【 AI Agent | Coze智能体 】

摘要：本文围绕 Coze 平台展开，介绍其个人空间、Bot 创建等核心功能，详解提示词设计要素及方法，阐述 RAG 知识库构建流程，说明工具调用原理与插件使用，助力用户高效搭建智能 Bot。

1.熟悉Coze平台

1 – 个人空间

是你在 Coze 的 "专属工作台"，用来存储和管理自己创建的 Bot、插件、工作流等资源，还能区分个人 / 团队空间，方便分类整理和权限管理。

2 – 创建 Bot

是 Coze 的核心功能入口，支持零代码快速构建 AI-Bot：只需设置 Bot 的名称、人设（、选择模型（如 GPT-4o / 豆包），就能生成专属智能体，还能搭配知识库、插件增强能力。

3 – 资源库

相当于 Bot 的 "补给站"，为 Bot 提供数据、工具等资源：比如上传文档生成的知识库（让 Bot 懂专业内容）、自定义的提示词模板、工作流模板等，这些资源可以跨 Bot 复用。

4 – 插件商店

是 Bot 的 "功能扩展市场"，为 Bot 提供各类扩展能力：如 "网页搜索" 插件让 Bot 联网查信息、"图像生成" 插件让 Bot 画图片 "天气查询" 插件让 Bot 查实时天气，也能使用第三方或自定义插件。

5 – 作品社区

是 Coze 的 "Bot 展示平台"，可以发现 / 分享优秀的 Bot 作品：能直接使用别人发布的 Bot，也能把自己的 Bot 公开到社区，相当于 Bot 的开放交流广场。

2.Prompt提示词入门

 深入文章：【 AI | 提示词工程与多轮对话记忆 】_提示词实现智能体多轮对话-CSDN博客

这是 "提示词的 4 个关键要素"，是设计 AI 提示词时的核心框架，具体包括：

• 角色定位：明确 AI 的身份，帮它建立专业形象（如 "你是一名科普博主"）。
• 技能描述：给出清晰目标，让 AI 知道要做什么（如 "用通俗语言解释量子力学"）。
• 输出格式：规定结构化的回复要求，确保输出规范（如 "分 3 点说明，每点不超过 50 字"）。
• 约束条件：限制不当行为，保证回复安全合规（如 "避免使用专业术语，不涉及敏感内容"）。

2.1 角色定位

好的角色定位：要明确 3 个维度

1. 职业身份：精准到具体职业 + 经验（比如 "15 年经验的职场 HR"）
2. 专业领域：限定擅长的细分能力（比如 "处理敏感人际关系问题"）
3. 性格特征：明确沟通风格（比如 "温和、专业、善于共情"）

差的角色定位：模糊、泛化比如只说 "你是一个助手"，这样 Bot 的回复会缺乏针对性，不够专业。

简单说，角色定位的关键是把 Bot "具体化"—— 像描述一个真实的专业人士一样定义它，它就能给出更贴合需求的回应。

2.2 技能描述

技能描述的核心：让 Bot 明确 "具体要做什么"，描述越清晰，Bot 的执行越精准，通过对比能更直观理解：

好的技能描述：要包含 3 个关键信息

1. 核心任务：明确具体功能（比如 “生成高情商的职场回复”）
2. 适用场景：限定使用范围（比如 “老板批评、同事冲突等场景”）
3. 输出要求：说明交付形式（比如 “给出 3 种不同风格的回复方案”）

差的技能描述：模糊、无细节比如只说 “帮用户回答问题”，既没说回答什么类型的问题，也没说怎么回答，Bot 很难给出贴合需求的结果。

简单讲，技能描述的关键是把任务 "具象化"—— 像给执行者下明确指令一样，说清 "做什么、在什么场景做、做成什么样"，Bot 才能精准完成任务。

2.3 输出格式

输出格式的核心逻辑：明确告诉 Bot "输出成什么样"，格式越具体，结果越符合预期，通过对比能清楚看到差异：

• 好的输出格式：要给 Bot 明确的 “结构 + 细节要求”比如指定输出包含 “情况分析（50 字）+ 回复建议（3 条、每条 30 字）+ 完整范文（150 字）”，既规定了内容模块，也限定了篇幅，Bot 能精准按框架输出。

