阅读视图

发现新文章,点击刷新页面。

从天气查询到低代码 AI 应用:Coze 平台让人人都能开发智能体

在 AI 技术飞速发展的今天,“智能体开发” 似乎还是技术大佬的专属领域。但 Coze AI Agent 开发平台的出现,正在打破这一认知 —— 它以低代码、高灵活的方式,让技术与非技术人员都能投身 AI 应用开发,打造属于自己的智能体。今天我们就从一个天气查询智能体的开发实践出发,聊聊 Coze 如何重塑 AI 应用开发的体验,以及背后的提示词工程、低代码工作流等核心能力。

一、从零开始:打造 “天气查询” 智能体的全过程

1. 明确角色与技能:给 AI 一个清晰的 “身份”

在 Coze 中开发智能体,第一步是定义它的 “人设” 。以 “天气查询” 智能体为例,我们需要明确:

  • 角色定位:专业的天气查询助手,能根据用户提供的地点和时间精准查询天气,并给出穿衣建议。

  • 核心技能

    • 技能 1(查询天气):用户输入地点和时间时返回天气信息,未指定时间则默认查未来三天,信息需包含日期、星期、天气、温度、空气质量。
    • 技能 2(生成穿衣建议):结合温度和天气状况给出穿搭方案。
    • 技能 3(格式化输出):严格按照 “日期 + 星期 + 天气 + 温度 + 空气质量 + 穿衣建议” 的格式返回结果。
  • 限制条件:只回答天气相关问题,输出必须符合格式规范。

这种 “角色 + 技能 + 限制” 的设计,本质是提示词工程的 “角色赋予法” —— 让 AI 明确自己的身份和边界,从而更精准地响应需求。

2. 插件与工作流:让智能体具备 “外接能力”

天气数据从何而来?Coze 提供了插件生态,我们可以直接接入 “墨迹天气” 插件,让智能体具备查询国内天气的能力。

工作流则是智能体的 “逻辑引擎”。在 Coze 中,工作流通过拖拽节点的方式搭建:用户提问触发后,智能体先解析地点和时间,调用天气插件获取数据,再根据温度和天气生成穿衣建议,最后按格式输出结果。整个过程无需写一行代码,像搭积木一样就能完成逻辑串联。

3. 预览与调试:确保智能体 “言行如一”

开发过程中,Coze 的预览调试功能能实时验证智能体的表现。比如查询 “抚州 2025 年 11 月 2 日天气”,智能体返回 “多云,22℃/15℃,穿衣建议为长袖衬衫 + 薄外套”,完全符合我们预设的格式和逻辑。这种即时反馈让开发体验更流畅,不用反复猜测 AI 的 “脑回路”。

二、Coze 的核心能力:提示词工程与低代码开发的融合

1. 提示词工程:让 AI“听得懂、做得对”

好的提示词是智能体生效的关键。在 Coze 中,写提示词可以遵循这 5 个原则:

  • 给角色:明确 AI 是 “天气助手”“职业规划师” 还是 “英语教练”,让它有身份感。
  • 给任务:清晰说明要完成什么事,比如 “查询天气并给穿衣建议”。
  • 给方法:告诉 AI 具体怎么做,比如 “根据温度区间推荐穿搭”。
  • 给格式:指定返回结果的结构,比如 “日期 + 星期 + 天气 + 温度 +...”。
  • 给限制:说明 “不能做什么”,比如 “只回答天气问题”。

这种结构化的提示词设计,本质是将人类意图转化为 AI 可理解的 “指令语言” ,让非技术人员也能通过自然语言掌控 AI 的行为。

2. 低代码开发:拖拽式搭建 AI 应用

Coze 的低代码特性是它的另一大亮点。以 “KidsCareer” 应用为例:

  • 工作流拖拽:通过 “开始→查询数据→结束” 等节点,就能搭建起 “查询用户图片” 的逻辑,无需写 SQL 或后端代码。
  • 数据表可视化:像 “photos” 表的结构(id、用户标识、图片地址、职业等字段)可以直接在界面上配置,非技术人员也能理解数据关系。
  • 用户界面生成:除了业务逻辑,Coze 还支持拖拽生成前端页面,真正实现 “从逻辑到界面” 的全链路低代码开发。

三、Coze 的价值:让 AI 应用开发 “全民化”

1. 技术与非技术人员的协作桥梁

在传统开发中,“需求→技术实现” 的鸿沟常常导致项目延期或变形。但 Coze 的低代码环境让产品经理可以直接搭建智能体原型,技术人员则专注于插件开发、复杂逻辑优化,两者能基于同一平台高效协作。比如运营同学可以先做出 “天气查询” 的 demo,技术同学再接入企业内部的天气数据源,迭代效率大大提升。

