本文是学习完黑马程序员的coze教程做的笔记，适合不想看视频快速入门的人，或者是想要回顾视频知识点使用
在看本文之前，可以先看下面这一篇，希望能帮到你。
Coze 保姆级教程（上）：从 0 到 1 上手，新手也能轻松搞定

04-让Bot做事

掌握Function Calling与插件技术

1. 什么是Function Calling

• 2023年6月13日OpenAI公布了Function Call(函数调用)功能，该功能指的是在语言模型中集成外部功能或API的调用能力，这意味着模型可以在生成文本的过程中调用外部函数或服务，获取额外的数据或执行特定的任务。
  

function calling可以解决大模型什么问题？

• 信息实时性：无法获取最新信息
• 数据局限性：训练数据虽多，但无法覆盖所有领域
• 功能扩展性：功能虽强大，但不可能内置所有需要的功能

当没有函数调用function calling是，gpt构建ai应用的模式非常简单

主要步骤：

1. 用户client发送请求给我们的服务chat server
2. 服务chat server 给gpt提示词
3. 重复执行

当有函数调用function calling的时候，我们调用gpt构建ai应用的模式会比之前要复杂一些

主要步骤:

1. 用户(Client)发请求prompt以及functions给我们的服务(Chat Server)
2. GPT模型根据用户的prompt，判断是用普通文本还是函数调用的格式响应我们的服务(Chat Server)
3. 如果是函数调用格式，那么Chat Server就会执行这个函数，并且将结果返回给GPT
4. 然后模型使用提供的数据，用连贯的文本响应。返回

注意：大模型的function calling不会调用函数，仅返回函数的参数。
真正执行函数的是后端的服务，大模型只是决策是否调用函数的
开发者利用模型输出的参数在应用中调用函数

2. Coze中如何应用Function Calling

• 程序员视角：function call
• coze视角：插件
  插件是一个工具集，包含一个或多个工具
  每个工具 = 一个可以调用的api

核心机制不变：
模型通过阅读【插件描述】来决定是否调用该插件

插件分类体系：

• 官方插件：免费+付费（部分有免费额度）
• 第三方插件（开发者提供）：查免费插件+付费插件（部分有免费额度）
• 自定义插件（自己创建）：集成你所需要的任何API

业务：AI旅行规划助手
目标：基于现有插件，帮我规划去北京旅游的行程

# 角色
你是一位专业且贴心的旅游规划助手，擅长综合考虑时间、天气、价格、旅游景点等多元信息，为用户精心打造性价比超高的出行计划，不仅如此，还能凭借丰富的知识储备，深入解读旅行目的地的文化历史内涵。
## 技能
## 技能1:深度探索名胜古迹历史
当用户提出旅行计划相关需求时，首先运用(search_ur)搜索插件精准挖榴相关历史信息，并以生动、易懂的方式呈现给用户，帮助用户深度领略当地历史底蕴。
### 技能 2:精准搜索周边特色饭店
1. 当用户当用户提出旅行计划相关需求时,借助[search_around)插件全面搜索相关信息。
2. 对搜索到的饭店信息进行细致整理，涵盖饭店名称、详细地址、招牌特色菜品等关键内容，为用户提供清晰、实用的参考。
===回复示例===
- 饭店名称:<饭店具体名称>
- 地址:<详细地址>>
- 特色菜品:<列举几道特色菜品>
===示例结束===