• 差的输出格式：模糊无约束像 “随便回复就行” 这种描述，Bot 的输出会没有固定结构，内容长度、模块都不确定，很难匹配实际使用需求。

简单说，输出格式的关键是给 Bot “标准化指令”—— 把你想要的内容结构、篇幅、模块都明确列出来，Bot 就能按你的预期交付规整的结果。

2.4 约束格式

约束条件的核心作用：给 Bot 设置行为边界，避免偏离预期或出现问题，主要分为两类约束：

• 内容约束：限定 Bot 能说什么、不能说什么比如避免敏感话题（政治、宗教）、不使用冒犯性语言、不提供未经证实的信息，相当于给内容划 “红线”，保证回复合规、可靠。

• 风格约束：限定 Bot 的沟通语气比如要求语气 “诚恳但不卑微”、避免过度道歉、保持专业性，让 Bot 的表达风格始终贴合设定的角色定位。

简单讲，约束条件是 Bot 的 “行为规则”—— 通过明确禁止项和风格要求，让 Bot 的回复既安全合规，又符合场景调性。

3.在Coze中使用提示词

3.1 提示词分类

系统提示词

• 定义：是给 Bot 设定的底层规则（一切前提），包含角色定位 + 回复逻辑。
• 位置：在 Agent 的 "人设与回复逻辑" 模块中提前设置（属于 Bot 的 "初始化配置"）。
• 作用：持续影响整个会话的响应模式—— 不管用户问什么，Bot 都会基于这个设定的身份和逻辑来回复，是 Bot 的 "基础性格和能力框架"。

用户提示词

• 定义：是用户在对话过程中，直接输入的具体指令或内容。
• 位置：在聊天对话框中实时输入。

3.2 设计提示词

1. 直接编写

• 特点：根据自身业务需求自主撰写提示词，提示词的清晰度、明确性直接决定智能体回复的匹配度。
• 核心逻辑：越精准的指令，越能让智能体输出符合预期的内容。

2. 提示词模版

• 特点：Coze 针对不同业务场景（如职场沟通、文案创作等）提供预设的提示词模板，支持直接使用或参考模板修改。
• 核心逻辑：降低提示词编写门槛，适配常见场景的标准化需求。

3. AI 自动生成

• 特点：通过自然语言描述需求（如 “帮我写一个职场 HR 的提示词”），由大语言模型自动生成或优化提示词。
• 核心逻辑：借助 AI 简化提示词创作流程，适合不熟悉提示词编写的用户。

一般采用 直接编写+AI调优 方法书写提示词

3.3 实际使用

1.系统提示词与用户提示词分区

2.查看提示词库，结合AI调优，书写提示词

3.书写系统提示词与用户提示词案例

4.用户提示词输入与智能体输出

4.RAG知识库的构建

深入文章：【 Spring AI | RAG 知识库核心讲解 】_spring-ai rag应用-CSDN博客

RAG 是 检索增强生成（Retrieval-Augmented Generation）的缩写，是一种结合 “知识检索” 和 “语言生成” 的 AI 技术，核心是解决大模型的 “幻觉问题”（比如编造不存在的信息）。

它的工作流程分 3 步：

1. Retrieve（检索）：把用户的问题（Query）转换成向量（通过 Embedding 模型），再去向量数据库里匹配相关的真实信息（Context）。
2. Augment（增强）：把检索到的真实信息和原问题一起放进提示词（Prompt）里。
3. Generate（生成）：让大模型（LLM）基于这些真实信息，生成准确的回答。

