手把手教你搭建coze插件

番茄小酱001

于 2025-08-01 17:29:29 发布

阅读量779

点赞数 24

CC 4.0 BY-SA版权

分类专栏：大模型文章标签： python 自然语言处理

本文链接：https://blog.youkuaiyun.com/m0_61343119/article/details/149835974

大模型专栏收录该内容

2 篇文章

订阅专栏

一、coze插件

插件算是 Coze Bot 中很常用工具，看着虽然不起眼，但是在 Bot 中也起着举足轻重的位置，Coze 插件简单来说就是一组根据需求获取外部数据的工具。

目前 Coze 的插件商店中提供官方和非官方两种，其实大多数应用场景中我们运用商店中的插件就已经能够满足，但对于个性化数据的获取却有一些麻烦，这就需要我们自己来自定义插件了。

自定义插件有两个类型：

1、基于已有服务的插件，意思是在已经发布了的插件中进行调试，常用于核心插件提供的数据内容不变，但输出的字段和格式有调整。

2、在Coze IDE中创建，这个选项意思是新创建一个插件，在Coze提供的IDE中进行编辑。

二、创建插件

第一种 - 基于已有服务的插件

1、这里我们以OCR功能为例，本地开发OCR功能：

这里具体代码以及模型选用，请转至我的另一篇文章

好啦~ 这里我们已有发布云服务器后的接口地址

2、接下来让我们一起配置coze

（1）令牌的创建

扣子
授权方式-我这里是不需要授权

（2）因为插件是不能工作的，所以我们要【创建工具】

点击【确认】后，我们就进入到下面这个页面，点击【创建工具】

（3）注意：

【工具名称】-- 英文名称，且后面会直接加入到请求URL中

【工具描述】-- 如果有到模型，是给模型的prompt，要写详细

（4）接下来就可以【编辑工具】

填写我们接口需要的入参、以及传参的形式(相当于接口文档)

（5）编辑好后，我们就可以试运行了，只运行通过后才可以点击发布哦~

ENDING ~ ~

第二种 - 在Coze IDE中创建

（1）和上面一样，创建完插件以后还需要创建工具

（2）编写插件代码

完成工具构建后，我们就可以进行插件代码编写了：

代码详情：

import os
from openai import OpenAI
from typing import TypedDict
import json  # 添加导入json模块

class Input(TypedDict):
    api_key: str
    image_url: str

class Output(TypedDict):
    text: str
    error_message: str

def handler(args) -> Output:
    try:
        # 从输入参数中获取 API 密钥和图像 URL
        api_key = args.input.api_key
        image_url = args.input.image_url

        # 创建 OpenAI 客户端实例
        client = OpenAI(
            api_key=api_key,  # 使用传入的 API 密钥
            base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",  # 指定 Base URL
        )

        # 调用 qwen-vl-plus 模型进行图像识别
        completion = client.chat.completions.create(
            model="qwen-vl-plus",  # 模型名称
            messages=[{
                "role": "user",
                "content": [
                    {"type": "text", "text": "这是什么"},  # 提问，问图像内容
                    {"type": "image_url", "image_url": {"url": image_url}}  # 传入图像 URL
                ]
            }]
        )

        # 打印返回的内容，检查其结构
        result = completion.model_dump_json()
        print("Model response:", result)

        # 将返回的字符串转换为字典
        result_dict = json.loads(result)

        # 获取 content 内容
        text = result_dict.get("choices", [{}])[0].get("message", {}).get("content", "无法获取识别结果")

        return {"content": text}

    except Exception as e:
        return {"error_message": str(e)}  # 如果发生错误，返回错误信息

上述代码调用了阿里云百炼平台的 qwen-vl-plus 模型，识别传入图片的内容，并返回识别到的文字说明。

总的来说做了以下几件事：