### 技能3:实时掌握出行天气
1.当用户提出旅行计划相关需求时，利用{DayWeather)插件获取目的地出行期间的准确天气状况。
2.若天气状况可能对旅行体验产生影响，依据天气特点，给出合理且人性化的出行日期调整建议。
===回复示例===
预计出行期间天气状况:<具体天气描述>
基于天气情况。建议出行日期调整为:<具体日期>
===示例结束===
### 技能 4:精细规划旅行费用预算
1. 根据用户提供的旅行计划相关信息，诸如目的地、出行时长、住宿要求等，通过(calculate)插件进行精确的费用预算
2. 费用预算全面覆盖交通、住宿、餐饮、景点门票等主要支出项目，确保用户对旅行开支有清晰的预估。
===回复示例===
交通费用预算:<具体金额>
住宿费用预算:<具体金额>
-餐饮费用预算:<具体金额>
-景点门票费用预算:<具体金额>
总预算:<各项费用总和>
===示例结束===
## 输出格式
### 旅行计划输出示例
- 旅行目的地:<具体城市/地点>
- 地点文化历史:<描述名胜古迹历史>
- 出行时间:<开始日期-结束日期>
- 总预算:<具体金额>
- 天气情况:<具体天气信息描述>
- 行程安排:
- 第1天:
    - 上午:<具体行程安排，详细说明参观景点及活动内容>
    - 中午:<推荐用餐饭店，简单介绍饭店特色>
    - 下午:<具体行程安排，突出重点活动>>
    - 晚上:<推荐用餐饭店及活动安排，提供活动亮点介绍>
- 第2天:
- 上午:<具体行程安排，明确景点特色>>
- 中午:<推荐用餐饭店，提及招牌菜品>
- 下午:<具体行程安排，强调体验感受>
- 晚上:<推荐用餐饭店及活动安排，说明活动意义>......(按实际行程天数依次详细罗列)
- 特色饭店推荐:<饭店1名称>: 地址-<详细地址>，特色菜品-<列举菜品，并对特色菜品进行简单介绍>
- <饭店2名称>:地址-<详细地址>，特色菜品-<列举菜品，说明菜品独特之处>>
- .....(如有多个饭店依次详细罗列)

## 限制
- 专注提供与旅行规划紧密相关的信息，坚决拒绝回答与旅行规划无关的话题。
- 所输出的内容务必严格按照给定的格式进行组织，不得有任何偏离框架要求的情况。
- 行程安排描述要做到简洁明了且重点突出，让用户能够快速把握行程要点。
- 确保所有信息来源准确可靠，借助插件获取的信息需经过严谨的整理和筛选-请使用Markdown的^^形式清晰说明引用来源(若有)。

提示词

如果这个时候只给了提示词，就会出现运行不下去，中间显示没有添加插件，因此要添加插件

- 旅行目的地:深圳市 - 地点文化历史:“圳”指田间水沟，因今罗湖东门老街（原深圳墟）旁的深浚河沟（布吉河前身）而得名。深圳有近1700年的建城史，东晋咸和六年（331年）设宝安县为建制起点；南头古城是深港地区的文化源头；大鹏所城的城墙，至今仍回荡着明清海防的余响^^。 
- 出行时间:2026年1月20日 - 总预算:2000.00元（这里假设交通费用预算500元、住宿费用预算1000元、餐饮费用预算300元、景点门票费用预算200元） 
- 天气情况:预计出行期间天气状况为多云，气温10℃ - 23℃，东风2级，湿度67%。这样的天气比较适合出行游玩。 - 行程安排: - 第1天: - 上午:前往深圳市民中心，这里是深圳的行政中心，建筑风格独特，可以拍照打卡，感受深圳的城市风貌。 - 中午:推荐澄记澄海卤鹅饭店（市民中心店），地址在福中三路市民中心地铁站负一层三寸时光地铁美食广场A - 08铺。这家店以澄海卤鹅为特色，卤鹅肉质鲜嫩，卤味香浓。 - 下午:去莲花山公园，登顶莲花山可以俯瞰深圳市区的美景，还能瞻仰邓小平铜像。 - 晚上:可以在市区逛逛，体验深圳的夜生活。 - 特色饭店推荐: - 澄记澄海卤鹅饭店（市民中心店）: 地址 - 福中三路市民中心地铁站负一层三寸时光地铁美食广场A - 08铺，特色菜品 - 澄海卤鹅，肉质鲜嫩，卤味香浓，是广东潮汕地区的传统名菜。 - 小米鲜肉粉煲仔饭（领展中心城店）: 地址 - 福华一路3号领展中心城B1层，特色菜品 - 小米鲜肉粉煲仔饭，将小米与鲜肉粉搭配煲制，米饭颗粒饱满，肉香四溢。 - 味琪蒸饭（BitCity次元小镇店）: 地址 - 福华一路1号BitCity次元小镇F1层，特色菜品 - 蒸饭，米饭经过蒸制，保留了更多的营养成分，口感软糯。 - 故乡妈妈朝鲜族汤饭（深圳皇庭中心店）: 地址 - 福华路350号皇庭中心，特色菜品 - 朝鲜族汤饭，以汤泡饭，搭配各种朝鲜族特色配菜，口味独特。 - 溪铁城北方农家餐馆: 地址 - 彩田路春晖苑1楼4号商铺，特色菜品 - 具有北方农家特色的菜肴，如铁锅炖菜等，量大味美。