简单说，RAG 相当于给大模型 “配了个实时知识库”，既保留了大模型的语言表达能力，又让回答更精准、不瞎编。

4.1 文档准备

为提升知识库的可用性，需对资料进行预处理：

1. 清理无关内容（如广告、水印）；
2. 按主题分类整理；
3. 文件命名规范（包含关键信息）。

4.2 文档切片

文档切片的核心目的：适配大语言模型的上下文长度限制，同时让检索更精准、高效。

主要切分方式

切分方式	具体说明
按字符数切分	固定长度（如每 300 字一段）
按符号切分	依据句号、换行符、感叹号等标点分割
按语义切分	识别主题变化点，智能拆分内容

常用选择方式：通常会结合符号和字符长度切分，每段控制在 200-500 字

• 长度过短：上下文不完整，会降低检索准确性；
• 长度过长：包含过多无关信息，会干扰检索判断。

4.3 文档向量化

一、文档向量化的定义

把切分后的文本片段，通过 AI 模型（Embedding 模型）转化为由数字组成的向量（[0.8, 0.6]），让文本的语义信息以数值形式呈现。

二、核心原理（以示例说明）

比如针对 “盲僧 Q 技能” 这个问题：

• 问题会被转化为一个向量（如[0.8, 0.6, ...]）；
• 相关文档（如 “盲僧出装”）也会转化为对应向量（如[0.7, 0.5, ...]）；
• 机器通过计算向量之间的距离 / 夹角，判断问题与文档的语义相似度（示例中 “盲僧 Q 技能” 和 “盲僧出装” 的向量更接近，相似度更高）。

三、向量化的作用

1. 语义理解：让机器能 “读懂” 文本的含义（而非仅识别文字）；
2. 相似度计算：通过向量数值对比，快速判断问题与文档的关联程度；
3. 快速检索：向量可存储在专门的向量数据库中，能高效匹配到最相关的文档片段。

4.4 Coze中使用RAG

1.找到对应位置

2.点击创建知识库

3.编辑知识库基础信息

4.上传对应的知识库数据

5.创建设置

1.文档解析策略

分为两种模式，适配不同需求：

解析模式	特点与适用场景	提取内容选项
精准解析	提取图片、表格等元素，耗时较长，适合复杂文档	图片元素、扫描件 OCR、表格元素
快速解析	仅提取纯文本，效率高，适合纯文字文档	无多媒体元素提取

2.分段策略

用于将文档拆分为适配模型的片段：

分段方式	说明
自动分段与清洗	按预设规则自动分段并预处理
自定义	可手动设置分段规则、长度等
按层级分段	依据文档层级结构（如标题层级）拆分

3.配置存储策略

提供两种存储方式：

存储方式	特点
平台共享存储	平台默认存储，便捷通用
云搜索服务	独立资源存储，数据隔离性强

5.分段预览

符合要求，下一步

6.Coze自动向量转换数据并存储

7.知识库使用成功

5.工具调用

深入的文章：【 Langchain4j | 使用AI大模型开发应用 】_langchan4j-CSDN博客

5.1 工具调用的定义与作用

大模型结合外部解决问题：

• 大模型负责 "判断是否需要调用外部工具" "匹配哪个外部函数 / API"；
• 外部工具（函数 / API）负责 "执行具体任务、获取数据"；
• 最终由大模型基于外部工具返回的结果，生成最终回答。

5.2 工作原理

---

5.3 Coze中使用工具调用

大模型是否调用插件，取决于插件描述：模型会读取插件的功能描述，判断其是否匹配当前任务需求，进而决定是否触发调用。

一、插件分类体系（按提供方划分）

插件类型	提供方	特点与使用方式
官方插件	Coze 平台	包含免费、付费插件（部分付费插件有免费额度）
第三方插件	开发者	同样涵盖免费、付费类型，由外部开发者提供
自定义插件	自身创建	可集成任意所需 API，适配个性化功能需求

二、常见插件类别（按功能划分）

插件按功能可覆盖多类场景：

1. 信息查询：如搜索、新闻、天气、地图等；
2. 数据分析：如股票、汇率查询，图表生成等；
3. 内容创作：如图片生成、视频编辑等；
4. 效率工具：如邮件、日历管理，翻译、计算器等；
5. 生活服务：如美食、旅游推荐，购物辅助等。

1. 书写使用插件（工具调用）的触发提示词

2. 创建/添加插件

3.使用成功

5.4 自定义插件

---

---

---

---