2. AIGC 时代的用户体验创新

Coze 不仅能做 “工具型智能体”(如天气查询),还能结合 AIGC 打造更具魅力的用户体验:

  • 生成式内容:比如 “抽卡炼丹” 式的 AI 角色生成,用户输入偏好后,智能体自动生成角色立绘 + 背景故事。
  • 多模态交互:结合图标生成、文本转语音等能力,让智能体从 “文字对话” 升级为 “图文声并茂” 的交互。
  • 个性化服务:基于用户行为数据(如 “photos” 表中的职业信息),智能体可以给出定制化建议,比如 “根据你的设计师职业,推荐艺术展览相关的天气穿搭”。

3. 前端工程师的 AI 时代新机遇

在 AI 浪潮下,前端不再只是 “切图写页面”。借助 Coze,前端可以:

  • 打造智能交互界面:将天气查询、职业推荐等智能体嵌入网页,让用户体验从 “被动浏览” 变为 “主动对话”。
  • 探索 AIGC 前端应用:比如用 AI 生成图标、自动适配多端界面,甚至让智能体帮用户调试 CSS(“帮我把这个按钮改成渐变色 hover 效果”)。
  • 参与全链路开发:从前端界面到 AI 逻辑,前端工程师可以在 Coze 中完成更多环节,职业边界被进一步拓宽。

四、总结:Coze 不是 “替代开发”,而是 “重构开发”

Coze 的出现,不是让开发者 “失业”,而是重构了 AI 应用开发的范式—— 它让 “明确需求的人”(产品、运营、业务人员)能直接参与开发,让技术人员从 “重复编码” 中解放出来,聚焦更有价值的创新工作。

从一个简单的天气查询智能体,到复杂的职业规划应用,Coze 证明了:AI 应用开发可以很简单,也可以很强大。未来,或许每个人都能在 Coze 上打造属于自己的智能体,让 AI 真正服务于生活、工作的每一个角落。

如果你也想试试 “零基础开发智能体”,不妨从 Coze 的天气查询模板开始 —— 相信你会和我一样,惊叹于 “拖拽几下就能拥有一个 AI 助手” 的神奇体验。

“不卷 AI、不碰币、下班不收消息”——Android 知名技术大牛 Jake Wharton 的求职价值观

最近 Jake Wharton(Android 世界最知名的贡献者之一)在个人网站(jakewharton.com/hire/) 声明开始看工作机会:

"I'm currently looking for opportunities!"

他的求职价值观非常不一样,使得我忍不住转给大家。

Jake Wharton 是谁

如果你不知道 Jake Wharton 是谁,说明你可能是个 Android 开发小白或者路人hh。

他是 Android 圈非常知名的开源代码贡献者,创造了非常多广为使用的库。

image.png

他的经历:

  • 2012 年就加入 Square,主导 Retrofit、OkHttp、Picasso、Moshi 等底层库,国内几乎每款 App 都在间接调用他的代码
  • 2017 年转岗 Google,把 Kotlin 推向官方第一语言,并创建 KTX 系列扩展
  • 2020 年至今在 Cash App 设计跨平台方案,同时维护 Redwood、Zipline、Molecule 等开源项目

一句话:Android App 里的每一行网络请求、每一次 JSON 解析,背后都可能有他的影子。

完整内容截图

image.png

总结

对被迫卷 AI 代码率指标/下班后还得处理工作/失业后去做 Web 3 程序员们来说,Jake Wharton 的这份"反向招聘"是一声响亮的呐喊——先衡量公司,再衡量代码

愿我们都有这样的底气,在下一次求职时能把价值观说出口,把离线权握在手。


这就是流量的力量吗?用豆包 AI 编程做的小红书小组件帖子爆了

2025 上半年头部 AI 产品都有哪些?还有哪些新起之秀?

拭心 7 月日复盘|个体在 AI 时代的挑战

2025 年 AI 的落地程度远比我们想象的广

百度电商MultiAgent视频生成系统

导读

随着人工智能技术的迅猛发展,AIGC(AI-Generated Content,人工智能生成内容)正逐步重塑内容创作行业的格局。尤其在视频内容领域,传统制作流程周期长、成本高、依赖人工创作,已难以满足日益增长的内容消费需求。AIGC技术的引入,为视频创作带来了前所未有的效率与可能性。AIGC工具在短视频应用率从22 年不足5%跃升到25年35%。电商场景下,越来越多的平台帮助商家进行AIGC商品视频的创作,帮助其提高商品转化率。基于上述两点,电商搜索在今年开始探索AIGC视频自动化生产方案,尝试基于视频自动化混剪,来满足搜索场景下日益增长的内容需求。