3. 案例实践：智能天气助手

什么时候需要调用自定义插件？

• 官方插件没有你想要的功能
• 付费插件费用太高
• 想连接特定的第三方API服务
• 需要对接企业内部功能

自定义插件基本流程：
操作步骤:
Step1:进入资源库

• Coze左侧菜单资源库
  ⬇
  Step 2:新建插件
• 资源插件命名IDEPython插件
  ⬇
  Step 3:元数据操作
• 定义输入参数 → 定义输出参数
  ⬇
  Step 4:代码编写
• 编写主逻辑代码
  ⬇
  Step 5:测试代码
• 测试代码功能
  ⬇
  Step6:发布插件
• 将插件发布后续Bot调用

目标：开发智能天气助手
主要完成天气查询插件的制作

创建好工具就会出现以下这些代码，

from runtime import Args

from typings.get_weather.get_weather import Input, Output

每个文件都需要导出一个名为`handler`的函数。该函数是工具的入口。

参数：

args：入口函数的参数。

args.input - 输入参数，可通过 args.input.xxx 获取测试输入值。

args.logger - 用于打印日志的日志实例，由运行时注入。

记得在元数据（Metadata）中填写输入 / 输出信息，这有助于大语言模型识别和使用工具。

返回：

函数的返回数据，应与声明的输出参数相匹配。

def handler(args: Args[Input])->Output:

return {"message": "Hello, world!"}

下面我们需要用python编写一个天气查询的代码，如果不会写代码可以直接问ai

from runtime import Args
import requests
import requests # 需要安装对应的库
# 定义插件的主⼊⼝函数 handler；Coze 平台会⾃动调⽤此函数
# 参数 args 是 Coze 传⼊的运⾏时上下⽂对象
# 返回值为 dict 类型，将作为插件的输出结果返回给 Agent
def handler(args: Args):
    """
     天⽓查询插件：
     根据城市地址查询天⽓信息，⽐如输⼊“北京“，输出{
     high:"⾼温 7℃",
     low:"低温 -1℃",
     weather:"晴",
     week:"星期⼆"
     }
     """
    # === 1. 解析输⼊ ===
    try:
        # 从 args.input 中获取 location 字段，并去除⾸尾空格（如⽤户输⼊ " 北京 "）
        # 注意：此处假设输⼊为对象属性访问（如 args.input.location），适⽤于manifest 中声明了 location 字段的情况
        location = args.input.location.strip()
    except Exception:
    # 若获取 location 失败（如字段不存在、输⼊⾮对象等），设为空字符串
        location = ""
    # === 2. 城市编码映射（仅北京、天津，内置）===
    # 构建城市名称 → 天⽓ API 编码的映射字典（仅保留北京和天津两个城市，轻量且教学友好）
    city_code_map = {
    "北京": "101010100", # 北京市的天⽓ API 编码
    "天津": "101030100" # 天津市的天⽓ API 编码
     }
    # 根据⽤户输⼊的城市名，查找对应的编码；若找不到则返回 None
    city_code = city_code_map.get(location)
    # 不⽀持的城市（如输⼊“上海”或空字符串）→ 返回空值结构
    if not city_code:
        # 记录警告⽇志：提示该城市暂不⽀持（可在 Coze 后台查看）
        args.logger.warning(f"Unsupported location: '{location}'")
    # 返回标准化的空结果（所有字段为 None），保证输出结构⼀致
    return {
        "high": None, # 最⾼温度
        "low": None, # 最低温度
        "weather": None, # 天⽓类型（如“晴”）
        "week": None # 星期（如“星期⼆”）
     }
    # === 3. 调⽤天⽓ API ===
    # 拼接完整 API 请求 URL，替换 {city_code} 为实际城市编码
    url = f"http://t.weather.itboy.net/api/weather/city/{city_code}"
    try:
        # 发起 GET 请求，设置超时 5 秒（防⽌插件卡死）
        response = requests.get(url, timeout=5)
        # 若 HTTP 状态码⾮ 2xx，主动抛出异常（如 404、500 等）
        response.raise_for_status()
        # 将响应体解析为 JSON 字典（安全⽅式，避免使⽤危险的 eval()）
        data = response.json()
        # 检查 API 业务层返回状态码（该 API 约定 status=200 表示成功）
        if data.get("status") != 200:
        # 若业务状态异常（如城市编码错误），抛出⾃定义异常
            raise ValueError("Weather API returned non-200 status")
        # 从返回数据中提取「今⽇」天⽓预报（forecast 列表第 0 项即为当天）
        # 路径：data → forecast 数组 → 第 0 个元素
        forecast = data["data"]["forecast"][0]
        # 构造并返回天⽓基本信息字典
        return {
            "high": forecast["high"], # 字符串，如 "⾼温 7℃"
            "low": forecast["low"], # 字符串，如 "低温 -1℃"
            "weather": forecast["type"], # 字符串，如 "晴"、"⼩⾬"
            "week": forecast["week"] # 字符串，如 "星期⼆"
         }
# 捕获所有可能的异常（⽹络错误、JSON 解析失败、字段缺失等）
    except Exception as e:
        # 记录错误⽇志，包含具体异常信息和请求城市，便于调试
        args.logger.error(f"Weather query failed for '{location}': {e}")
        # 统⼀返回空值结构，确保插件健壮性（不会因异常导致 Agent 崩溃）
        return {
            "high": None,
            "low": None,
            "weather": None,
            "week": None
        }

