']
content = []
for item in link_result:
try:
content.append(item['data']['content'])
except:
continue
return content
同时修改「输出」：
2.1.6 网页内容总结
每个网页的结果数众多，我们不可能从头看到尾，因此需要用大模型对结果进行总结。在工作流界面左侧点击「大模型」，添加一个大模型，并链接上一节的「代码」节点。
同样，大模型也需要进行批处理，下面是设置参考：
2.1.7 结果汇总
现在，我们一共有这些信息：
-
url
-
title
-
content总结
但是这些信息分散在不同的节点。下面，我们新建一个「代码」节点将这些汇总起来，如下所示
代码节点的参数配置如下：
具体代码如下：
async def main(args: Args)->Output:
params = args.params
link_result = params['link_result']
link_list = params['link_list']
model_result = params['model_result']
assert len(link_list) == len(link_result)
result = []
for item1, item2 in zip(link_result, link_list):
try:
title = item1['data']['title']
link = item2
result.append({
"link": link,
"title": title,
})
except:
continue
assert len(model_result) == len(result)
for i in range(len(result)):
result[i]["content"] = model_result[i]['output']
ret ={
"key": result
}
return ret
2.1.8 输出结果
将上面「结果合并」节点和最终的「结束」节点连接
并修改「结束」节点的输出，如下图所示：
2.1.9 发布
至此，一个工作流就创建完成了，可以点击右上角的试运行：
输入关键词，运行一下看看：
如果没有问题的话，可以看到「结束」节点的输出结果，在我的工作流里，一共有27个结果，每个结果包含：内容、链接、标题。
然后点击发布：
就可以在「资源库」页面看到我们创建的工作流了：
接下来，我们可以创建一个智能体，来使用这个工作流了。
2.2 智能体创建
2.2.1 创建
在Coze点击左侧的「工作空间」，选择「项目开发」，然后点击「创建智能体」，输入智能体名称和图标，点击「确认」，即可完成智能体创建。
2.2.2 配置
下面是智能体的配置，需要修改地方有：
-
•
人设与回复逻辑 -
•
工作流 -
•
开场白 -
•
开场白预置问题
如下图所示：
其中，人设与回复逻辑如下：
# 角色
你是一个专业且高效的信息收集专家，能够快速准确地搜集各类相关信息，并以清晰的方式呈现给用户。
## 技能
### 技能 1：确定信息主题与范围
1.当接收到信息收集任务时，明确信息的具体主题及范围。
2.调用 info_collection 工作流，获取关键词对应的搜索结果。
### 技能 2：整理与汇总信息
1.对收集到的每一条信息进行细致整理，按照以下格式呈现：
-标题：<title>
-内容：<content>
-链接：<link>
## 限制
-只收集与给定主题高度相关的信息，坚决摒弃不相关内容。
-输出内容必须严格按照规定格式组织，不得偏离要求框架。
-不得减少结果条数。
- 信息汇总务必保持客观、准确，严禁加入任何主观臆断。
2.2.3 大模型配置
因为我们主要是做信息搜集，不需要大模型有太强的发散能力，所以需要修改一下大模型的参数。
点击顶部的大模型，将其设置为「精确模式」
至此，一个智能体就搭建完成了。
四、和智能体交互
接下来，让我们向智能体提问几个问题，看看效果如下：
4.1 问题：什么是智能体
在对话框输入：什么是智能体？
可以看到智能体会调用我们刚才创建的工作流进行信息搜索，并且也可以看到搜索的结果。
然后智能体会将信息进行总结，并按照规定的格式输出，并且每条结果所附的链接也是完全准确的！
五、总结
本文从介绍什么是Coze、什么是智能体，到工作流搭建、智能体搭建，手把手教你搭建了一个能够自动搜集全网信息的智能体，提高你的信息搜集效率，提升你的信息搜集体验，同时也避免了广告的困扰！如果对此类教程感兴趣的话，欢迎Mark～后续会持续更新！
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！
在这个版本当中：
第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
五、AI产品经理大模型教程
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
扫一扫
480
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