01 早期项目演进与问题

项目早期我们整体视频创作中基于大模型完成分镜脚本生成 + 分镜图片素材检索,其他视频元素(脚本脉络/视频标题/布局/音效/特效等)全部通过规则进行选择和生成。但整体后验效果不佳,通过后验分析我们发现了两个很大的问题:

  • 规则式方案导致视频整体模板化、同质性严重

  • 整体视频素材大部分由口播加静态图片素材组成,比较死板,吸引力弱。

为解决上述2类问题,我们进行了新一版迭代。主要升级点:

  • 规则式视频生成方案升级成 MultiAgent协同视频生成系统,最大化视频先后验指标为目标,动态调度视频元素。

  • 素材供给和类型更丰富(视频素材、泛图表),增加视频素材多维度优选能力,大幅提升高清视频素材的时长占比,显著增强视频吸引力。

02 MultiAgent视频生成系统

通过搭建MultiAgent协同视频生成系统,基于视频内容高效满足和视频画面丰富多样为优化目标,模拟人类视频制作流程,完成分镜脚本生成>多类型素材生成->大模型剪辑成片多轮推理。

2.1 分镜脚本生成Agent

分镜脚本生成在项目初期面临两大问题:

问题1:如何提升脚本准确率?

电商场景下品牌/品类/商品信息需要大量准确数据支撑 => 直接根据互联网语料生成准确率不到80%。

解法:脚本生成信息来源以电商高精知识图谱为主,第三方优质视频文案(B站视频等)为辅,保证核心主体信息准确的同时丰富故事细节,脚本可用率大大提升。如下是一个Case:

西门子是什么品牌


提到西门子,很多人第一反应是家里那台带液晶屏的冰箱,或是洗衣机上那个会发光的LOGO。

但你可能不知道,这个看似普通的家电品牌,背后藏着足以改变人类工业史的惊人故事。

1847年,当维尔纳·冯·西门子在柏林一间小作坊里敲打出第一台电报机时,没人能想到这家公司会成为工业界的隐形冠军。

最让人震撼的是西门子的重生能力。

二战期间80%工厂被炸毁,这个德国品牌却用短短五年就杀回巅峰。

就像他们1910年卖给中国石龙坝水电站的发电机——这台百岁高龄的工业活化石,至今还在云南吭哧吭哧运转。

这种近乎变态的耐久度,解释了为什么全球70%的高端燃气轮机市场都被西门子垄断。

但西门子真正的可怕之处在于无处不在。

你手机摄像头里的光学系统,医院CT机的核心部件,甚至造芯片用的UV光刻机,背后都是西门子的技术。

更夸张的是,历史上32位诺贝尔奖得主都依赖西门子显微镜做研究。

这种渗透到科技毛细血管的能力,让它在工业4.0时代依然稳坐神坛。

2024年最新财报暴露了这家老牌巨头的野心:单季度新订单223亿欧元,折合人民币超1700亿元。

更惊人的是研发投入——63亿欧元相当于每天烧掉1.7亿人民币搞创新。

从1872年进入中国交付首台电报机,到如今智能工厂解决方案遍布长三角,西门子用152年时间证明:真正的工业王者,从来都是闷声改变世界。

下次当你打开西门子冰箱取饮料时,不妨多看一眼那个蓝色LOGO。

它不仅是德国制造的品质象征,更是一台持续运转178年的超级印钞机——平均每1.5小时就能创造1个诺贝尔奖级别的技术突破,这样的品牌基因,恐怕连特斯拉都要喊声老师。


问题2:如何提升脚本吸引力?

通用大模型生成脚本冗长拖沓且AI感强 => 无法快速满足用户需求以及脚本吸引力不足。

问题2解法:构建优秀脚本脉络及风格集合,针对不同Query动态选择脚本脉络、风格,提高脚本吸引力。

风格2:历史叙事类风格


开头:

1.通过悬念钩子式开场,把观众带入好奇与期待的情绪,通过颠覆认知的事实陈述,带给观众强烈的入门吸引力。

主体文案

1.通过时间锚点与关键事件叙事,把观众带入到故事中,通过细节化描述,带给观众身临其境的代入感。

2. 通过数据具象化与生活类比,把观众带入真实可感的认知场景,通过技术术语降维解读,带给观众易懂的专业洞察。

3. 通过对比与隐喻强化冲突,把观众带入情感共鸣的高潮,通过辉煌与危机并行的结构,带给观众深度反思的平衡视角。

4.通过转折点戏剧化呈现,把观众带入叙事节奏的起伏中,通过第三方视角引用,带给观众客观可信的品牌背书。

5.通过金句收尾与主题升华,把观众带入余韵悠长的结尾氛围,通过历史寓言或隐喻,带给观众启发性的价值总结。

6. 通过语言节奏控制,把观众带入流畅紧凑的阅读体验,通过文化元素融合,带给观众多元化的审美共鸣。

结尾:添加和用户的互动


效果示例如下:

谁能想到,如今遍布全球的西门子帝国,最初竟诞生在德国柏林一家熟肉店的后院!(开头直接回答用户问题)

1847年,当维尔纳·冯·西门子脱下普鲁士军装,租下那间飘着烤猪肘香味的作坊时,连隔壁面包师傅都嘲笑这个整天摆弄电线的年轻人。

可就是这个被当作怪人的前炮兵军官,用一根电报线撬动了整个工业革命。

故事要从德国北部的小村庄伦特说起。1816年出生的维尔纳从小就有种特殊天赋——他能把拆散的怀表重新组装成会转动的钟,还能用勺子电解出银层给朋友做生日礼物。(通过细节化描述,带给观众身临其境的代入感)

这种对电的痴迷,最终让他在1847年创立了西门子-哈尔斯克公司。

注意,这家公司的第一个爆款产品不是冰箱也不是发电机,而是指针式电报机!

当时的欧洲正处在通信革命前夜。柏林至法兰克福的电报线路项目,让西门子赚到第一桶金。

但真正让公司腾飞的,是维尔纳三兄弟的全球布局战略:大哥坐镇柏林搞研发,二弟威廉攻克英国市场,三弟卡尔甚至把电线铺到了沙皇的冬宫。

到1879年柏林工业博览会上,西门子已经能骄傲地展示世界首辆电力列车——比爱迪生发明电灯还早两年!

如今178年过去,这个德国品牌早已超越国界。2024财年第一季度,西门子新订单额飙升至223亿欧元,在190个国家拥有32万员工。

从你家冰箱里的PT净味技术,到医院的核磁共振设备,甚至太空站的供电系统,那个曾在肉店后院闻着香味饿肚子的发明家,真的让全人类都通上了他的电。

不过最讽刺的是,当年维尔纳为省钱发明的电镀术,如今却成了西门子高端家电的标配工艺。

下次当你打开那台标着SIEMENS的冰箱时,别忘了里面藏着个德国工业史上最美味的创业故事——毕竟没有哪家世界500强,是从闻着烤猪肘香味开始的。

2.2 多类型素材生成

目前AIGC视频中,电商视频素材相比于通用场景素材,存在两点挑战:

  • 视频素材少

     原始视频少:业界通用视频素材对于电商信息,特别是长尾商品信息覆盖较少。

     可用视频少:在电商类视频中,对品牌商品等实体一致性要求极高,进一步加剧视频供给问题。

  • 传统视频检索准确率低:电商场景下对于品牌/商品实体一致性要求极高,传统通用视频检索系统在电商场域下实体理解效果差,检索准确率低,导致视频不可用。

针对上述两个挑战,我们提出了两步解决方案:

  • 泛图表生成,进一步增加差异化供给: 基于大模型代码生成能力,自动化构建30+个泛图表模板,并通过MCP形式对外开放;通过大模型规划能力,根据脚本选择最优图表模板并生成泛图表内容,端到端图表生成可用率达92%。

图表效果如下:

整体流程如下:

图片

  • 素材多维度优选:基于多模态视频理解大模型,从电商实体一致性,视频清晰度等多维度构建端到端优选能力,提升视频素材质量,视频粒度准确率大大提升。

    实体一致:基于Qwen2.5-VL-32B模型,对视频中实体细节进行多维度理解推理,尤其注重商品实体一致性。

图片

清晰度高:通过自研模型对视频清晰度划分清晰/普通/模糊三档,对模糊类视频进行过滤。

2.3 大模型剪辑成片

通过大模型多轮规划推理,进行素材/布局/动效/音效等多视频元素全局优选,完成最终视频剪辑并成片。整体流程如下:

图片

03 后续方向演进

  • 端到端剧本生成:

     现有问题:现有的2.0框架本质上与传统检索系统类似,存在多个子Agent模块前后依赖,这导致了不同链路目标不一致等问题,制约了视频效果的增长。

     解决方案:构建剧本生成Agent,基于大模型进行端到端的完整剧本生成。通过端到端的剧本撰写,视频的画面,脚本,BGM可以实现优化目标的统一化。

  • AIGC生成式视频:

     现有问题:目前视频是基于现有的视频素材打碎重组(混剪)而成的,在很多时候都面临供给不足的问题,而AIGC生成(文生图/视频)的方式能较好的解决这样的问题。

     目前困难:AIGC生成目前的可用率仍不足,会出现文字乱码,人物/实体错误,物理规律不遵循等问题,在电商商品场景下尤为明显,这些仍需要进一步去探索和尝试。

❌