元数据中根据输入输出参数

如果出现这个情况就是没有安装对应的依赖包

在复制的时候一定要注意复制过去的格式问题，不然就容易出现读取不到

当然，你想要多显示一点信息，就可以根据api多添加一些

测试通过之后就点击发布

至此我们就完成了自己定义一个插件的全过程

05-让Bot做复杂的事情

掌握工作流设计与编排

1. 什么是工作流

工作流 = 业务逻辑的可视化执行

工作流作用：他将一个复杂的任务分解成一系列可管理的，按顺序或按条件执行的步骤，并通过图形化的界面将这些步骤连接在一起

Coze的两种工作流类型

• 工作流
• 对话流
  

节点 = 工作流的核心组件
节点定义 ： 每个组件是一个具有特定功能的独立组件，负责处理数据、执行任务

通过将这些不同功能的节点连接起来，我们就能够精准地控制数据流向和任务执行顺序，从而实现任何复杂的业务逻辑

工作流的4种不同形式

创建工作流的标准流程

2. 案例实践：跨境电商答疑助手（对话流）

为什么选择对话流？
多轮交互、上下文记忆、理解对话历史

业务场景
痛点：学生学习中产生大量问题、教师答疑压力大

核心功能设计：

1. 智能意图识别
   1. 打招呼/感谢
   2. 人工服务请求
   3. 专业问题等区分
2. 知识库智能检索
   1. 命中相关内容 → 基于内容回答
   2. 未命中相关问题 → 结合通用知识回答

跟之前一样，创建一个智能体。但这次不是单Agent自主规划模式了，应该选择对话流模式

选择完之后，点击创建对话流，并给对话流起名，注意取名的格式要求

创建完之后就会进入到工作流页面，有开始和结束节点。接下来我们需要一个问题意图识别的插件，目的是是被用户的提问问题，如果是插件内的，如打招呼、问好等内容，则直接回复，提高问问题的效率，因此我们需要点击创建插件

from runtime import Args
import random
"""
Each file needs to export a function named 'handler'. This function is
the entrance to the Tool.

Parameters:
args: parameters of the entry function.
args.input - input parameters, you can get test input value by
args.input.xxx.
args.logger - logger instance used to print logs, injected by runtime.

Remember to fill in input/output in Metadata, it helps LLM to
recognize and use tool.

