百度【灵境矩阵】智能体开发初学笔记

2、在“创建”页面，直接以文字描述的方式输入你对这个智能体的角色要求，可尽量描述清晰、具体一些。

比如可以包括：你需要智能体能够做什么，不要做什么，你希望他的回复是什么格式的，或语气是什么风格的。

3、当创建完成后，平台会询问你希望使用什么样的头像，并根据你的描述帮你AI生成头像。

你可以对头像进行修改，也可以在“配置”页面上传自己选择的图片作为这个智能体的头像。

4、你可以持续对这个智能体提出更细节的要求，平台会立即对智能体进行优化。

于此同时，你可以在右侧看到这个智能体的实际运行效果，并通过和智能体进行对话来测试效果。

5、进到“配置”页面，可以对智能体的名称、头像进行修改，并设置一个合适的开场白。当用户打开这个智能体之后，智能体会自动先发出预设的开场白。

配置页面已经根据你创建时对智能体提出的要求，自动生成了指令，你可以点击“查看示例”，对指令进行优化和完善。

6、点击“新建数据集”，可以将一些相关的文档资料上传到数据集中，作为这个智能体的补充资料库。

7、看一下这个智能体的运行效果：

8、保存，并提交这个智能体，将它设置为公开，等待平台审核通过即可上线了。

9、补充知识点：Prompt工程

（1）Prompt概念

例如AI 大语言模型被询问有关一个虚构的现象，最后回复并未表明该现象并不存在，或者没有相关信息可供查询，反而编造了一个听似合理的解答，并配以看似道理十足的引用，也就是在胡说八道。

精确数字：

AI很难按你要求的数字完成一段话。例如让它写一篇标题为“我的一天”的 200 字日记文章，模型可能会写得很长，详细地描述你一天的起床、吃饭、上班等点滴过程，结果字数远超过要求。因为对它来说，生成更多相关细节会让文章更流畅丰富，所以它不会自觉在刚好 200 字时就停止。

（4）Prompt技巧

1、点击左侧的“创建智能体”，在“低代码”这一栏点击“立即创建”。

2、在弹出的窗口中，设置智能体的名称、头像、简介，点击“创建”按钮。

3、进到编辑页面，进行可视化拖拽开发。

左侧就是常用的套件，其中“链”是应用的最基础的单元，知识库也就是向量库，模型指的是文心一言的模型能力，提示词模板编排确保了开发的准确性和高效性。

提供了两个工具：HTTP请求工具、百度搜索工具，提供了提问气泡交互组件。

4、拖拽式开发的第一步，就是将“模型”下面的“文心模型”，用鼠标拖拽到编辑区内。

5、将“链”服务器托管网下面的“大模型链”拖拽到编辑区，然后将大模型链与模型相连接：

鼠标放到大模型链的“模型”前那个小圆圈上，直到鼠标变成一个加号+，然后按下鼠标，拖拽一条线连接到文心模型右下角“链”的小圆圈上。

一个基础的智能体通常由一个模型（文心模型）和一个大模型链组成，当大模型链与模型相连接时，就创建了一个最基础的智能体。

6、这个智能体调用了通用大模型的最基础能力，可以进行测试了。

点击页面右上方的“测试”按钮，显示测试通过，预览按钮变为可用状态，就可以进行互动了。

7、点击“预览”按钮，提示：预览8小时后失效，请合理安排时间。假设我们需要智能体能够为用户推荐想看的书籍，就直接输入问题，模型识别到问题就能生成答案。

8、点击上图中的“去设置”，可以对模型的引导语、推荐问题等进行设置。

再进行测试时，可以看到已经带上了引导语和推荐问题。

推荐问题相当于为用户提供了快捷方式，让用户能更方便地了解和使用您的智能体，这将有助于提高用户体验。

看一下运行效果：

9、添加提示词，提示词扮演着重要的角色，它能够提供一种模板编排的方式。

例如如果用户输入了某个人物的名字，我们可以把问题转化为对包含这个人物名字的书籍的推荐。

把“提示词模板”拖拽到编辑区，可以编辑提示词模板、编辑输出格式。

例如，编辑模板如下：

然后将提示词右下角的“链”与大模型链“提示语”前面的圆圈连接起来。通过这种方式，用户只需要输入关键信息，我们就可以根据模板为其生成完整的问题。

本例中未限定输出格式，当然也可以编辑输出格式，比如可以要求模型以json格式输出：

10、至此，一个简单的低代码智能体就创建完成了，可以提交发布，等待审核了。

11、如果需要创建更复杂一些的智能体，可以继续进行下面的尝试（下面以一个用于推荐酒店的智能体为例）：

（1）工具链：工具链和大模型链，可以通过输入和输出来连接。这种连接方式描述了智能体的处理逻辑，是从工具链开始处理，然后将工具链的输出作为大模型链的输入，再经过第二个链的处理，这是一个链的链式调用过程。

在工具链的配置中，首先让它发起一个http请求接口（使用HTTP请求工具），这个接口可以是模拟的一个数据源，主要用于测试模型返回酒店列表的功能。在实际的酒店智能体开发中，可以把它设置为一个实际的数据来源，比如某酒店的数据库。

当用户输入一个城市名称时，工具链将请求酒店数据，并捕获返回的结果，这些结果将被传递给一个大模型，该模型负责解读数据，示例中使用了一个假数据集模拟捕获的结果。

（2）分支链：分支链本质上也是一个大模型链，因此需要连接到一个模型（文心模型）。

分支链的配置中，有一个“意图关键词”，用于描述用户的输入所表达的目的，并根据该意图执行相应的功能。通过配置意图，可以根据用户的输入来触发不同的处理逻辑。如果意图之间的关联性模糊，会导致意图识别的准确性降低，因此需要清晰地表达意图。

（3）提问链和提问气泡：提问链和分支链通常配合使用（见上图）。

如果识别到用户要进行翻译，可以在提问气泡中配置一个表单组件，并列举出支持的语言选项。配套的提示词模板，会将用户的输入翻译成指定的语言。提问链中提问气泡的提示词，代表了这个提问所对应的问题，{_input_}就是提问链生成的问题。

用户回答后，会触发一个强制意图，即执行翻译。强制意图会执行一个新的链：负责执行实际翻译工作的大模型链。为了确保输出格式符合要求，可创建一个提示，如果用户没有命中任何一个意图，系统将执行“默认意图”，使用这个通用模型来回答。

（4）工具链：可以调用工具（如HTTP请求工具）进行查询，例如可以获取到一个平台的日志，再将日志数据输入给一个大模型。

（5）检索链：当提问相关问题，就会进到一个检索链，默认意图也可以链接到一个检索链。

相关的视频教材，可参考：https://datawhaler.feishu.cn/wiki/CXfdwUNE0ioQFukgJTLcamIQnVf