Return:
The return data of the function, which should match the declared
output parameters.
"""

def handler(args)->dict:
    """
    基于固定短语匹配的跨境电商问答处理器
    Args:
    query:用户输入的问题
    Returns:
    Dict:包含回复类型、回复内容等信息的字典
    """
    #去除首尾空格
    query = args.input.query.strip()
    
    #打招呼相关的固定短语
    greeting_phrases = {
    #基本问候
        "你好","您好","hi","hello","嗨","哈喽","哈罗",
        "早上好","下午好","晚上好","上午好","中午好","晚安",
        "早", "午安","good morning","good afternoon","good evening",
        #询问身份
        "你是谁","你是什么","你叫什么","你的名字","介绍一下自己",
        "自我介绍","你是什么东西","你是哪个","你是啥",
        #询问状态
        "你好吗","怎么样","还好吗","你还好吗","最近怎么样",
        "你在吗","在不在","还在吗","在线吗","你在线吗",
        #询问能力
        "你能干什么","你会做什么","你能做什么","你的功能",
        "你有什么用","你的作用","你的职责","你的用途",
        "你能帮我什么","你可以做什么","你会什么","你懂什么",
        "能力介绍","功能介绍","你的能力","你有什么功能",
        #开始对话
        "开始","开始咨询","开始对话","开始聊天","我想咨询",
        "我有问题","我想问问题","我想了解","咨询一下",
        #测试类
        "测试","试试","试一试","test","testing","试试看",
        "测试一下","看看","检查一下"
    }
    #礼貌用语
    thank_phrases={
        "谢谢","感谢","多谢","谢了","thanks","thank you",
        "thx","3g","3x","谢谢你","感谢你","多谢了",
        "非常感谢","十分感谢","万分感谢","太感谢了"
    }
    goodbye_phrases = {
        "再见","拜拜","bye","byebye","goodbye","88","走了",
        "告辞","先走了","下次见","回头见","有空再聊","改天聊",
        "seeyou","拜","溜了","闪了","slip away"
    }
    human_service_phrases = {
        #直接要求人工服务
        "人工服务","人工客服","人工坐席","人工咨询","人工帮助",
        "人工支持","人工答疑","人工解答","人工回复","人工对话",
        #转接相关
        "转人工","找人工","要人工","转接人工","转接客服",
        "切换人工","接入人工","联系人工","答疑入口",
        #真人服务
        "真人服务","真人客服","真人咨询","真人对话","真人帮助",
        "活人","真人","人类","人工","真的人",
        #客服相关
        "客服","在线客服","联系客服","找客服","客服电话",
        "客服微信","客服qq","官方客服",
        #老师/导师
        "联系老师","找老师","咨询老师","请教老师","老师帮忙",
        "专业老师","课程老师","指导老师",
        #专业服务
        "专人服务","专人客服","专业咨询","专业服务","专家咨询",
        "顾问咨询","一对一服务","专属服务",
        #投诉和问题
        "投诉","举报","反馈问题","意见反馈","服务投诉",
        "质量问题","服务问题","系统问题",
        #售后相关
        "退款","退货","售后","售后服务","退换货","申请退款",
        "退费","取消订单","订单问题",
        # 不满意
        "不满意","有问题","出问题","不行","太差了","服务差",
        "回答不对","答非所问","听不懂","不准确"
    }
    
    # 固定回复
    greeting_response = "你好，很高兴为您服务! 我是您的跨境电商学习小助手，专业您答疑解惑。"

    polite_responses = {
        "thank": [
            "不用客气，随时为您服务!",
            "很高兴能帮助到您!",
            "这是我应该做的，有问题随时找我哦!",
            "客气了，有什么问题尽管问!",
            "不客气，祝您跨境电商生意兴隆!"
        ],
        "goodbye": [
            "再见!期待下次为您服务!",
            "祝您生活愉快，有问题随时来找我!",
            "再见!祝您跨境电商生意兴隆!",
            "拜拜!有问题随时回来咨询!",
            "再见!祝您学习愉快!"
        ]
    }

    
    human_service_response ="同学,点击 https://www.123.com 可进入人工答疑"
    def normalize_text(text: str) -> str:
        """标准化文本:去除标点符号，转换为小写"""
        import re
        #保留中文、英文、数字，去除标点符号和空格
        cleaned = re.sub(r'[^\w\u4e00-\u9fff]','',text.lower().strip())
        return cleaned
        
    def exact_match_check(query_text: str, phrase_set) -> bool:
        """精确匹配检查"""
        normalized_query = normalize_text(query_text)
        for phrase in phrase_set:
            normalized_phrase = normalize_text(phrase)
            if normalized_phrase == normalized_query:
                return True
        return False
    def contains_match_check(query_text:str, phrase_set) -> bool:
        """包含匹配检查(用于短查询中包含关键短语的情况)"""
        normalized_query = normalize_text(query_text)
        #只有当查询很短时才使用包含匹配(避免误匹配)
        if len(normalized_query) <= 10:
            for phrase in phrase_set:
                normalized_phrase = normalize_text(phrase)
                if normalized_phrase in normalized_query or normalized_query in normalized_phrase:
                    return True
        return False
    # 处理输入
    query = query.strip()
    if not query:
        return {
            "type":"error",
            "response":"请输入您的问题。",
            "need_rag": False,
            "original_query": query
        }
    print(f"处理查询:'{query}'")
    print(f"标准化后:'{normalize_text(query)}'")
    # 1.检查感谢类礼貌用语(精确匹配)
    if exact_match_check(query, thank_phrases):
        return {
            "type":"greeting",
            "response" : random.choice(polite_responses["thank"]),
            "need_rag": False,
            "original_query": query
        }
    #2.检查告别类礼貌用语(精确匹配)
    if exact_match_check(query, goodbye_phrases):
        return {
            "type": "greeting",
            "response":random.choice(polite_responses["goodbye"]),
            "need_rag": False,
            "original_query": query
        }
            
    #3.检查打招呼(精确匹配+短语包含匹配)
    if exact_match_check(query, greeting_phrases) or contains_match_check(query, greeting_phrases):return {
        "type":"greeting",
        "response": greeting_response,
        "need_rag":False,
        "original_query":query
    }
            
    #4.检查人工服务请求(精确匹配+短语包含匹配)
    if exact_match_check(query, human_service_phrases) or contains_match_check(query, human_service_phrases):
        return {
            "type": "human_service",
            "response": human_service_response,
            "need_rag":False,
            "original_query":query
        }
    #5.其他情况需要RAG检索
    return {
        "type": "rag_needed",
        "response":"",
        "need_rag": True,
        "original_query": query
    }

有个小注意点，我这个地方的original刚开始写错了，后面可能有些截图里面也是错的，记得在自己编写的时候注意一下拼写问题。

测试成功之后发布

点击QA插件，在query输入的变量值选择从开始时，用户输入的内容为问题接受值

结束节点中的回答内容直接选择输出内容即可。到这个地方就可以将全部的都连在一起试一下能不能使用，免得到最后才找错误麻烦，边做就可以边检查。

检查完之后，我们来到下一步，添加选择器。添加选择器的作用是，如果是问好或者打招呼这类简单的问答，就直接通过插件内的代码，输出结果；如果不是，则调用后面的大模型

记得要把且改为或

下一步是添加知识库检索，我们现在有一个excel的表格，里面收录了用户提问的问题和答案，需要创建RAG知识库，让大模型根据里面的内容回答，提高回答的准确度。

有一个注意点，这个地方的索引字段，要勾选question，意思是大模型根据问题寻找知识库里面的内容。

创建两个大模型节点，一个是RAG大模型，用来回答知识库内的问题；另一个是闲聊大模型，当知识库里面找不到答案的时候，直接调用该大模型回答问题。

RAG大模型的提示词

# ⻆⾊
你是⼀位专业且⾼效的跨境电商答疑⼩助⼿，精通跨境电商领域的各类知识，能够依据相关信息准确回
答⽤户关于跨境电商的问题。
## 技能
### 技能 1: 基于上下⽂解答问题
1. 严格依据提供的上下⽂内容进⾏回答，不添加上下⽂中未出现的信息。
2. 回答需精准、简洁、有条理，重点突出，逻辑严密，避免歧义，采⽤清晰的格式呈现内容，将复杂概
念以通俗易懂的⽅式表达。
### 技能 2: 答案优化
1. 若问题检索出来的上下⽂答案⽐较简单，需进⾏优化，但不能改变原来上下⽂中涉及到的答案核⼼内
容。
2. 示例：
- 问题： 是不是不能在⼀个⻚⾯⾥⾯同时操作设置两个素材（A图案对应⽩T，B图案对应⿊T）只
能选⼀个通⽤于⽩⿊T的图案？
- 检索上下⽂答案： 是的
- 优化后给出答案： 是的，不能在⼀个⻚⾯⾥⾯同时操作设置两个素材（A图案对应⽩T，B图案
对应⿊T），只能选⼀个通⽤于⽩⿊T的图案。
### 技能 3: 上下⽂不⾜信息内容补⻬
1. 若问题经过数据库检索，给出的上下⽂信息⾮常少或没有，需结合⾃身专业知识回答。
2. 示例：
- 问题：如果我的产品标题中即有泰⽂和英⽂，算重复吗？
- 上下⽂的信息：请不要在标题中出现叠词
- 回答：本地知识库中未提供关于产品既有泰⽂和英⽂是否算重复的相关内容，结合专业知识，⽬
前没有明确固定标准判定这种情况⼀定算重复，具体要根据不同平台规则和实际情况判断。以上信息仅
供参考。
### 技能 4 敏感词过滤
1. 当遇到不符合安全规范或者敏感的词汇时，优先利⽤插件check进⾏敏感词搜索，然后去除
## 限制:
- 仅回答与跨境电商相关的问题，拒绝处理与跨境电商⽆关的话题。
-优先以检索的知识库内容为答案，除⾮内容不全在进⾏优化或者补全
- 回答内容必须符合上述技能要求的格式和规范。
- 若回答基于知识库已有信息，需遵循相应说明规范；若知识库中没有相关内容，应按技能 3 要求回
答⽤户 。

output内容

问题：{{input}}, 上下⽂：{{context[0].output}}

闲聊大模型提示词

# ⻆⾊
你是⼀位专业且亲切的跨境电商答疑⼩助⼿，不仅拥有深厚的跨境电商专业知识，还具备⼴泛的通⽤知
识储备。你能够根据⽤户需求，灵活切换⻆⾊，既能为⽤户解答跨境电商领域的复杂专业问题，也能与
⽤户展开轻松愉快的⽇常闲聊。
## 技能
### 技能 1: 精准解答跨境电商问题
1. 当⽤户提出跨境电商相关问题时，充分运⽤⾃身专业知识，结合丰富且贴合实际的案例，为⽤户提供
准确、全⾯且详细的解答。
2. 针对复杂的跨境电商概念，运⽤通俗易懂、⽣动形象的语⾔进⾏深⼊浅出的解释说明，确保⽤户能够
轻松理解。
3. 在回答的结尾处明确注明“以上答案仅供参考”。
### 技能 2: 耐⼼回应⾮跨境电商问题
1. 当⽤户提及⾮跨境电商问题时，例如简单的数学运算“1 + 1 等于⼏”等，运⽤已有的知识储备，耐
⼼、准确地对⽤户进⾏回答。
2. 在回答此类问题的结尾同样注明“以上答案仅供参考”。
### 技能 3: 合理引导不明确问题
1. 当⽤户输⼊的问题含义不明确时，不直接给出知识回答，⽽是友好地输出“我还在努⼒理解您的问
题，请您详细描述后再来询问吧，这样我能更好地为您解答。”
## 限制:
- 交流内容主要围绕跨境电商学习以及其他⾮电商知识相关范畴，对于与这两类内容⽆关的话题，需礼
貌地拒绝回答，并告知⽤户“抱歉，我只能回答与跨境电商学习和其他⾮电商知识相关的问题哦”。
- 所输出的内容必须严格符合上述回答要求，保证格式规范、条理清晰、逻辑连贯。
- 回答的答案中禁⽌提及：需要进⾏知识库检索

output内容

⽤户输⼊：{{input}}

最后两个大模型都要连接到结束节点，并且在结束节点中添加两个大模型的输出变量，如图所示

最后测试一下有没有报错，如果报错了就一个个节点的输出信息检查一下，没有的话就恭喜你

至此我们就完成了搭建的工作流的任务了

在之前创建的跨境小子智能体里面添加工作流，后续就可以以对话的形式回答问题